CN102930555A - 一种对超声图像中感兴趣区域进行跟踪的方法及装置 - Google Patents

Abstract

本发明公开了一种超声图像中跟踪感兴趣区域的方法及装置、以及一种超声成像系统。其中，方法包括：检测操作者在标准图像上选择的区域，将该区域确定为待跟踪的感兴趣区域；对标准图像所在图像序列中的某一幅图像进行感兴趣区域跟踪计算，包括：基于标准图像的感兴趣区域的匹配区域的信息和该被跟踪图像的相邻一幅已跟踪图像中的感兴趣区域的匹配区域的信息构造能量函数，根据能量函数在该被跟踪图像上进行搜索，该被跟踪图像中使得能量函数的计算值最小的匹配区域的位置为跟踪到的感兴趣区域的位置。本发明利用时间维度上组织的运动信息，基于标准图像和待跟踪图像的相邻图像的信息，对图像序列中的感兴趣区域进行跟踪，有效地提高跟踪的准确性。

Description

一种对超声图像中感兴趣区域进行跟踪的方法及装置

技术领域

本发明涉及超声图像处理，尤其涉及一种对超声图像中感兴趣区域进行跟踪的方法及装置，以及一种超声成像系统。

背景技术

超声心动图检查可以直观反应心脏和大血管的结构形态，实时显示其生理活动情况，动态评估心脏功能，并且由于超声成像的非侵入性和实时性的优点，使得超声心动图在心脏和血管的临床检查中具有非常重要的地位。当心脏发生器质性或者功能性病变时，心脏的组织构成或者结构会发生变异，引起其生理特性的变化，这将导致心脏的运动发生变化，而这种变化会在心脏的搏动过程中反映出来。

随着超声成像和测量技术的发展，出现了组织多普勒成像(TDI，TissueDoppler Imaging)和二维超声图像的运动跟踪技术，可以对心动过程的成像结果进行定量化的测量，获得心脏的几何参数和运动参数。基于以上测量参数可以进一步计算出与心脏、血管组织生理特性有关的生理参数，如应变、应变率等，从而可以定量化的反应出心脏、血管的病变程度。

超声成像是获取组织对于超声波的散射和反射信号，虽然每个散射都是随机信号，但是对于特定的组织区域，或称感兴趣区域(ROI，Region of Interest)，其反射信号特征与周围组织反射的不同，有其特异性。因此，当组织的运动位移和形变较小时，可以用超声信号特征的运动来反应组织的运动情况。该超声信号特征在B超图像中反应为散斑特征，在B超图像中通过跟踪特定散斑的运动来实现对ROI的运动跟踪。超声图像的运动跟踪技术主要是基于斑点跟踪技术(Speckle Tracking)。该方法是跟踪同一超声散射斑点在二维B型超声图像中的位置，从而确定对应的心肌组织的位置变化关系。

现有针对超声图像中的运动跟踪技术的研究并未充分考虑到在超声图像序列中，人体组织(如心肌)在超声图像中随时间变化的复杂三维运动特性，如组织进出成像平面造成的斑点消散现象等，导致跟踪准确性的降低。

发明内容

本发明所要解决的技术问题是，提供一种对超声图像中感兴趣区域进行跟踪的方法及装置，能够利用时间维度上组织的运动信息进行跟踪，从而提高跟踪的准确性。

根据本发明的一个方面，提供一种对超声图像中感兴趣区域进行跟踪的方法，包括：检测操作者在标准图像上选择的区域，将该区域确定为待跟踪的感兴趣区域；对标准图像所在图像序列中的某一幅图像进行感兴趣区域跟踪计算，所述感兴趣区域跟踪计算包括：基于所述标准图像的感兴趣区域的匹配区域的信息和该被跟踪图像的相邻一幅已确定出感兴趣区域的图像的感兴趣区域的匹配区域的信息构造能量函数，根据所述能量函数对该被跟踪图像进行搜索，该被跟踪图像中使得能量函数的计算值最小的匹配区域的位置为跟踪到的感兴趣区域的位置。

根据本发明的另一个方面，提供一种超声图像中跟踪感兴趣区域的装置，包括：选择模块，用于检测操作者标准图像上选择的区域，将该区域确定为待跟踪的感兴趣区域；跟踪计算模块，用于对标准图像所在图像序列中的某一幅图像进行感兴趣区域跟踪计算，所述感兴趣区域跟踪计算包括：基于所述标准图像的感兴趣区域的匹配区域的信息和该被跟踪图像的相邻一幅已确定出感兴趣区域的图像的感兴趣区域的匹配区域的信息构造能量函数，根据所述能量函数对所述当前图像进行搜索，该被跟踪图像中使得能量函数的计算值最小的匹配区域的位置为跟踪到的感兴趣区域的位置。

根据本发明的又一个方面，提供一种超声成像系统，该系统包括前述对超声图像中感兴趣区域进行跟踪的装置。

本发明的有益效果在于：利用时间维度上的组织的运动信息，基于标准图像和当前图像的相邻图像的信息，对超声图像序列中的感兴趣区域ROI进行跟踪，有效地提高跟踪的准确性。

