CN115661030A - 一种基于3d-cnn的激光散斑衬比血流成像精度的提高方法 - Google Patents

Abstract

本发明提供了一种基于3D‑CNN的激光散斑衬比血流成像精度的提高方法，其特征在于，包括散斑动图的行为特征分析和基于时空特征分析的血流速度模型设计，以及基于旋转散射板实验数据对于该模型预测能力的测试；本发明使用具有优异性能的3D‑CNN模型，通过3D卷积核对代表不同血流速度的三维散斑图像像素的时空特征进行提取，通过充分挖掘单次曝光下散斑动图的时空像素信息，提取不同流速下散斑动图的像素特征，建立在单次曝光技术下获得的散斑动图与多重曝光法测得的流速之间的特征函数，实现对于散斑图像代表流速的准确预测，达到提高LSCI测量精度的目的，使其可实现线性测量，成为一种低成本、高分辨率的实时线性成像技术，更好的应用于临床。

Description

一种基于3D-CNN的激光散斑衬比血流成像精度的提高方法

技术领域

本发明涉及激光散斑衬比血流速度检测技术优化领域，具体地说是一种基于3D-CNN的激光散斑衬比血流成像精度的提高方法。

背景技术

体表微循环血流速度检测是临床上检测需求量较大的一项指标，被广泛应用于心脑血管健康状态评估，皮肤癌检测，皮肤烧伤程度评估，糖尿病足底溃疡的预防等领域。激光散斑衬比血流成像(Laser Speckle Contrast Imaging,LSCI)是一种可在无创条件下进行组织内部血流成像的技术，被广泛应用于临床上血流速度的检测，具有无创性、实时性、系统简单和低成本等优点。但该技术基于动态光散射的基本原理，利用各种近似模型逼近散射光自相关函数来获取血流速度，此过程受到静态散射体、散斑大小和曝光时间等众多不确定因素的影响，严重降低了模型精度，使其无法线性成像，对实际血流速度的测量存在很大误差，严重影响其临床应用。因此，提升血流速度测量的准确性是这一技术急需解决的关键问题。

目前，提升LSCI成像精度领域已经取得了一些成果，主要包括两大类：基于消除众多不确定因素的模型改进法和基于拟合算法的多重曝光法(Multi-Exposure LSCI,MELSCI)。虽然前者基于静态散射体和散斑大小等因素对单次曝光散斑模型进行了优化，使其测量精度有了一定程度的提高，但模型仍然受其他无法使用数学方法消除的因素的影响，依然无法实现对血流速度的线性测量。MELSCI不再使用模型计算，而是通过使用不同曝光时间下的对比度进行拟合来获取血流速度，有效提高了LSCI的成像精度，成为一种可线性成像的技术。但此方法大大增加了系统成本，且拟合的过程也使得成像时间增加了两到三倍，降低了LSCI实时成像的能力，因此市面上主流的LSCI仪器仍然是基于单重曝光模型进行开发的。

近年来，基于人工智能(AI)的预测方法得到了广泛应用，也为LSCI测量精度的提高提供了新的手段。但目前的AI在此领域的应用较少且存在缺少数据连续性和进一步增加系统成本等问题。因此在AI的基础上提出一种新的方法在不增加系统成本和不降低系统实时性的基础上有效提高LSCI的测量精度，对使LSCI成为一种低成本、高精度的实时线性成像技术有着非常重要的意义。进一步的，在此基础上可将其应用于活体实验进行测试和优化，促进该技术的发展。

发明内容

本发明的目的在于提出一种基于3D-CNN的激光散斑衬比血流成像精度的提高方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供以下技术方案：

一种基于3D-CNN的激光散斑衬比血流成像精度的提高方法，该方法将目光放于低成本、系统简单且成像速度快的单次曝光LSCI上，由于MELSCI已被证明是一种线性血流测量技术，因此该方法为，使用在时空特征提取领域具有优异性能的3D-CNN，建立LSCI技术在单次曝光下的散斑动图和MELSCI测得的流速之间的映射模型；并使用旋转散射板实验数据进行训练来提高模型的准确性，并对其准确性进行测试。

