CN102436551A - 基于目标跟踪的计算机辅助胃癌诊断方法 - Google Patents

Abstract

本发明公开了一种基于目标跟踪的计算机辅助胃癌诊断方法，主要解决医学影像领域中胃癌诊断过程中存在的淋巴结转移判定问题问题。其实现步骤为：(1)分割图像；(2)提取被跟踪目标；(3)预测跟踪；(4)判断是否全部目标预测跟踪完毕，如果全部目标预测跟踪完毕，则进行下一步骤；否则，返回步骤(3)；(5)特征匹配；(6)淋巴结识别。本发明是将计算机辅助医学诊断的方法用于胃癌淋巴结转移的检测，可以在很短的时间内处理大量胃部切片图，较之传统的胃癌淋巴结转移的检测提高了检测速率和正确率，实现胃部切片图淋巴结的自动识别，极大的缩短临床诊断时间，为患者争取更好的治疗时机。

Description

基于目标跟踪的计算机辅助胃癌诊断方法

技术领域

本发明属于图像处理技术领域，更进一步涉及一种计算机视觉领域中处理胃癌诊断中的淋巴结转移识别领域中的基于目标跟踪的计算机辅助胃癌诊断方法。本发明可用于胃癌诊断中淋巴结转移的判断、识别过程，完成淋巴结转移的判断、识别、检测，更好的辅助医学研究中的临床诊断。

背景技术

目前，胃癌影像研究主要是基于传统的检测方法：将被检查的样本通过一系列诸如稀释、染色等化学处理之后制作成目标涂片；有着丰富经验的兵力医生在显微镜下自习观察涂片中目标核、目标浆的形貌、颜色特点，根据相关的医学标准并结合自身的经验，对待检查的样本作出诊断结论，在普查中，待检查人群分布地区广、数量大，要有效地进行健康普查存在以下几个问题：1)工作量非常大，医生容易疲劳而引起误判；2)工作效率低下，容易延误诊断结果；3)检查结果往往容易过多加入医生的主观因素，诊断结果因人而异；4)我国中小城市一些医生缺乏临床经验和专业知识，诊断水平仍令人堪忧；因此，为了更好的开展防癌普查工作，尽量做到早期诊断、早期治疗、检查能有效花费，必须研制适合我国国情的辅助诊断系统。

希森美康株式会社申请的专利“胃癌淋巴结转移的判断方法”(申请号：200810000445.4，公开号：CN101260428)公开一种胃癌淋巴结转移的判断方法，包括：1)定量步骤，定量用疑有胃癌转移的淋巴结组织制备的检测试样中的角蛋白19mRNA；2)判断步骤，根据所得所述mRNA的定量结果判断胃癌的淋巴结转移，当定量值低于阈值时，判断胃癌淋巴结转移阴性，当定量值超过阈值时，判断胃癌淋巴结转移阳性。该方法存在的不足是，对于阈值的选取会因为实验条件、环境因素、专业素养等因素而有所差异，会影响诊断结果的有效性。

威里德克斯有限责任公司申请的专利“对胃癌淋巴结转移的检测”(申请号：200710100645.2，公开号：CN101029342)公开的胃癌淋巴结转移检测方法：1)从患者获取生物学样品；2)测量样品中的标记水平，其中该水平高于预定截止值水平值的认为是胃癌淋巴结转移。该方法存在的不足是，人工设定截止水平值限定了这种方法的有效性，而且截止水平值会因为选取的目标样本不同而有所差异，最终导致结果不够准确有效。

发明内容：

本发明的目的在于克服上述现有技术中的不足，提出一种基于目标跟踪的计算机辅助胃癌诊断方法。该方法运用卡尔曼框架下特征匹配的目标跟踪方法，用于检测胃部切片图当中的淋巴结，从而辅助胃癌的诊断。