附图说明

图1为本发明一种实施例中超声成像系统的结构框图；

图2为本发明实施例一的超声图像中跟踪感兴趣区域的方法的流程示意图；

图3为本发明实施例三的超声图像中跟踪感兴趣区域的方法的流程示意图；

图4为本发明实施例三中对跟踪结果进行校正的示意图。

具体实施方式

下面通过具体实施方式结合附图对本发明作进一步详细说明。

本发明各实施例的设计思想是：利用时间维度上的组织的运动信息，对超声图像序列中的感兴趣区域ROI通过该ROI的匹配区域进行跟踪，此外还对跟踪结果进行校正和调整，从而可以有效地提高跟踪的准确性和稳定性。

图1所示为本发明一种实施例提供的超声成像系统的框图，包括：发射模块102通过超声探头101向人体组织发射超声波以进行成像，其成像扫描可以通过ECG(Electrocardiograph，心电图)模块103触发控制；接收模块104通过超声探头101接收到回波信号，该回波信号经过信号处理模块105处理(所涉及的处理可以是现有技术中的如波束合成、正交分解等)，得到成像的人体组织的超声图像(包括B型超声图像以及其他如彩色多普勒图像等)，将超声图像保存到电影回放数据存储模块106；ROI跟踪计算装置107从存储模块106中读取相关数据，对超声图像中的感兴趣区域进行跟踪计算，将得到的跟踪结果及相关的功能参数送入显示模块108进行显示。

应用于该超声成像系统的ROI跟踪计算装置107采用本发明实施例提供的超声图像中跟踪感兴趣区域的装置，包括：选择模块，用于检测操作者在标准图像上选择的区域，将该区域确定为待跟踪的感兴趣区域；跟踪计算模块，用于对标准图像所在图像序列中的某一幅图像进行感兴趣区域跟踪计算，该图像称为被跟踪图像。其中，感兴趣区域跟踪计算包括：基于标准图像的感兴趣区域的匹配区域的信息和该被跟踪图像的相邻一幅已确定出感兴趣区域的图像的匹配区域的感兴趣区域的信息构造能量函数，根据所述能量函数在该被跟踪图像进行搜索，该被跟踪图像中使得能量函数的计算值最小的区域的位置为跟踪到的感兴趣区域的位置。

感兴趣区域可以是任意形状(优选为圆形、矩形、椭圆等规则几何形状)、大小的目标区域或目标点；某一感兴趣区域的匹配区域是指与该感兴趣区域的大小或形状无关、而仅与该感兴趣区域位置有关的区域，有其自己相应大小和形状，仅应用于跟踪算法匹配计算。由于人体组织在超声图像中是随时间变化的，因此即使相邻的两幅超声图像，感兴趣区域也有可能不完全相同，但二者的感兴趣区域的匹配区域是大致相同的；可以理解，本文所指感兴趣区域的位置，实质即是感兴趣区域的匹配区域的位置。应理解，感兴趣区域的匹配区域的信息中的信息是包括本领域技术人员熟知的基于图像灰度、灰度分布、图像梯度等定义的函数。通过跟踪匹配区域从而确定匹配区域的位置，即确定了感兴趣区域的位置，进而通过该位置可以确定感兴趣区域，达到跟踪感兴趣区域的目的。所述的位置可以是感兴趣区域的几何中心点、或者其他特征点(特征区域)，当感兴趣区域为某一目标点时，该目标点本身即可代表感兴趣区域的位置，也是感兴趣区域的匹配区域的位置。

另一种实施例中提供的超声图像中跟踪感兴趣区域的装置，除了包括上述的选择模块、跟踪计算模块外，还包括：相关性判定模块，用于根据被跟踪图像的感兴趣区域和所述标准图像的感兴趣区域，进行相关性判定，得到第一布尔值或第二布尔值；校正模块，用于对相似性判定为所述第二布尔值所对应的图像进行标记，将与被标记图像相邻的若干幅已经过所述感兴趣区域跟踪计算的图像的跟踪结果进行校正以得到最终的跟踪结果。

各实施例中，能量函数是基于被跟踪图像中的某个区域的匹配区域与所述标准图像的感兴趣区域的匹配区域之间的匹配程度、以及被跟踪图像中该区域与该被跟踪图像的相邻一幅已确定出感兴趣区域的图像中的感兴趣区域的匹配区域之间的匹配程度进行构造的。

基于上述超声图像中跟踪感兴趣区域的装置，下面给出更为具体的实施例以对本发明超声图像中跟踪感兴趣区域的方法作进一步说明。

实施例一：

如图2所示，本实施例的流程包括如下步骤：

步骤S200：输入超声图像序列；

以跟踪心脏的运动为例，需要输入的超声图像序列为心肌B型超声图像序列。选择合适的心脏切面进行扫描，调整探头角度及图像参数获得清晰的B型超声图像，选取要进行感兴趣区域跟踪的图像序列作为输入。