具体原理为：首先将代表不同速度的旋转散射板散斑动图作为3D-CNN的输入数据，由于散斑动图从时间序列上看属于多帧运动，从空间序列上看，每一帧散斑图像包含众多的散斑像素值信息，故速度预测的准确性取决于获取丰富的时间序列信息和单帧散斑图像的空间像素值信息；因此利用3D-CNN中的三维卷积核对该三维像素矩阵进行梯度提取，并通过卷积、池化和全连接组成的网络进行特征提取和维度变化，分别得到各散斑动图代表的血流速度预测值；最后输出该散斑动图的血流速度预测值，完成预测；该方法实现了对于散斑动图对应速度的准确测量，有效提高了LSCI的测量精度。

具体包括五个部分，分别为：旋转散射板实验装置、数据预处理、散斑图像行为特征分析、模型参数设置和训练以及模型准确性检测，其中旋转散射板实验装置由伺服电机、均匀漫反射板和磨砂玻璃反射片组成；实验时电机以一定的角速度驱动漫反射板在毛玻璃后转动，模拟了人体组织中血红细胞在表皮下流动的情景；在电机的转速(角速度)已知的情况下，漫反射板上的线速度为角速度与该点半径的乘积，因此在该实验装置获得的散斑图中，每一点的线速度都固定可求，为一定量数据，将其作为模型的训练目标可以实现对模型的量化评估。该实验装置共设置10个角速度

所述数据处理具体包括以下内容：

使用32*32的正方形滑窗自上而下，由第32个像素到第320个像素，以32的步长进行滑动来改变半径大小，以此实现数据增强。每个像素代表的半径长度为0.037mm，可获得9个半径，且每个半径采集17组数据，因此可获得9*17*10＝1530个数据用于训练。将上述数据按照训练集：验证集：测试集＝7：1：2划分。

所述散斑图像行为特征分析具体包括以下内容：

单帧散斑图像的像素值包含丰富的空间信息，且固定位置的像素值随时间的变化规律与速度密切相关。这意味着对于一幅散斑动图运动速度的预测不仅与单帧的空间像素值有关，更与帧间固定位置像素值的变化量有关。像素值变化量越大，相应的动图散斑变化越快，即血流速度越快。因此，速度的预测与散斑动图的空间时间特征具有很强的相关性，对这些特征进行全面深入学习，可以更好地挖掘散斑动图的时空动态特征。

所述模型参数设置和训练具体包括以下内容：

本发明中的3D-CNN网络为五层，第一层为卷积层C1，直接接受输入的散斑数据，使用3*3*5的卷积核；第二层为最大池化层P2，池化核为2*2*2；第三层为卷积层C3，使用3*3*5的卷积核；第四层为最大池化层P4，池化核为2*2*2；第五层为卷积层C5，使用3*3*3的卷积核；第六层为全连接层F6，将C5输出的三维特征图重建为单个速度数据，输入维数为128，输出维数为1；此模型的卷积层激活函数为ReLU函数，优化器使用Adam，加快收敛速度，Batch大小为32，初始学习率为0.001，损失函数为MSE函数；采用MSE和MAPE作为评价指标。

所述模型准确性检测具体包括以下内容：

使用了滑窗移动至97-128位置时的散斑图像作为预测数据。此位置基本居于整个散斑动图的中间位置，对应半径大小约为(97+16)*0.037＝4.2mm，线速度随角速度的变化程度适中且整体覆盖范围较广，为4.2*0.047～4.2*0.952＝0.2mm/s～4.0mm/s，共10个速度，可有效检测3D-CNN模型的训练程度和准确性。

所述旋转散射板体模实验装置得到的LSCI图像均为320*32*1024的散斑动图，因此每个散斑动图的散斑像素值均可视为一个三维矩阵；所述旋转散射板体模实验装置的角速度大小通过改变伺服电机的旋转速度控制，本发明共设置10个角速度，如表1所示。