实现本发明目的的技术思路是，对胃部切片图序列中每幅图进行感兴趣区域提取、分割，去除其他不相关区域，得到的切片图中仅存在淋巴结、血管和杂点，运用目标跟踪的方法，对连续切片图中的目标进行逐个跟踪，得到每个目标的运动轨迹段，前后帧面积变化较大且其中心位置变化小于一定阈值的目标判定为淋巴结，将前后帧面积变化很小且中心位置变化较大的目标判定为血管，其余判定为杂点，从而实现淋巴结转移的判断。

本发明的具体实现步骤包括如下：

1、一种基于目标跟踪的计算机辅助胃癌诊断方法，其具体实现步骤如下：

(1)分割图像

1a)采用KSVD字典学习的方法提取胃壁周围感兴趣区域；

1b)运用字典学习的稀疏表示方法检测每帧切片图中的目标。

(2)提取被跟踪目标

2a)采用四邻域连通标记算法，对所有待跟踪的胃部切片图像中的目标区域依次进行中心标记；

2b)提取每个目标区域中心标记，得到每个目标的中心位置，将每一帧中所有目标的中心位置确定为被跟踪目标的中心位置。

(3)预测跟踪

3a)按照中心标记的先后顺序依次从切片图中提取被跟踪目标；

3b)采用卡尔曼预测方法，对被跟踪目标进行预测，得到该目标在下一帧胃部切片图像的预测坐标点，如果预测坐标点在下一帧切片图某个区域的内部，则将此区域目标的坐标作为被跟踪目标在下一帧切片图中的坐标，记录到目标轨迹段中；如果预测坐标点不在下一帧切片图某个区域的内部，则返回步骤3a)。

(4)判断是否全部目标预测跟踪完毕，如果全部目标预测跟踪完毕，则进行下一步骤；否则，返回步骤(3)。

(5)特征匹配

5a)将记录的每个目标轨迹段中的起始和终止坐标分别存于起始坐标集合和终止坐标集合中；

5b)将被跟踪目标在当前胃部切片序列图像中的坐标作为中心，在下一帧胃部切片序列图像中建立一个矩形区域，将该矩阵区域作为被跟踪目标的邻域匹配区域；将当前胃部切片序列图像中轨迹终止坐标代表的目标作为待匹配目标；

5c)利用相似度计算公式计算被跟踪目标与每个待匹配目标的相似度，将相似度最大的待匹配目标与被跟踪目标确定为同一个目标，再将其跟踪轨迹连接到被跟踪目标的跟踪轨迹后；