步骤S210：确定图像序列中的标准图像(以下将标准图像表示为I_std)；

标准图像可以是用户从图像序列中选择出的一幅图像，也可以是系统默认选择的一幅图像。例如，用户根据需要，在超声图像序列中，选定某一幅图像作为标准图像。本实施例中，用户选择图像序列中的第一幅图像作为标准图像；其他实施例中用户还可以选择图像序列中的其他图像作为标准图像。具体选定的方式可以是如在界面中输入该图像对应的时刻或该图像的编号，或者用户在图像放映过程中选定等现有方式，在此不作详细说明。另一些实施例中，系统默认设置图像序列中的某一幅图像为标准图像。

步骤S220：选定感兴趣区域ROI；

以心肌的B型超声图像序列为例，通常用户感兴趣的区域包括要跟踪、测量的目标组织(即心肌)，因此，用户根据需求，在标准图像中选定一个或多个ROI，这选定的区域为初始位置。具体选定的方式可以是如采用鼠标等输入设备在标准图像中对ROI进行点击或框选等现有方式，在此不作详细说明。

步骤S230：以标准图像所在的时刻点为起点，沿时间维度在正反方向跟踪ROI在图像序列的各幅图像中的对应位置；

可以理解，当标准图像为图像序列中的第一幅图像时，只沿时间维度的正向进行跟踪，当标准图像不为图像序列中的第一幅图像时，则是对整个图像序列进行时间维度的正向和/或反向两方向的感兴趣区域跟踪计算。

实施例中，为确保跟踪的准确性，每次的跟踪计算在相邻的两幅图像之间进行。以下以沿时间维度的正向方向为例，在被跟踪图像(以下称为当前图像，表示为I_t)中，对ROI进行感兴趣区域跟踪计算进行详细描述。以下将标准图像I_std中的感兴趣区域ROI的匹配区域表示为R_std。

假设此时已经获得当前图像相邻一幅已确定出感兴趣区域的图像的跟踪结果，由于此时为沿时间维度的正向方向，则当前图像的相邻一幅已确定出感兴趣区域的图像是当前图像的前一图像(表示为I_t-1)，设前一图像中已跟踪到的感兴趣区域的匹配区域为R_t-1，R_t为当前图像中的某个区域的匹配区域，根据前一图像I_t-1和标准图像I_std的信息构造能量函数E_t，公式为：

E_t＝α×f[I_t(R_t)，I_t-1(R_t-1)]+(1-α)×f[I_t(R_t)，I_std(R_std)]    (1)

公式(1)中，f为匹配函数，f[I_t(R_t)，I_t-1(R_t-1)]用于计算当前图像I_t中的某个区域的匹配区域R_t与前一图像I_t-1中已跟踪到的感兴趣区域的匹配区域R_t-1之间的匹配程度，f[I_t(R_t)，I_std(R_std)]用于计算当前图像I_t中的某个区域的匹配区域R_t与标准图像I_std的感兴趣区域的匹配区域R_std之间的匹配程度；α为权重系数，是介于0和1之间的经验值，决定着在能量函数E_t中，前一图像I_t-1和标准图像I_std对于匹配结果的影响大小：当α越大时，前一图像信息对于跟踪结果的影响越大，反之，标准图像信息对于跟踪结果的影响越大。

根据公式(1)的能量函数对当前图像I_t进行搜索，当前图像I_t中的感兴趣区域的位置(即匹配区域的位置，表示为R_tracking)即为：使能量函数E_t的计算值最小的那个区域的位置。

对于上述公式(1)，匹配函数f可以采用以下中的任一种或组合，以计算当前图像I_t中的某个区域的匹配区域R_t与当前图像的前一图像I_t-1中已跟踪到的感兴趣区域的匹配区域R_t-1之间的匹配程度f[I_t(R_t)，I_t-1(R_t-1)]为例：

①最小绝对值和(SAD，Sum of Absolute Difference)，公式如下：

$f[I_t\left(R_t\right),I_{t-1}\left(R_{t-1}\right)]=\underset{k=0}{\overset{N}{\mathrm{\Σ}}}|x_k-y_k|$

②最小平方误差和(SSD，Sum of Squared Difference)，公式如下：

$f[I_t\left(R_t\right),I_{t-1}\left(R_{t-1}\right)]=\underset{k=0}{\overset{N}{\mathrm{\Σ}}}{(x_k-y_k)}^2$

③最大互相关系数(CC，Correlation Coefficient)，公式如下：

$f[I_t\left(R_t\right),I_{t-1}\left(R_{t-1}\right)]=\frac{\underset{k=0}{\overset{N}{\mathrm{\Σ}}}(x_k-\stackrel{\‾}{x})(y_k-\stackrel{\‾}{y})}{\sqrt{\left(\underset{k=0}{\overset{N}{\mathrm{\Σ}}}{(x_k-\stackrel{\‾}{x})}^2\right)\left(\underset{k=0}{\overset{N}{\mathrm{\Σ}}}{(y_k-\stackrel{\‾}{y})}^2\right)}}$

④基于超声波噪声瑞利(Rayleigh)分布的最小差值和，公式如下：

$f[I_t\left(R_t\right),I_{t-1}\left(R_{t-1}\right)]=\underset{k=0}{\overset{N}{\mathrm{\Σ}}}\{x_k-y_k-\ln [\exp \left(2(x_k-y_k)\right)+1\left]\right\}$