表1角速度大小

所述3D-CNN的两种评估方法的公式为：

等式1中m为样本数量，y_i为实际值，

为预测值；等式2中n为样本数量，y_i为实际值，

为预测值。

所述用于模型检测的散斑动图分别对应10个速度大小如表2所示，此十个速度通过固定半径为4.2mm获得。

表2 LSCI图像真实速度

所述用于训练的输入散斑动图大小设置为32*32*15。此时间序列长度通过大量手动实验和经验获得，对模型训练的难度和预测信息的完整性进行了权衡；且采用32*32的正方形空间大小更适合于卷积核的特征提取。

所述3D-CNN具体配置如表3所示。

表2 3D-CNN参数配置

所述LSCI的散斑动图中，单帧散斑图像的像素值包含丰富的空间信息，且固定位置的像素值随时间的变化规律与速度密切相关。这意味着对于一幅散斑动图运动速度的预测不仅与单帧的空间像素值有关，更与帧间固定位置像素值的变化量有关。因此，速度的预测与散斑动图的空间时间特征具有很强的相关性。

所述每个散斑动图的像素值矩阵均为一完整的三维矩阵，因此本文采用的3D-CNN可在保证时空信息完整性的前提下挖掘上述矩阵序列的时空特征，对其进行整体特征提取，并有机地完成预测。

所述3D-CNN中，卷积核覆盖的区域称为感受野，也是网络每一层输出的特征图上的像素点在输入图片上映射的区域大小，因此位于同一感受野的像素值之间有较强的时空相关性。3D-CNN从输入层开始使用三维卷积核提取像素矩阵中的时空信息，并总结特征后形成新的特征图，将其传至下一层继续处理。

与现有技术相比，本发明有益效果如下：

本发明使用在时空特征提取领域具有优异性能的3D-CNN模型，通过3D卷积核对代表不同血流速度的三维散斑图像(散斑动图)像素的时空特征进行提取，通过充分挖掘单次曝光下散斑动图的时空像素信息，提取不同流速下散斑动图的像素特征，建立在单次曝光技术下获得的散斑动图与多重曝光法测得的流速之间的特征函数，实现对于散斑图像代表流速的准确预测，达到提高LSCI测量精度的目的，使其可实现线性测量，成为一种低成本、高分辨率的实时线性成像技术，更好的应用于临床。

附图说明

图1为血速度预测模型；

图2为旋转散射板体模示意图；

图3为旋转散射板体模获取的LSCI图像；

图4为输入数据的半径选取方法；

图5为散斑单帧图像像素位置分布图；

图6为散斑图像时空像素分布图；

图7为3D-CNN预测过程；

图8为测试数据散斑图像选取方法。

具体实施方式

为阐明技术问题、技术方案、实施过程及性能展示，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释。本发明，并不用于限定本发明。以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

实施例1

一种基于3D-CNN的激光散斑衬比血流成像精度的提高方法，该方法将目光放于低成本、系统简单且成像速度快的单次曝光LSCI上，由于MELSCI已被证明是一种线性血流测量技术，因此该方法为，使用在时空特征提取领域具有优异性能的3D-CNN，建立LSCI技术在单次曝光下的散斑动图和MELSCI测得的流速之间的映射模型；并使用旋转散射板实验数据进行训练来提高模型的准确性，并对其准确性进行测试。

具体原理为：首先将代表不同速度的旋转散射板散斑动图作为3D-CNN的输入数据，由于散斑动图从时间序列上看属于多帧运动，从空间序列上看，每一帧散斑图像包含众多的散斑像素值信息，故速度预测的准确性取决于获取丰富的时间序列信息和单帧散斑图像的空间像素值信息；因此利用3D-CNN中的三维卷积核对该三维像素矩阵进行梯度提取，并通过卷积、池化和全连接组成的网络进行特征提取和维度变化，分别得到各散斑动图代表的血流速度预测值；最后输出该散斑动图的血流速度预测值，完成预测；该方法实现了对于散斑动图对应速度的准确测量，有效提高了LSCI的测量精度。