5d)重复执行步骤5a)、步骤5b)、步骤5c)，直到最后一帧图像，完成对所有目标的特征匹配，将属于同一目标的跟踪轨迹，按顺序连接，形成完整的跟踪轨迹。

(6)淋巴结识别

6a)依次对每个目标轨迹中目标前后帧面积差求其平均值，如果平均值大于10，则将此目标标记为候选淋巴结，若小于5，则标记为候选血管，其余判定为杂点目标；

6b)对候选淋巴结依次计算其跟踪轨迹段中心的前后帧欧氏距离，计算每个目标中心欧氏距离的平均值，如果平均值小于3，则判定为淋巴，否则，判定为血管；

6c)对候选血管目标查看其对应的跟踪轨迹，如果其出现的帧数大于10帧则判定为血管，否则，判定为杂点。

本发明与现有的技术相比具有以下优点：

1、由于本发明采用了基于目标跟踪的方法用于检测胃部切片图的淋巴结，加入计算机辅助诊断之后，较之传统的人工检测淋巴结的方法提高了检测速度及正确率；

2、由于本发明首次使用计算机辅助检测识别的方法用于检测胃部切片图的淋巴结，可以很好的区分切片图中的血管和淋巴结，解决了现有技术中存在的血管和淋巴难以区分的问题。

附图说明

图1为本发明的流程图；

图2为未经处理的胃部切片图；

图3为经本发明图像分割步骤后获得的切片图；

图4为经本发明预测跟踪步骤后获得的切片图。

具体实施方式

下面结合附图对本发明做进一步的详细描述。

参照图1，本发明的具体实施步骤如下：

步骤1、分割图像

首先，采用KSVD字典学习的方法提取胃壁周围感兴趣区域

第一步：采用KSVD字典学习的方法对脂肪组织和非脂肪组织进行学习，生成脂肪组织D1和非脂肪组织D2两个字典；

第二步：以原始图像的每个像素点为中心取5×5的邻域得到像素块Q，对像素块Q提取15维的梯度特征值和25维的灰度特征值，组成一个40维的特征向量v，用字典D₁和字典D₂分别逼近特征向量v，得到逼近误差e₁和e₂，如果e₁＜e₂则认为该像素点为感兴趣像素点，标记类标为1，如果e₁≥e₂则该像素点为不感兴趣点，标记类标为0；对于类标为0的像素点，将原始图像中该像素点的灰度值赋值为0，对于类标为1的像素点，保持该像素点的灰度值为原始图像中的灰度值，得到脂肪图；

第三步：检测脂肪图中人体组织的最外层边缘，以脂肪图中心点处为基准，将最外层边缘向中心点缩进30个像素的半径，得到感兴趣脂肪图；

第四步：以感兴趣脂肪图的每个像素点为中心，将0°到360°方向均分为32个方向，如果32个方向中有超过28个方向上存在灰度值非0的像素点，则判定该像素点为感兴趣点，将该像素点灰度值赋值为原始图像中对应的灰度值，得到感兴趣区域检测结果图。

然后，运用字典学习的稀疏表示方法检测每帧切片图中的目标

第一步，在感兴趣区域检测结果图中分别为疑似淋巴结类和非目标类(包括脂肪区域和脂肪边界区域)选取5*5大小的图像块作为训练样本；

第二步，对训练样本提取纹理和灰度特征；使用字典学习的稀疏表示(SRC)方法对每一幅图像中的图像块进行测试，标记目标类；

第三步，删去一像素点个数小于10的非目标区域并输出最终分割图像。

步骤2、提取被跟踪目标

首先，采用四邻域连通标记算法，对所有待跟踪的切片图像中的目标区域依次进行中心标记。四邻域标记算法按照如下方法实现：判断此点四邻域中的最左，最上有没有点，如果都没有点，则表示一个新的区域的开始；如果此点四邻域中的最左有点，最上没有点，则标记此点为最左点的值，如果此点四邻域中的最左没有点，最上有点，则标记此点为最上点的值；如果此点四邻域中的最左有点，最上都有点，则标记此点为这两个中的最小标记点，并修改大标记为小标记；

然后，提取每个目标区域中心标记，得到每个目标的中心位置，将每一帧中所有目标的中心位置确定为被跟踪目标的中心位置。

步骤3、预测跟踪

首先，按照中心标记的先后顺序依次从切片图中提取被跟踪目标，然后采用卡尔曼预测方法，对被跟踪的目标进行预测，得到该目标在下一帧切片图像的预测坐标点。

本发明采用先基于卡尔曼滤波进行整体跟踪，然后采用特征匹配来连接未跟踪上的片段，这样正确率得到了很大的提升。具体步骤如下：

第一步：根据被跟踪目标的运动特点，为每个目标建立匀速运动动力学模型，并对模型中的状态向量和误差协方差进行初始化，状态向量定义为X＝(x y x_Vy_V)^T，量测向量定义为Z＝(x y)^T，x，y分别为目标中心横坐标和纵坐标，x_v，y_v分别为目标在x轴方向和y轴方向的速度，状态转移矩阵和量测矩阵分别定义为：

$F=\left[\begin{array}{cccc}1& T& 0& 0\\ 0& 1& 0& 0\\ 0& 0& 1& T\\ 0& 0& 0& 1\end{array}\right]$ 和 $H=\left[\begin{array}{cccc}1& 0& 0& 0\\ 0& 0& 1& 0\end{array}\right]$

其中，F为状态转移矩阵，H为量测矩阵，T为帧间时间间隔。

第二步：建立目标运动模型：

X_i(k+1)＝F_iX_i(k)+Γ_iW_i(k)