以上各式中，R_t为当前图像I_t中的某个区域的匹配区域，x_k为匹配区域R_t中的一个像素点或体素点的灰度值，R_t-1为当前图像的前一图像I_t-1的已跟踪到的ROI，y_k为R_t-1中的一个像素点或体素点的灰度值，k＝0，...，N，

和分别为区域R_t和区域R_t-1的灰度均值。可以理解，用于计算当前图像I_t的某个区域的匹配区域与标准图像I_std的感兴趣区域的匹配区域R_std的匹配程度f[I_t(R_t)，I_std(R_std)]同样可以采用以上公式得到。

本例中是以沿时间维度正向进行跟踪，对于沿时间维度反向跟踪的过程与其类似，仅其中的跟踪方向相反。以时间顺序来说，当前图像对应的时刻为t，其相邻的已进行ROI跟踪的图像自然是前一幅图像(对应时刻为t-1)的信息，若是沿时间维度的反向进行跟踪，则其相邻的已进行感兴趣跟踪区域跟踪的图像自然是后一图像(对应时刻为t+1)的信息；因此，本例中利用前一图像的信息是相对而言的，是利用当前图像的相邻前一图像或是后一图像的信息，视跟踪方向而定。

本实施例中，构造的能量函数不仅包含了当前待跟踪图像的相邻图像(本例中为前一幅图像)信息，也包含了标准图像的图像信息，并采用权重系数调节两者的影响，使得在跟踪时考虑到了组织在超声图像中随时间变化的运动特性，即跟踪到感兴趣区域随时间变化的运动情况，从而获得了更加准确的ROI跟踪结果。

实施例二：

本实施例的流程仍如图2所示，与实施例一不同的是，本实施例在构造能量函数时，考虑到由于存在组织形变、消散等问题，为了进一步提高跟踪的准确性和稳定性，在构造能量函数时引入了基于ROI特征区域组织分布特性的权重分布函数，以提高感兴趣区域的权重，降低非感兴趣区域的权重。因此，本实施例构造的能量函数E_t的公式如下：

E_t＝W×{α×f[I_t(R_t)，I_t-1(R_t-1)]+(1-α)×f[I_t(R_t)，I_std(R_std)]}    (2)

公式(2)中，f、α、I_t、R_t、I_t-1、R_t-1、I_std、R_std这些参数的含义与实施例一相似，在此不再重述；W为基于感兴趣区域的特征的权重分布函数，根据ROI区域的匹配区域内组织分布不同，W可以是高斯分布、平均分布、阶跃分布、基于初始化区域亮度分布特征的归一化分布、以及基于这些分布的改进分布等其中的任一种或组合，以下为举例：

若为高斯分布时，权重分布函数W的公式可以是

其中，m、n为二维高斯函数的横纵坐标，σ为高斯函数的方差。

若为基于感兴趣区域的匹配区域内亮度分布特征的归一化分布时，权重分布函数W的公式为w(m，n)＝I(m，n)/I_R，其中，I(m，n)为该区域位置的图像灰度值，I_R为感兴趣区域R中的灰度之和。

公式(2)结合具体的匹配函数f，可以得到能量函数E_t计算的具体实现形式如下：

①匹配函数f采用最小绝对值和SAD时，能量函数E_t表示为：

$E_t=\underset{k=0}{\overset{N}{\mathrm{\Σ}}}\mathrm{\α}\×W\left(k\right)\×|x_k-y_k|+\underset{k=0}{\overset{N}{\mathrm{\Σ}}}(1-\mathrm{\α})\×W\left(k\right)\×|x_k-z_k|$

②匹配函数f采用最小平方误差和SSD时，能量函数E_t表示为：

$E_t=\underset{k=0}{\overset{N}{\mathrm{\Σ}}}\mathrm{\α}\×W\left(k\right)\×{(x_k-y_k)}^2+\underset{k=0}{\overset{N}{\mathrm{\Σ}}}(1-\mathrm{\α})\×W\left(k\right)\×{(x_k-z_k)}^2$

③匹配函数f采用最大互相关系数CC时，能量函数E_t表示为：

$E_t=\frac{\underset{k=0}{\overset{N}{\mathrm{\Σ}}}\mathrm{\α}\×W\left(k\right)\×(x_k-\stackrel{\‾}{x})(y_k-\stackrel{\‾}{y})}{\sqrt{\left(\underset{k=0}{\overset{N}{\mathrm{\Σ}}}{(x_k-\stackrel{\‾}{x})}^2\right)\left(\underset{k=0}{\overset{N}{\mathrm{\Σ}}}{(y_k-\stackrel{\‾}{y})}^2\right)}}+\frac{\underset{k=0}{\overset{N}{\mathrm{\Σ}}}(1-\mathrm{\α})\×W\left(k\right)\×(x_k-\stackrel{\‾}{x})(z_k-\stackrel{\‾}{z})}{\sqrt{\left(\underset{k=0}{\overset{N}{\mathrm{\Σ}}}{(x_k-\stackrel{\‾}{x})}^2\right)\left(\underset{k=0}{\overset{N}{\mathrm{\Σ}}}{(z_k-\stackrel{\‾}{z})}^2\right)}}$