具体包括五个部分，分别为：旋转散射板实验装置、数据预处理、散斑图像行为特征分析、模型参数设置和训练以及模型准确性检测，其中旋转散射板实验装置由伺服电机、均匀漫反射板和磨砂玻璃反射片组成；实验时电机以一定的角速度驱动漫反射板在毛玻璃后转动，模拟了人体组织中血红细胞在表皮下流动的情景；在电机的转速(角速度)已知的情况下，漫反射板上的线速度为角速度与该点半径的乘积，因此在该实验装置获得的散斑图中，每一点的线速度都固定可求，为一定量数据，将其作为模型的训练目标可以实现对模型的量化评估。该实验装置共设置10个角速度

所述数据处理具体包括以下内容：

使用32*32的正方形滑窗自上而下，由第32个像素到第320个像素，以32的步长进行滑动来改变半径大小，以此实现数据增强。每个像素代表的半径长度为0.037mm，可获得9个半径，且每个半径采集17组数据，因此可获得9*17*10＝1530个数据用于训练。将上述数据按照训练集：验证集：测试集＝7：1：2划分。

所述散斑图像行为特征分析具体包括以下内容：

单帧散斑图像的像素值包含丰富的空间信息，且固定位置的像素值随时间的变化规律与速度密切相关。这意味着对于一幅散斑动图运动速度的预测不仅与单帧的空间像素值有关，更与帧间固定位置像素值的变化量有关。像素值变化量越大，相应的动图散斑变化越快，即血流速度越快。因此，速度的预测与散斑动图的空间时间特征具有很强的相关性，对这些特征进行全面深入学习，可以更好地挖掘散斑动图的时空动态特征。

所述模型参数设置和训练具体包括以下内容：

本发明中的3D-CNN网络为五层，第一层为卷积层C1，直接接受输入的散斑数据，使用3*3*5的卷积核；第二层为最大池化层P2，池化核为2*2*2；第三层为卷积层C3，使用3*3*5的卷积核；第四层为最大池化层P4，池化核为2*2*2；第五层为卷积层C5，使用3*3*3的卷积核；第六层为全连接层F6，将C5输出的三维特征图重建为单个速度数据，输入维数为128，输出维数为1；此模型的卷积层激活函数为ReLU函数，优化器使用Adam，加快收敛速度，Batch大小为32，初始学习率为0.001，损失函数为MSE函数；采用MSE和MAPE作为评价指标。

所述模型准确性检测具体包括以下内容：

使用了滑窗移动至97-128位置时的散斑图像作为预测数据。此位置基本居于整个散斑动图的中间位置，对应半径大小约为(97+16)*0.037＝4.2mm，线速度随角速度的变化程度适中且整体覆盖范围较广，为4.2*0.047～4.2*0.952＝0.2mm/s～4.0mm/s，共10个速度，可有效检测3D-CNN模型的训练程度和准确性。

所述旋转散射板体模实验装置得到的LSCI图像均为320*32*1024的散斑动图，因此每个散斑动图的散斑像素值均可视为一个三维矩阵；所述旋转散射板体模实验装置的角速度大小通过改变伺服电机的旋转速度控制，本发明共设置10个角速度，如表1所示。

表1角速度大小

所述3D-CNN的两种评估方法的公式为：

等式1中m为样本数量，y_i为实际值，

为预测值；等式2中n为样本数量，y_i为实际值，

为预测值。

所述用于模型检测的散斑动图分别对应10个速度大小如表2所示，此十个速度通过固定半径为4.2mm获得。

表2 LSCI图像真实速度

所述用于训练的输入散斑动图大小设置为32*32*15。此时间序列长度通过大量手动实验和经验获得，对模型训练的难度和预测信息的完整性进行了权衡；且采用32*32的正方形空间大小更适合于卷积核的特征提取。

所述3D-CNN具体配置如表3所示。

表2 3D-CNN参数配置

所述LSCI的散斑动图中，单帧散斑图像的像素值包含丰富的空间信息，且固定位置的像素值随时间的变化规律与速度密切相关。这意味着对于一幅散斑动图运动速度的预测不仅与单帧的空间像素值有关，更与帧间固定位置像素值的变化量有关。因此，速度的预测与散斑动图的空间时间特征具有很强的相关性。