其中，X_i(k+1)是第i个目标在下一帧中的状态向量，F_i是第i个目标的状态转移矩阵，X_i(k)是第i个目标在当前帧中的状态向量，k是帧数，Γ_i是第i个目标的噪声矩阵，W_i(k)是与第i个目标匹配的系统噪声。

第三步：建立量测模型：

Z_i(k)＝H_iX_i(k)+V_i(k)

其中，Z_i(k)是第i个目标的量测向量，H_i是第i个目标的量测矩阵，V_i(k)是与第i个目标匹配的量测噪声。

第四步：状态向量及其误差协方差矩阵初始化；

状态向量X＝(x y x_Vy_V)^T中，x，y初始化为被跟踪目标在第一帧中的横坐标和纵坐标，x_vy_v初始化为0；

协方差矩阵初始化为 $\left[\begin{array}{cccc}{0.2}^2& 0& 0& 0\\ 0& {0.2}^2& 0& 0\\ 0& 0& {0.2}^2& T\\ 0& 0& 0& {0.2}^2\end{array}\right]$

第五步，计算步骤3中的Z_i(k)值，得到预测值。

第六步，如果预测坐标点在下一帧切片图某个区域的内部，则将此区域目标的坐标作为被跟踪目标在下一帧切片图中的坐标，记录到目标轨迹段中；如果预测坐标点不在下一帧切片图某个区域的内部，则返回步骤3；

步骤4、判断是否全部目标预测跟踪完毕，如果全部目标预测跟踪完毕，则进行下一步骤；否则，返回步骤3；

步骤5、特征匹配

第一步，将记录的每个目标轨迹段中的起始和终止坐标分别存于起始坐标集合和终止坐标集合中；

第二步，将被跟踪目标在当前胃部切片序列图像中的坐标作为中心，在下一帧胃部切片序列图像中建立一个矩形区域，将该矩阵区域作为被跟踪目标的邻域匹配区域；将当前胃部切片序列图像中轨迹终止坐标代表的目标作为待匹配目标；

根据轨迹的起始、终止坐标集合，选择待跟踪目标：如果当前切片图像为某些目标跟踪轨迹的终止图像，且下一帧图像为某些目标轨迹的起始图像，说明在当前切片图像中，跟踪轨迹终止的目标，有可能在下一帧图像中消失，也有可能因为目标的运动变化较大，导致质心跟踪中断，需要与下一帧图像中起始的跟踪轨迹进行匹配，因此，对于邻域匹配区域的选择以被跟踪目标在当前切片图像中的坐标为中心，在下一帧切片图像中建立一个矩形区域，作为被跟踪目标的邻域匹配区域。

然后，选择目标中心在该邻域匹配区域中的目标，如果下一帧切片图像正好是该目标的轨迹起始图像，将该目标作为待匹配的备选目标，如果没有满足条件的目标，判定被跟踪目标在下一帧图像中消失，停止对此被跟踪目标进行跟踪。

第三步，利用相似度计算公式计算被跟踪目标与每个待匹配目标的相似度，将相似度最大的待匹配目标与被跟踪目标确定为同一个目标，再将其跟踪轨迹连接到被跟踪目标的跟踪轨迹后；

通常，代价函数被用来评判两个目标之间的相似程度，代价函数越小，相似度越大。因此，在本方法中我们以代价函数的倒数来表示两个目标的相似程度，选择距离、面积和偏心率作为目标的匹配特征，计算被跟踪目标与每个待匹配目标的相似度，其计算公式如下：

$\mathrm{sim}(i,j)=\frac{1}{\mathrm{\αD}(i,j)+\mathrm{\βA}(i,j)+\mathrm{\γE}(i,j)}$

其中，sim(i，j)表示相似度，i表示被跟踪目标，j表示待匹配目标，α表示距离特征，D(i，j)表示待匹配目标与被跟踪目标的距离相似度，β表示面积特征，A(i，j)表示待匹配目标与被跟踪目标的面积相似度，γ表示偏心率特征的权值，E(i，j)表示待匹配目标与被跟踪目标的偏心率相似度。