④匹配函数f采用基于瑞利分布的最小差值和时，能量函数E_t表示为：

$E_t=\underset{k=0}{\overset{N}{\mathrm{\Σ}}}\mathrm{\α}\×W\left(k\right)\×\{x_k-y_k-\ln [\exp \left(2(x_k-y_k)\right)+1\left]\right\}+$

$\underset{k=0}{\overset{N}{\mathrm{\Σ}}}(1-\mathrm{\α})\×W\left(k\right)\×\{x_k-z_k-\ln [\exp \left(2(x_k-z_k)\right)+1\left]\right\}$

以上各式中，x_k为R_t中的一个像素点或体素点的灰度值，R_t为当前图像I_t中的某个区域的匹配区域；y_k为R_t-1中的一个像素点或体素点的灰度值，R_t-1为当前图像的前一图像I_t-1中的已跟踪到的ROI的匹配区域；z_k为R_std中的一个像素点或体素点的灰度值，R_std为标准图像的感兴趣区域ROI；k＝0，...，N；分别为区域R_t、区域R_t-1、区域R_std的灰度均值。

本实施例构造的能量函数，不仅包含了当前待跟踪图像的相邻图像(本例中为前一幅图像)信息，也包含了标准图像的图像信息，并采用权重系数调节两者的影响，同时，能量函数还采用了W(k)这种参数模板的匹配策略以提高对标准图像中感兴趣区域的匹配区域的特征的保留，使得在跟踪时不仅考虑到了组织在超声图像中随时间变化的运动特性，还考虑到存在组织形变、消散等问题，从而提高了ROI跟踪的稳定性。

实施例三：

如图3所示，本实施例在前述实施例一或实施例二的基础上，仍以沿时间维度的正向方向为例，增加了对跟踪结果的校正调整处理，其流程包括如下步骤：

步骤S300至步骤S330与实施例一或实施例二中的对应步骤相似，在此不再重述；

步骤S340：根据步骤S330获取的跟踪结果后，基于跟踪到的当前图像的感兴趣区域的匹配区域R_tracking与标准图像的感兴趣区域的匹配区域R_std，进行相似性计算；具体相似性计算的步骤如下：

步骤S341：根据匹配函数f(I_t(R_tracking)，I_std(R_std)，计算得到相似值th1(称之为第一相似值)；其中，匹配函数采用实施例一中的匹配函数公式。

步骤S342：判断th1是否大于等于第一预定阈值TH1，TH1为经实验统计得到的值，如果th1≥TH1，则转步骤S343，如果th1＜TH1，则转步骤S344；

步骤S343：此时th1≥TH1，判定跟踪结果R_tracking为最终的跟踪结果，即当前图像的感兴趣区域R_final＝R_tracking，且当前图像与标准图像之间的相似性为第一布尔值，这里，设第一布尔值等于假；

步骤S344：此时th1＜TH1，根据匹配函数f(I_t(R_std)，I_std(R_std)(同样地，该匹配函数采用实施例一中的匹配函数公式)，计算标准图像的感兴趣区域的匹配区域I_std(R_std)与当前图像中与标准图像中感兴趣区域位置相同的区域的匹配区域I_t(R_std)之间的相似性，得到相似值th2(称之为第二相似值)，将th2与第二预定阈值TH2(TH2为经实验统计得到的值)进行比较判断：

若th2≥TH2，则判定最终的跟踪结果为标准图像中的感兴趣区域R_std，即当前图像的感兴趣区域的匹配区域R_final＝R_std，且当前待跟踪图像与标准图像之间的相似性为第二布尔值，这里设第二布尔值等于真，

若th1＜TH2，则判定最终的跟踪结果为跟踪结果R_tracking，即当前图像的感兴趣区域的匹配区域R_final＝R_tracking，且当前图像与标准图像之间的相似性为第一布尔值(即为假)。

步骤S350：根据步骤S340的相似性判定结果，对跟踪结果进行校正。

当计算获得标准图像中感兴趣区域R_std在整个图像序列中的对应位置后，根据步骤S340的相似性判定结果，对图像序列的跟踪结果进行校正，以消除感兴趣区域在图像序列中消失-出现的现象所引起的跟踪错误。如图4所示，为对跟踪结果校正的示意图，图中，根据与标准图像进行相似性计算后，标记相似性判定为第二布尔值(即为真)的图像(对应时刻T＝t)，然后将被标记图像时刻点之前的、与之相邻的连续m幅图像(图中m＝1)的跟踪结果进行校正。具体校正方法有如下几种。

校正方法一：

该方法采用重新反向跟踪，具体而言，包括如下步骤：

步骤S351：根据步骤S340的相似性判定结果，标记相似性判定为第二布尔值的图像；如果相似性判断为第一布尔值，则不进行处理；

步骤S352：从被标记图像的跟踪结果开始，根据能量函数的公式即前述公式(1)或公式(2)，沿时间维度，对被标记图像时刻点之前的、与之相邻的连续m幅图像(m为经验值或根据实际情况设置的值)的跟踪结果进行重新跟踪，调整连续m幅图像的跟踪位置，以消除连续跟踪多帧图像后，跟踪误差累积所造成的错误；