所述每个散斑动图的像素值矩阵均为一完整的三维矩阵，因此本文采用的3D-CNN可在保证时空信息完整性的前提下挖掘上述矩阵序列的时空特征，对其进行整体特征提取，并有机地完成预测。

所述3D-CNN中，卷积核覆盖的区域称为感受野，也是网络每一层输出的特征图上的像素点在输入图片上映射的区域大小，因此位于同一感受野的像素值之间有较强的时空相关性。3D-CNN从输入层开始使用三维卷积核提取像素矩阵中的时空信息，并总结特征后形成新的特征图，将其传至下一层继续处理。

下面将依据附图对基于3D-CNN的激光散斑衬比血流成像精度的提高方法进行更加详尽、完整的描述。

本发明的整体预测示意图如图1所示，共包括三步。首先将三维散斑动图的三维像素矩阵作为模型的输入数据集，并进行数据预处理，将其切割为适合于模型训练的图像大小和帧数，并通过滑窗选取半径进行数据增强，将每个散斑动图数据匹配相应的速度标签，再对其进行合适划分和随机打乱，形成最终的输入数据集；然后将其输入设置好参数的3D-CNN中，对模型进行训练，该模型中的三维卷积、池化和全连接层对输入数据进行特征提取和维度改变；最终得到该散斑动图对应的速度并输出，完成训练；训练完成后选择合适的散斑动图数据对该模型的预测能力进行测试，证明该模型对于散斑动图的对应速度具有很好的预测能力。

本发明所述三维散斑动图由旋转散射板实验装置获得。如图2所示，该装置由伺服电机、均匀漫反射板和磨砂玻璃反射片组成。实验时电机以一定的角速度驱动漫反射板在毛玻璃后转动，模拟了人体组织中血红细胞在表皮下流动的情景。在电机的转速(角速度)已知的情况下，漫反射板上的线速度为角速度与该点半径的乘积，为一定量数据。与将实际血流速度作为训练目标相比，将此定量数据作为模型的训练目标可以实现对模型的量化评估。该实验装置共设置10个角速度，每个角速度测17次。

本发明所述原始散斑动图如图3所示。每个散斑动图为320*32*1024大小。

本发明所述半径选取方法如图4所示。使用32*32的正方形滑窗自上而下，由第1个像素到第320个像素，以32的步长进行滑动来改变半径大小。每个像素代表的半径长度为0.037mm，可获得9个半径，且每个角速度采集17组数据，因此可获得9*17*10＝1530个数据进行训练。可看出角速度分布大致在0.05～1rad/s，半径大致范围为2mm～12mm，对应速度范围大致分布于0.1mm/s～12mm/s，具有较广的范围和连续性，对于模型的训练具有准确性的意义。将上述数据按照训练集：验证集：测试集＝7：1：2划分，并将其用于1000次迭代的模型训练和测试。

本发明所述三维像素矩阵由LSCI动图得到。假设单帧散斑图像中的像素位置由二维坐标(i，j)表示，如图5所示。其中，i，j分别表示像素位置的行号和列号，这些像素组成m行n列的单帧散斑图像。在时间维度上，对于某一固定位置的像素，像素值在时间序列上是典型的一维序列；在空间维度上，对于任意帧数f，(i，j)位置的像素值用p(i，j)f表示，而整个像素矩阵的像素数据可描述为m*n的矩阵V：

此矩阵包含丰富的时空特征信息，而每个矩阵V又对应一个速度v，整个时空序列即为一个多帧运动，如图6所示。因此由代表不同速度的散斑动图像素值组成的时空序列可以通过阵列像素值的变化特征来描述速度，由N个速度散斑动图组成的像素值序列即为即{V₁，V₂,...，V_N}。

本发明所述模型训练过程中，优化器使用Adam，加快收敛速度，Batch大小为32，初始学习率为0.001，损失函数为MSE函数。采用MSE和MAPE作为评价指标。

