CN103839048B - 基于低秩分解的胃部ct图像淋巴结识别系统和方法 - Google Patents
基于低秩分解的胃部ct图像淋巴结识别系统和方法 Download PDFInfo
- Publication number
- CN103839048B CN103839048B CN201410060322.5A CN201410060322A CN103839048B CN 103839048 B CN103839048 B CN 103839048B CN 201410060322 A CN201410060322 A CN 201410060322A CN 103839048 B CN103839048 B CN 103839048B
- Authority
- CN
- China
- Prior art keywords
- region
- area
- sequence
- frame
- lymph node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于低秩分解的胃部CT图像淋巴结识别系统和方法,首先根据淋巴结的空间位置和形状特征提取出单幅图像中的疑似淋巴结,然后针对淋巴结和血管难以区分的问题,对每个疑似淋巴结构造局部自适应窗口,根据窗口大小,如果大于11*11,提出基于decolor低秩模型的淋巴结跟踪识别方法,得到疑似淋巴结的起始帧和终止帧,依据首尾帧和面积最大帧的局部区域面积变化来判断是否是淋巴结;如果小于11*11,提出基于区域重叠的淋巴结跟踪识别方法,得到疑似淋巴结的跟踪序列,如序列长度大于10,依据相关特征进行血管的判定,如序列长度小于10,依据相关特征进行淋巴结的判定。本发明能自动有效地识别胃部CT图像中的淋巴结。
Description
技术领域
本发明属于图像处理技术领域,特别是涉及医疗检测系统,可用于医学影像的淋巴结识别及其辅助诊断,具体涉及一种基于低秩分解的胃部CT图像淋巴结识别系统和方法。
背景技术
胃癌是我国最常见的恶性肿瘤之一,2010年卫生统计年鉴显示,我国胃癌的发病率和致死率都仅次于肺癌,位于第二位,每年我国新增胃癌病例有40万之多,而每年由于胃癌死亡的人数在30万,占所有恶性肿瘤死亡人数的23%,死亡率极高。临床中,CT影像是胃癌诊断所依靠的一个主要工具。传统意义上,医生得到病人的CT切片后进行分析,通过发生癌变的淋巴结数目以及大小等信息判断病人的N分期,然后依据判断结果进行手术制定相应的手术方案,但是这种方式费时费力,而且结果非常依赖于医生的专业水平和临床经验。近年来,随着计算机技术的发展,使得我们可以通过计算机来对医学影像进行处理,辅助医生的诊断。对于胃部CT影像,我们从中最需要了解的是淋巴结的分布,大小等信息,因此研究计算机辅助技术检测胃部CT图像的淋巴结具有很大的应用需求。
由于CT影像相比于乳腺X线影像等组织更为复杂,里面包含的组织多样,各组织之间的边界模糊,而我们感兴趣的淋巴结相对其他组织非常小,这都给胃部CT影像的研究带来了很多困难,目前对胃部CT影像的研究工作仍然处于初期阶段。
西安电子科技大学申请的专利“无监督分割的胃部CT图像淋巴结自动辅助检测系统”(申请号:CN201310029539,公开号CN103106408A)公开了一种无监督分割的胃部CT图像淋巴结自动辅助检测系统,主要解决了胃部CT图像中感兴趣区域和疑似淋巴结区域自动获取存在漏检区域或遗留无关信息过多的问题。该系统的不足在于跟踪所采用的质心跟踪过于简单,不能有效的跟踪到所有提取出的疑似淋巴结,而且对于淋巴结的判别依赖于长度并不准确,同时也没有进行淋巴结和血管的区分。