步骤S353：对于两次(即校正前和校正后)跟踪的结果进行加权平均，将加权计算得到的结果R_t′作为最终跟踪到的感兴趣区域，加权公式为：

$R_t^{\′}=[1-a\left(t\right)]R_{1,t}+a\left(t\right)R_{2,t}---\left(3\right)$

式中，R_1，t为第一次(即校正前)的跟踪结果，R_2，t为第二次(即校正后)的跟踪结果，a(t)为加权系数，a(t)＝t/m，表示在靠近起始点时(即靠近被标定图像时)R_2，t的权重大，靠近结束点时(即远离被标定图像时)R_1，t的权重大，也就是说这里考虑到跟踪所得的位置越靠近起始点，其可信度越高。

校正方法二：

该方法采用线性变换实现，具体而言，根据步骤S340的相似性判定结果，对相似性判定为第二布尔值的图像进行标记，从被标记图像的跟踪结果开始，沿时间维度，校正被标定图像所在时刻点之前的、与之相邻的连续m幅图像的感兴趣区域的位置为：R_t-i＝i×(R_t-m-1-R_t)/(m+1)+R_t，其中R_t-i表示与被标记图像所在时刻t相邻的第i个时刻所对应的已进行过感兴趣区域跟踪计算的图像的感兴趣区域的位置，i≥1，即这m幅图像中的第i幅图像的感兴趣区域的位置，R_t为被标记图像的感兴趣区域的位置，R_t-m-1为被标记图像所在时刻t相邻的第m+1时刻所对应的已进行过感兴趣区域跟踪计算的图像的感兴趣区域的位置。这里的位置公式是指感兴趣区域的中心点的坐标，但可以理解，整个感兴趣区域中的像素点或体素点的坐标也是采用类似的公式进行校正。

应理解，上述步骤中相似性的第一布尔值和第二布尔值的取值(即“真”和“假”)是个相对的概念，只要第一布尔值不同于第二布尔值；也就是说，在存在第二布尔值的情况下才可能需要对跟踪结果进行校正。

本实施例的优点涵盖了前述实施例一或实施例二的优点，且还基于当前待跟踪图像与标准图像的相似性，对当前待跟踪图像及其相邻的若干连续幅图像的结果进行了调整，从而解决了由于旋转、扭转等运动造成的跟踪不准确等问题，保证了跟踪算法的稳定性和准确度。

实施例四：

在前述实施例一或实施例二或实施例三的基础上，检测操作者(即用户)在被跟踪图像上的动作，将跟踪到的感兴趣区域移动到操作者选定的目标位置上。实际操作中，用户可以根据跟踪结果与实际目测的感兴趣区域的位置进行对比，判断是否需要进行手动调整，对于个别不理想的结果，可以手动调整跟踪结果，得到理想的感兴趣区域ROI运动轨迹曲线。手动调整的方式可以是如用鼠标等输入设备将重新选取ROI等现有方式，在此不作详细说明。

根据上述各实施例的方法，可以将图像序列中的所有图像依次进行ROI跟踪，在B型超声图像中比较准确地跟踪心脏的运动区域，如心室壁、室间隔等。另外，基于当前待跟踪图像与标准图像的相似性，对当前待跟踪图像及与之相连的若干幅图像的跟踪结果进行校正调整，可以解决由于旋转、扭转等运动造成的跟踪不准确等问题，保证跟踪算法的稳定性和准确度。基于跟踪得到的ROI在图像序列中的位置，可以直接计算得到ROI中组织(如心肌)的运动信息，如速度、速度梯度、位移、以及应变、应变率等生理参数，具体计算方法可采用现有技术，在此不作详细说明。

本发明实施例在用户设定感兴趣区域后，根据图像序列的信息来跟踪感兴趣区域随时间变化的运动情况。由于人体被成像器官(心脏)的运动比较复杂，组织(如心肌)会出现进出成像平面、不同组织的图像混叠干扰等现象，以及长时间跟踪后跟踪误差的不断累积等，现有的跟踪算法在遇到这些问题时，跟踪结果容易不准确甚至错误。本发明实施例针对这些问题，提出基于时间维度上的组织运动信息，利用如周期性、短时间隔内的运动位移较小等特征，对超声图像的跟踪算法进行改进，以提高跟踪的准确度和稳定性。

此外，各实施例方法可应用在组织多普勒成像(TDI，Tissue Doppler Imaging)中，通过基于ROI变化的位置信息来提取对应位置的多普勒信息，从而准确地计算出同一组织(如心肌)的运动参数；进而，根据所计算得到的运动及生理参数等信息，可以进行如心肌运动的定量分析测量，为临床心脏疾病等的诊断提供便捷有力的工具。同时，各实施例的方法也可以用于造影图像序列中，对选取的感兴趣区域进行跟踪，在整个图像序列中的实际位置进行校正，从而可以获取更为准确的造影定量计算结果，提高检测方法的精确性和可靠性。