本发明所述3D-CNN的预测过程如图7所示。首先将10个32*32*15大小的三维散斑像素矩阵数据输入3D-CNN模型中并进行梯度提取；再使用3*3*5的卷积核进行特征提取，设置填充为1，步长为1，得到32*32*13大小的特征图像，其中32＝(32-3+2)/1+1，13＝(15-5+2)/1+1；接着进行最大值池化，池化核大小为2*2*2，步长为2，填充为1，得到17*17*7大小的特征图像，其中17＝(32-2+2)/2+1，7＝(13-2+2)/2+1；之后再进行一次完全相同的卷积和池化；最后通过卷积核大小为3*3*3的第三层卷积，得到大小为9*9*3的特征图像；最后通过全连接层降维得到10个数据，即该组散斑动图对应速度的预测值。

本发明所述测试模型预测性能的输入数据为：将滑窗移动至97-128位置时的散斑图像，如图8所示。此位置基本居于整个散斑的中间位置，对应半径大小约为(97+16)*0.037＝4.2mm，线速度随角速度的变化程度适中且整体覆盖范围较广，可有效检测3D-CNN模型的训练程度和准确性，为4.2*0.047～4.2*0.952＝0.2mm/s～4.0mm/s，共10个速度。

本发明具体实施方法如下：

1、首先通过旋转散射板体模实验装置获取320*32*1024大小的散斑动图，共设置10个角速度，每个角速度测量17次。

2、对获取的数据进行数据预处理。

(1)通过大量手动实验选择切割大小为32*32*15大小的散斑动图作为3D-CNN模型的输入数据，这一大小设置可以在不增加模型训练难度的前提下尽可能多的达到预测信息的完整性，更适合于卷积核的特征提取；

(2)为了得到合适的数据量，通过选取半径来进行数据增强。使用32*32的正方形滑窗由第32个像素到第320个像素，以32的步长进行滑动来改变半径大小，可获取9个半径，且每个半径采集17组数据，因此可获得9*17*10＝1530个数据进行训练。

(3)对以上散斑动图数据对应的线速度，即角速度与半径的乘积，作为该数据的预测标签，并将上述数据进行随机打乱和数据划分，划分比例为训练集:验证集:测试集＝7:2:1。

3、按照表1对3D-CNN模型进行参数配置，共包括三层卷积层、两层池化层和一层全连接层。

4、将数据集输入上述3D-CNN模型中进行模型训练，设置优化器为Adam，Batchsize为32，学习率为0.001，损失函数为MSE，评价指标为MSE和MAPE，设置训练次数为1000次，并保存最佳模型。

5、对训练好的模型预测性能进行测试。

(1)输入数据选择滑窗移动至97-128位置时的散斑图像作为预测数据。此位置基本居于整个散斑的中间位置，对应半径大小约为(97+16)*0.037＝4.2mm，相应线速度为4.2*0.047～4.2*0.952＝0.2mm/s～4.0mm/s，共10个速度。

(2)模型的评估方法为输入散斑动图对应速度的预测值与真实值之间的线性程度，越接近于1则线性程度越好，模型对于散斑动图对应速度的预测能力越强。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (9)

1.一种基于3D-CNN的激光散斑衬比血流成像精度的提高方法，其特征在于，首先将代表不同速度的旋转散射板散斑动图作为3D-CNN的输入数据，由于散斑动图从时间序列上看属于多帧运动，从空间序列上看，每一帧散斑图像包含众多的散斑像素值信息，故速度预测的准确性取决于获取丰富的时间序列信息和单帧散斑图像的空间像素值信息；因此利用3D-CNN中的三维卷积核对该三维像素矩阵进行梯度提取，并通过卷积、池化和全连接组成的网络进行特征提取和维度变化，分别得到各散斑动图代表的血流速度预测值；最后输出该散斑动图的血流速度预测值，完成预测；具体包括五个部分，分别为：旋转散射板实验装置、数据预处理、散斑图像行为特征分析、模型参数设置和训练以及模型准确性检测，其中旋转散射板实验装置由伺服电机、均匀漫反射板和磨砂玻璃反射片组成；实验时电机以一定的角速度驱动漫反射板在毛玻璃后转动，模拟了人体组织中血红细胞在表皮下流动的情景；在电机的转速(角速度)已知的情况下，漫反射板上的线速度为角速度与该点半径的乘积，因此在该实验装置获得的散斑图中，每一点的线速度都固定可求，为一定量数据，将其作为模型的训练目标可以实现对模型的量化评估。