发明内容
本发明的目的在于针对现有的胃部CT淋巴结识别系统中目标跟踪不准确以及淋巴结血管区分没有区分等问题,提出一种基于低秩分解的胃部CT图像淋巴结识别系统和方法,可以准确的完成目标的跟踪并将淋巴结和血管区分开来。
为实现上述目的,本发明提一种基于低秩分解的胃部CT图像淋巴结识别系统,
包括:
单帧目标提取模块,用于在序列图的每一帧上提取出疑似淋巴结,并对所有疑似淋巴结构造局部自适应窗口;
与单帧目标提取模块链接的局部自适应窗口排序模块,用于对序列图上的所有疑似淋巴结的局部自适应窗口依据面积排序;
与局部自适应窗口排序模块链接的低秩跟踪模块和区域重叠跟踪模块,其中,低秩跟踪模块用于对大疑似淋巴结在局部区域构造观测矩阵,利用低秩模型进行矩阵分解,得到背景序列和前景序列,在背景序列中快速确定序列首尾帧位置,并对首尾帧位置进行细微调整,最后基于首尾帧和当前帧的区域面积变化来进行淋巴结的判断,区域重叠跟踪模块用于对小疑似淋巴结通过区域重叠匹配跟踪来得到小疑似淋巴结的完整跟踪序列,然后对于长序列依据面积和位移特征识别血管,对于短序列依据面积变化识别淋巴结;
与低秩跟踪模块和区域重叠跟踪模块链接的结果输出模块,用于将识别出的结果在原序列图上标注输出。
所述的单帧目标提取模块依次包括:
预处理子模块,用于对初始图像进行预处理,去掉无关区域,得到预处理图;
与预处理子模块链接的基于最大类间方差的多阈值分割子模块,用于将预处理图分为4类,得到背景图,脂肪图,脏器淋巴结图,高亮图;
与基于最大类间方差的多阈值分割子模块链接的区域特征计算子模块,用于对脏器淋巴结区域图中的每一个区域R,计算区域面积A,区域浸润于脂肪区域的浸润率I,区域的圆形性E,区域的凹凸度C,其中,区域浸润于脂肪区域的浸润率I定义为区域R的外边界与脂肪区域交集像素个数除以外边界总像素个数,区域的圆形性E定义为区域质心到边界的平均距离除以区域质心到边界点距离的均方差,区域的凹凸度C定义为区域面积除以区域外接凸多边形的面积;
与区域特征计算子模块链接的疑似淋巴结提取子模块,用于在脏器淋巴结图中将同时满足区域面积A>5,区域浸润率I=1,区域圆形性E>t1,区域凹凸度C>t2的区域提出出来,得到待跟踪的目标图,其中t1由所有区域进行直方图统计得到,t2取经验值0.8;
与疑似淋巴结提取子模块链接的局部自适应窗口构造子模块,用于对疑似淋巴结以质心为中心,外接矩形为边界构造局部自适应窗口。
所述的低秩跟踪模块包括:
观测矩阵构建子模块,用于以当前帧为中心在固定的局部区域向前向后各取长度为l的局部图像构建观测矩阵D,D=[Dleft,Dcur,Dright],其中Dleft由在当前帧向前连续取l帧,截取局部区域,拉成一列后构成,Dcur由将当前帧局部区域拉成一列复制cl份后构成,Dright由在当前帧向后连续取l帧,截取局部区域,拉成一列后构成,l取值15,cl取值30;
与观测矩阵构建子模块链接的基于低秩模型的矩阵分解子模块,用于通过低秩模型对观测矩阵D进行低秩分解,得到背景序列B和前景序列S,其中,所用的低秩模型为D为观测矩阵,B是低秩的背景部分,S是前景支撑,ε是一个图结构,ε=(V,E),其中V是所有像素点构成的点,E为同在前景上的像素连接成的边;