本领域技术人员应理解，采用上述方法跟踪到感兴趣区域ROI并根据ROI计算得到相关参数后，可以同步输出显示图像、感兴趣区域及相关参数。此外，各实施例所指的图像序列，不仅包括二维图像序列，还包括三维图像序列，相应的公式随图像序列的类型进行适应性的变化。另外，虽然实施例中是沿时间维度正向中的一个ROI的自动跟踪过程，对于沿时间维度反向跟踪的过程与其类似，仅其中的跟踪方向相反，且，还可以选择多个ROI进行跟踪，利用实施例的跟踪算法，可以得到多个ROI的运动参数，从而比较不同位置组织(如心肌)在不同时相的定量运动信息。

上述实施例只是本发明的举例，尽管为说明目的公开了本发明的最佳实施例和附图，但是本领域的技术人员可以理解：在不脱离本发明及所附的权利要求的精神和范围内，各种替换、变化和修改都是可能的。因此，本发明不应局限于最佳实施例和附图所公开的内容。

Claims (18)

1.一种对超声图像中感兴趣区域进行跟踪的方法，其特征在于，包括：

检测操作者在标准图像上选择的区域，将该区域确定为待跟踪的感兴趣区域；

对标准图像所在图像序列中的某一幅图像进行感兴趣区域跟踪计算，所述感兴趣区域跟踪计算包括：基于标准图像的感兴趣区域的匹配区域的信息和该被跟踪图像的相邻一幅已确定出感兴趣区域的图像中的感兴趣区域的匹配区域的信息构造能量函数，根据所述能量函数在该被跟踪图像进行搜索，该被跟踪图像中使得能量函数的计算值最小的匹配区域的位置为跟踪到的感兴趣区域的位置。

2.如权利要求1所述的方法，其特征在于，所述能量函数是基于被跟踪图像中的某个区域的匹配区域与所述标准图像的感兴趣区域的匹配区域之间的匹配程度、以及被跟踪图像中该区域的匹配区域与该被跟踪图像的相邻一幅已确定出感兴趣区域的图像中的感兴趣区域的匹配区域之间的匹配程度进行构造。

3.如权利要求1或2所述的方法，其特征在于，某一感兴趣区域的匹配区域是仅与该感兴趣区域的位置有关且仅用于感兴趣区域跟踪计算的区域。

4.如权利要求1至3任一项所述的方法，其特征在于，能量函数的公式包括：

E_t＝α×f[I_t(R_t)，I_t-1(R_t-1)]+(1-α)×f[I_t(R_t)，I_std(R_std)]

式中，E_t为能量函数，α为介于0和1之间的权重系数，f为匹配函数，f[I_t(R_t)，I_t-1(R_t-1)]表示所述被跟踪图像I_t的某个区域的匹配区域R_t与所述被跟踪图像的相邻一幅已确定出感兴趣区域的图像I_t-1中已跟踪到的感兴趣区域的匹配区域R_t-1之间的匹配程度，f[I_t(R_t)，I_std(R_std)]表示所述被跟踪图像I_t的某个区域的匹配区域R_t与所述标准图像I_std的感兴趣区域的匹配区域R_std之间的匹配程度。

5.如权利要求4所述的方法，其特征在于，所述匹配函数采用最小绝对值和、最小平方误差和、最大互相关系数以及基于瑞利分布的最小差值和之中的任一种或组合。

6.如权利要求1至3任一项所述的方法，其特征在于，所述能量函数的公式包括：

E_t＝W×{α×f[I_t(R_t)，I_t-1(R_t-1)]+(1-α)×f[I_t(R_t)，I_std(R_std)]}

式中，E_t为能量函数，W为基于感兴趣区域的特征的权重分布函数，α为介于0和1之间的权重系数，f为匹配函数，f[I_t(R_t)，I_t-1(R_t-1)]为所述被跟踪图像I_t的某个区域的匹配区域R_t与所述被跟踪图像的相邻一幅已确定出感兴趣区域的图像I_t-1中已跟踪到的感兴趣区域的匹配区域R_t-1之间的匹配函数，f[I_t(R_t)，I_std(R_std)]为所述被跟踪图像I_t的某个区域的匹配区域R_t与所述标准图像I_std的感兴趣区域的匹配区域R_std之间的匹配函数。

7.如权利要求6所述的方法，其特征在于，所述匹配函数采用最小绝对值和、最小平方误差和、最大互相关系数以及基于瑞利分布的最小差值和之中的任一种或组合；所述权重分布函数采用高斯分布、平均分布、阶跃分布以及基于标准图像的感兴趣区域的亮度分布特性的归一化分布之中的任一种或组合。

8.如权利要求1至7任一项所述的方法，其特征在于，还包括：检测操作者在所述被跟踪图像上的动作，将跟踪到的感兴趣区域移动到操作者选定的目标位置。

9.如权利要求1至7任一项所述的方法，其特征在于，还包括：

根据被跟踪图像的感兴趣区域的匹配区域和所述标准图像的感兴趣区域的匹配区域，进行相关性判定，得到第一布尔值或第二布尔值；

当相似性判定为所述第二布尔值时，对与所述第二布尔值对应的图像进行标记，将与被标记图像相邻的若干幅已经过所述感兴趣区域跟踪计算的图像的跟踪结果进行校正以得到最终的跟踪结果。