2.根据权利要求1所述的基于3D-CNN的激光散斑衬比血流成像精度的提高方法，其特征在于，所述数据处理具体包括以下内容：

使用32*32的正方形滑窗自上而下，由第32个像素到第320个像素，以32的步长进行滑动来改变半径大小，以此实现数据增强。每个像素代表的半径长度为0.037mm，可获得9个半径，且每个半径采集17组数据，因此可获得9*17*10＝1530个数据用于训练。将上述数据按照训练集：验证集：测试集＝7：1：2划分。

3.根据权利要求1所述的基于3D-CNN的激光散斑衬比血流成像精度的提高方法，其特征在于，所述散斑图像行为特征分析具体包括以下内容：

单帧散斑图像的像素值包含丰富的空间信息，且固定位置的像素值随时间的变化规律与速度密切相关。这意味着对于一幅散斑动图运动速度的预测不仅与单帧的空间像素值有关，更与帧间固定位置像素值的变化量有关。像素值变化量越大，相应的动图散斑变化越快，即血流速度越快。因此，速度的预测与散斑动图的空间时间特征具有很强的相关性，对这些特征进行全面深入学习，可以更好地挖掘散斑动图的时空动态特征。

4.根据权利要求1所述的基于3D-CNN的激光散斑衬比血流成像精度的提高方法，其特征在于，所述模型参数设置和训练具体包括以下内容：

本发明中的3D-CNN网络为五层，第一层为卷积层C1，直接接受输入的散斑数据，使用3*3*5的卷积核；第二层为最大池化层P2，池化核为2*2*2；第三层为卷积层C3，使用3*3*5的卷积核；第四层为最大池化层P4，池化核为2*2*2；第五层为卷积层C5，使用3*3*3的卷积核；第六层为全连接层F6，将C5输出的三维特征图重建为单个速度数据，输入维数为128，输出维数为1；此模型的卷积层激活函数为ReLU函数，优化器使用Adam，加快收敛速度，Batch大小为32，初始学习率为0.001，损失函数为MSE函数；采用MSE和MAPE作为评价指标。

5.根据权利要求1所述的基于3D-CNN的激光散斑衬比血流成像精度的提高方法，其特征在于，所述模型准确性检测具体包括以下内容：

使用了滑窗移动至97-128位置时的散斑图像作为预测数据。此位置基本居于整个散斑动图的中间位置，对应半径大小约为(97+16)*0.037＝4.2mm，线速度随角速度的变化程度适中且整体覆盖范围较广，为4.2*0.047～4.2*0.952＝0.2mm/s～4.0mm/s，共10个速度，可有效检测3D-CNN模型的训练程度和准确性。

6.根据权利要求1所述的基于3D-CNN的激光散斑衬比血流成像精度的提高方法，其特征在于，所述旋转散射板体模实验装置得到的LSCI图像均为320*32*1024的散斑动图，因此每个散斑动图的散斑像素值均可视为一个三维矩阵；所述旋转散射板体模实验装置的角速度大小通过改变伺服电机的旋转速度控制，本发明共设置10个角速度。

7.根据权利要求1所述的基于3D-CNN的激光散斑衬比血流成像精度的提高方法，其特征在于，所述3D-CNN的两种评估方法的公式为：

等式1中m为样本数量，y_i为实际值，

为预测值；等式2中n为样本数量，y_i为实际值，

为预测值。

8.根据权利要求1所述的基于3D-CNN的激光散斑衬比血流成像精度的提高方法，其特征在于，所述用于模型检测的散斑动图分别对应10个速度大小，此十个速度通过固定半径为4.2mm获得。

9.根据权利要求1所述的基于3D-CNN的激光散斑衬比血流成像精度的提高方法，其特征在于，所述用于训练的输入散斑动图大小设置为32*32*15。此时间序列长度通过大量手动实验和经验获得，对模型训练的难度和预测信息的完整性进行了权衡；且采用32*32的正方形空间大小更适合于卷积核的特征提取。

Images