获取距离相似度D(i，j)的计算公式如下：

$D(i,j)=\frac{d_{\mathrm{ij}}}{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{d}_{\mathrm{ik}}}$

其中D(i，j)表示距离相似度，d_ij表示被跟踪目标i与第j待匹配目标的距离，

表示被跟踪目标i与每个待匹配目标距离的和，n表示邻域匹配区域中待匹配的目标数目。

求得面积相似度A(i，j)计算公式如下：

$A(i,j)=\frac{|{\mathrm{Area}}_i-{\mathrm{Area}}_j|}{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}|{\mathrm{Area}}_i-{\mathrm{Area}}_k|}$

其中A(i，j)表示待匹配目标与被跟踪目标的面积相似度，Area_i表示待跟踪目标的面积，Area_j表示待匹配目标j的面积，

表示待跟踪目标面积与所有待匹配目标面积差的和，n表示邻域匹配区域中待匹配的目标数目。

计算偏心率相似度E(i，j)计算公式如下：

$E(i,j)=\frac{|{\mathrm{Eccent}}_i-{\mathrm{Eccent}}_j|}{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}|{\mathrm{Eccent}}_i-{\mathrm{Eccent}}_k|},$

其中，E(i，j)表示偏心率相似，Eccent_i表示待跟踪目标i的偏心率，Eccent_j表示待匹配目标j的偏心率，

表示跟踪目标i与所有待匹配目标偏心率差的和，n表示邻域匹配区域中待匹配的目标数目。

第四步，重复执行本步骤的第一步、第二步、第三步，直到最后一帧图像，完成对所有目标的特征匹配，将属于同一目标的跟踪轨迹，按顺序连接，形成完整的跟踪轨迹

步骤6、淋巴结识别

第一步，依次对每个目标轨迹中目标前后帧面积差求其平均值，如果平均值大于10，则将此目标标记为候选淋巴结，若小于5，则标记为候选血管，其余判定为杂点目标；

第二步，对候选淋巴结按照下式依次计算其跟踪轨迹段中心的前后帧欧氏距离，

d_ij＝||x_i-x_j||₂

其中，d_ij表示第i个图像与第j个图像的欧式距离，x_i和x_j分别表示第i个图像和第j个图像的像素值，||.||₂表示二范数。

计算每个目标中心欧氏距离的平均值，如果平均值小于3，则判定为淋巴，否则，标记为血管；

第三步，对候选血管目标查看其对应的跟踪轨迹，如果其出现的帧数大于10帧则判定为血管，否则，判定为杂点。

本发明的效果可以通过以下仿真结果进一步说明。

1.仿真内容

应用本发明跟踪方法对胃部切片图进行跟踪识别，如图2所示，其中图2中的切片图信息如下：

切片图每帧大小：图2是胃部切片图，其中图像的像素为512*512。

切片图序列数目：图2帧数为25帧。

切片图帧间时间间隔：T＝1/24s

目标的距离、面积、偏心率的特征权值分别为0.7，0.15，0.15。当目标运动于图像边缘，目标时常会部分处于图像外，因此，面积跟偏心率特征的相似度就会降低，在此情况下采用的特征权值分别为：0.8，0.1，0.1。

硬件平台为：Intel Core2 Duo CPU E6550

软件平台为：MATLAB 7.0

仿真内容，将本发明方法应用于胃部切片图的跟踪识别中。

仿真结果分析：

利用上述感兴趣区域提取和分割方法对图2进行感兴趣区域提取和分割，如图3所示，3(a)是原图像经过感兴趣区域提取后的图像，3(b)是分割图像。

利用如图3(b)所示分割后的切片图像序列，对某个目标进行跟踪的效果，如图4(a)所示，为血管的轨迹图，*为目标在每帧切片图中的坐标，可见其中心位置横、纵坐标都变化较大；对序列图像中的某个目标进行跟踪的效果如果4(b)所示，为淋巴的轨迹图，其中心位置的横、纵坐标变化较之血管变化较小。