10.如权利要求9所述的方法，其特征在于，所述相关性判定包括：

计算被跟踪图像的感兴趣区域的匹配区域与标准图像的感兴趣区域的匹配区域之间的相似性，得到第一相似值；

判断所述第一相似值是否大于等于第一预定阈值，如果所述第一相似值大于等于所述第一预定阈值，则判定被跟踪图像的感兴趣区域为最终的跟踪结果，且被跟踪图像与标准图像之间的相似性为第一布尔值；如果所述第一相似值小于第一预定阈值，则

计算标准图像的感兴趣区域的匹配区域与被跟踪图像中与所述标准图像的感兴趣区域的位置相同的区域之间的相似性，得到第二相似值；

判断所述第二相似值是否大于等于第二预定阈值，如果所述第二相似值大于等于所述第二预定阈值，则判定被跟踪图像的感兴趣区域为标准图像的感兴趣区域，且被跟踪图像与标准图像之间的相似性为第二布尔值；如果所述第二相似值小于所述第二预定阈值，则判定被跟踪图像的感兴趣区域为最终的跟踪结果，且被跟踪图像与标准图像之间的相似性为第一布尔值。

11.如权利要求10所述的方法，其特征在于，相似性的计算采用最小绝对值和、最小平方误差和、最大互相关系数以及基于瑞利分布的最小差值和中的任一种或组合。

12.如权利要求9至11任一项所述的方法，其特征在于，所述校正包括：

将与被标记图像相邻的若干幅已经过所述感兴趣区域跟踪计算的图像的跟踪结果定为第一次跟踪结果；

以所述被标记图像所在时刻点为起点，沿时间维度，根据所述能量函数对与所述被标记图像相邻的若干幅已经经过所述感兴趣区域跟踪计算的图像进行重新跟踪，得到第二次跟踪结果；

对所述第一次跟踪结果和所述第二次跟踪结果进行加权，加权后得到的结果为最终的跟踪结果，所述加权采用的公式为：

式中，

为时刻点t对应的图像的最终的跟踪结果，R_1，t为所述第一次跟踪结果，R_2，t为所述第二次跟踪结果，a(t)为加权系数，a(t)＝t/m，m为所述连续若干幅已经过所述感兴趣区域跟踪计算的图像的幅数。

13.如权利要求9至11任一项所述的方法，其特征在于，所述校正包括：

以所述被标记图像所在时刻点为起点，沿时间维度，对与所述被标记图像相邻的若干幅已经过所述感兴趣区域跟踪计算的图像的跟踪结果进行调整，调整公式为R_t-i＝i×(R_t-m-1-R_t)/(m+1)+R_t，其中，m为所述连续若干幅已经过所述感兴趣区域跟踪计算的图像的幅数，R_t为所述被标记图像的感兴趣区域的位置，R_t-m-1为与被标记图像所在时刻t相邻的第m+1时刻所对应的已进行过感兴趣区域跟踪计算的图像的感兴趣区域的位置，R_t-i表示与所述被标记图像所在时刻t相邻的第i时刻所对应的已进行过感兴趣区域跟踪计算的图像的感兴趣区域的位置，i≥1。

14.如权利要求1至13任一项所述的方法，其特征在于，所述标准图像包括用户从图像序列中选择出的一幅图像或系统默认指定的一幅图像。

15.一种对超声图像中感兴趣区域进行的装置，其特征在于，包括：

选择模块，用于检测操作者在标准图像上选择的区域，将该区域确定为待跟踪的感兴趣区域；

跟踪计算模块，用于对标准图像所在图像序列中的某一幅图像进行感兴趣区域跟踪计算，所述感兴趣区域跟踪计算包括：基于标准图像的感兴趣区域的匹配区域的信息和该被跟踪图像的相邻一幅已确定出感兴趣区域的图像中的感兴趣区域的匹配区域的信息构造能量函数，根据所述能量函数对该被跟踪图像进行搜索，该被跟踪图像中使得能量函数的计算值最小的匹配区域的位置为跟踪到的感兴趣区域的位置。

16.如权利要求15所述的装置，其特征在于，所述能量函数是基于被跟踪图像中的某个区域与所述标准图像的感兴趣区域之间的匹配程度、以及被跟踪图像中该区域与该被跟踪图像的相邻一幅已确定出感兴趣区域的图像中的感兴趣区域之间的匹配程度进行构造。

17.如权利要求15或16所述的装置，其特征在于，还包括：

相关性判定模块，用于根据被跟踪图像的感兴趣区域的匹配区域和所述标准图像的感兴趣区域的匹配区域，进行相关性判定，得到第一布尔值或第二布尔值；

校正模块，用于对相似性判定为所述第二布尔值所对应的图像进行标记，将与被标记图像相邻的若干幅已经过所述感兴趣区域跟踪计算的图像的跟踪结果进行校正以得到最终的跟踪结果。

18.一种超声成像系统，其特征在于，包括如权利要求15至17任一项所述的对超声图像中感兴趣区域进行跟踪的装置。

Images