从图4可以看出，淋巴结中心位置变化很小，相对于血管来说出现的帧数比较少，血管的中心位置变化较大，存在的帧数较多。

下表中列出了仿真结果：

本发明中未经处理的胃部切片图经经验丰富临床医生认定存在11个淋巴结，23个血管，其余35个均判定为杂点，传统的胃癌淋巴结检测中由于专业素养因素，检测环境因素通常被认定的淋巴结数量大大低于经验丰富的临床医生给出的结果，而且临床需要医生花费很长的时间进行检测和观察，甚至会耽误了最佳诊断和治疗时间。运用本发明对以上经医生鉴定的存在11个淋巴结的25帧切片图进行处理，仅用了11min就处理完毕，检测后得到的结果如上表中所示，认定的11个淋巴结中检测所得8个，正确率72.7％，可见使用本发明可以在很短的时间内处理大量胃部切片图，极大的缩短临床诊断时间，为患者争取更好的治疗时机。

Claims (5)

1.一种基于目标跟踪的计算机辅助胃癌诊断方法，其具体实现步骤如下：

(1)分割图像

1a)采用KSVD字典学习的方法提取胃壁周围感兴趣区域；

1b)运用字典学习的稀疏表示方法检测每帧切片图中的目标；

(2)提取被跟踪目标

2a)采用四邻域连通标记算法，对所有待跟踪的胃部切片图像中的目标区域依次进行中心标记；

2b)提取每个目标区域中心标记，得到每个目标的中心位置，将每一帧中所有目标的中心位置确定为被跟踪目标的中心位置

(3)预测跟踪

3a)按照中心标记的先后顺序依次从切片图中提取被跟踪目标；

3b)采用卡尔曼预测方法，对被跟踪目标进行预测，得到该目标在下一帧胃部切片图像的预测坐标点，如果预测坐标点在下一帧切片图某个区域的内部，则将此区域目标的坐标作为被跟踪目标在下一帧切片图中的坐标，记录到目标轨迹段中；如果预测坐标点不在下一帧切片图某个区域的内部，则返回步骤3a)；

(4)判断是否全部目标预测跟踪完毕，如果全部目标预测跟踪完毕，则进行下一步骤；否则，返回步骤(3)；

(5)特征匹配

5a)将记录的每个目标轨迹段中的起始和终止坐标分别存于起始坐标集合和终止坐标集合中；

5b)将被跟踪目标在当前胃部切片序列图像中的坐标作为中心，在下一帧胃部切片序列图像中建立一个矩形区域，将该矩阵区域作为被跟踪目标的邻域匹配区域；将当前胃部切片序列图像中轨迹终止坐标代表的目标作为待匹配目标；

5c)利用相似度计算公式计算被跟踪目标与每个待匹配目标的相似度，将相似度最大的待匹配目标与被跟踪目标确定为同一个目标，再将其跟踪轨迹连接到被跟踪目标的跟踪轨迹后；

5d)重复执行步骤5a)、步骤5b)、步骤5c)，直到最后一帧图像，完成对所有目标的特征匹配，将属于同一目标的跟踪轨迹，按顺序连接，形成完整的跟踪轨迹；

(6)淋巴结识别

6a)依次对每个目标轨迹中目标前后帧面积差求其平均值，如果平均值大于10，则将此目标标记为候选淋巴结，若小于5，则标记为候选血管，其余判定为杂点目标；

6b)对候选淋巴结依次计算其跟踪轨迹段中心的前后帧欧氏距离，计算每个目标中心欧氏距离的平均值，如果平均值小于3，则判定为淋巴，否则，判定为血管；

6c)对候选血管目标查看其对应的跟踪轨迹，如果其出现的帧数大于10帧则判定为血管，否则，判定为杂点。

2.根据权利要求1所述的基于目标跟踪的计算机辅助胃癌诊断方法，其特征在于：步骤1a)所诉的KSVD字典学习的方法是按照以下步骤求感兴趣区域：

第一步：采用KSVD字典学习的方法对脂肪组织和非脂肪组织进行学习，生成脂肪组织D1和非脂肪组织D2两个字典；

第二步：以原始图像的每个像素点为中心取5×5的邻域得到像素块Q，对像素块Q提取15维的梯度特征值和25维的灰度特征值，组成一个40维的特征向量v，用字典D₁和字典D₂分别逼近特征向量v，得到逼近误差e₁和e₂，如果e₁＜e₂则认为该像素点为感兴趣像素点，标记类标为1，如果e₁≥e₂则该像素点为不感兴趣点，标记类标为0；对于类标为0的像素点，将原始图像中该像素点的灰度值赋值为0，对于类标为1的像素点，保持该像素点的灰度值为原始图像中的灰度值，得到脂肪图；

第三步：检测脂肪图中人体组织的最外层边缘，以脂肪图中心点处为基准，将最外层边缘向中心点缩进30个像素的半径，得到感兴趣脂肪图；

第四步：以感兴趣脂肪图的每个像素点为中心，将0°到360°方向均分为32个方向，如果32个方向中有超过28个方向上存在灰度值非0的像素点，则判定该像素点为感兴趣点，将该像素点灰度值赋值为原始图像中对应的灰度值，得到感兴趣区域检测结果图。

3.根据权利要求1所述的基于目标跟踪的计算机辅助胃癌诊断方法，其特征在于：步骤1b)所述字典学习的稀疏表示方法是按照下面步骤进行分割：

第一步，在感兴趣区域检测结果图中分别为疑似淋巴结类和非目标类(包括脂肪区域和脂肪边界区域)选取5*5大小的图像块作为训练样本；

第二步，对训练样本提取纹理和灰度特征；使用字典学习的稀疏表示(SRC)方法对每一幅图像中的图像块进行测试，标记目标类；

第三步，删去一像素点个数小于10的非目标区域并输出最终分割图像。

4.根据权利要求1所述的基于目标跟踪的计算机辅助胃癌诊断方法，其特征在于：步骤3b)所述卡尔曼预测方法的具体步骤如下：

步骤1，根据被跟踪目标的运动特点，为每个目标建立匀速运动动力学模型；

步骤2，建立目标运动模型；

X_i(k+1)＝F_iX_i(k)+Γ_iW_i(k)

其中，X_i(k+1)是第i个目标在下一帧中的状态向量，k是帧数，F_i是第i个目标的状态转移矩阵，X_i(k)是第i个目标在当前帧中的状态向量，Γ_i是第i个目标的噪声矩阵，W_i(k)是与第i个目标关联的系统噪声；

步骤3，建立量测向量模型：

Z_i(k)＝H_iX_i(k)+V_i(k)

其中，Z_i(k)是第i个目标的量测向量，H_i是第i个目标的量测矩阵，X_i(k)是第i个目标的状态向量，V_i(k)是与第i个目标关联的量测噪声，k是帧数，；

步骤4，对状态向量及其误差协方差矩阵进行初始化；

步骤5，按照步骤3中的量测向量模型求预测值。

5.根据权利要求1所述的基于目标跟踪的计算机辅助胃癌诊断方法，其特征在于：所述步骤5c)计算被跟踪目标与每个待匹配目标的相似度按照下式计算求得：

$\mathrm{sim}(i,j)=\frac{1}{\mathrm{\αD}(i,j)+\mathrm{\βA}(i,j)+\mathrm{\γE}(i,j)}$

其中，sim(i，j)表示相似度，i表示被跟踪目标，j表示待匹配目标，α表示距离特征，D(i，j)表示待匹配目标与被跟踪目标的距离相似度，β表示面积特征，A(i，j)表示待匹配目标与被跟踪目标的面积相似度，γ表示偏心率特征的权值，E(i，j)表示待匹配目标与被跟踪目标的偏心率相似度。

Images