与基于低秩模型的矩阵分解子模块链接的初始首尾帧确定子模块,用于对背景序列B中计算每一列的方差,得到v=[vleft,vcur,vright],计算vleft中方差小于t的帧序号,将序号最大的标记为初始起始帧start,计算vright中方差小于t的帧序号,将序号最小的标记为初始终止帧end;
与初始首尾帧确定子模块链接的首尾帧调整子模块,用于计算start附近3帧的区域面积,选取其中最小的为调整后的起始帧start,计算end附近3帧的区域面积,选取其中最小的为调整后的终止帧;
与首尾帧调整子模块链接的淋巴结识别子模块,用于对跟踪的疑似淋巴结依据首尾帧与当前帧的局部区域面积变化来判别其是否是淋巴结。
所述的区域重叠跟踪模块依次包括:
前向跟踪子模块,用于通过两次区域重叠的方式从当前帧向前进行目标的匹配,第一次匹配是作用于单帧目标提取模块提取出的疑似淋巴结目标图上,如果第一次匹配成功,则更新目标,如果不成功则进行第二次匹配,第二次匹配是作用于单帧目标提取模块所得到的脏器淋巴结图像上,如果第二次匹配成功则进行判断目标是否可信,不可信的话给出预测值,如果第二次匹配失败则终止跟踪,通过迭代最终得到待跟踪目标向前的序列;
与前向跟踪子模块链接的后向跟踪子模块,用于通过两次区域重叠的方式从当前帧向后进行目标的匹配,第一次匹配是作用于单帧目标提取模块提取出的疑似淋巴结目标图上,如果第一次匹配成功,则更新目标,如果不成功则进行第二次匹配,第二次匹配是作用于单帧目标提取模块所得到的脏器淋巴结图像上,如果第二次匹配成功则进行判断目标是否可信,不可信的话给出预测值,如果第二次匹配失败则终止跟踪,通过迭代最终得到待跟踪目标向后的序列,结合前向跟踪子模块得到目标的完整跟踪序列。
与后向跟踪子模块链接的基于面积变化的淋巴结识别子模块和基于位移和面积特征的血管识别子模块,其中,基于面积变化的淋巴结识别子模块用于对长度小于等于10的跟踪序列,计算序列中相邻帧之间的面积变化,求取所有的面积变化平均值,将平均变化值大于5的序列确定为淋巴结序列,将相应的疑似淋巴结标记为淋巴结,基于位移和面积特征的血管识别子模块用于对长度大于10的跟踪序列,计算其序列中首尾帧之间的位移变化,计算序列中相邻帧之间的面积变化,求取所有的面积变化平均值,将位移变化大于5并且面积变化平均值小于等于5的序列确定为血管序列,将相应的疑似淋巴结标记为血管;
一种基于低秩分解的胃部CT图像淋巴结识别系统的识别方法,包括如下步骤:
步骤1,单帧目标提取
1.1)输入一幅待检测图像F,预处理去掉无关区域,然后进行多阈值分割,得到背景图,脂肪图,脏器淋巴结图F1,高亮图;
1.2)对F1中每一个区域R,计算区域面积A,区域浸润于脂肪区域的浸润率I,区域的圆形性E,区域的凹凸度C,其中,区域浸润于脂肪区域的浸润率I定义为区域R的外边界与脂肪区域交集像素个数除以外边界总像素个数,区域的圆形性E定义为区域质心到边界的平均距离除以区域质心到边界点距离的均方差,区域的凹凸度C定义为区域面积除以区域外接凸多边形的面积;
1.3)将F1中同时满足A>5,I=1,E>t1,C>0.8的区域作为疑似淋巴结区域,得到待跟踪的目标图像F2,其中t1由F1中所有区域的圆形性经过直方图统计得出;
1.4)对每一个疑似淋巴结以其质心为中心,外接矩形为边界构造局部自适应窗口;
1.5)若序列图处理完毕,则转步骤2,否则,转1.1);
步骤2,局部自适应窗口排序
2.1)将所有帧的所有疑似淋巴结的局部自适应窗口依据面积从大到小排序,得到待跟踪的疑似淋巴结集合Objs=(O1,O2,...On),其中目标集合Objs按区域大小降序排列;
步骤3,基于低秩模型的淋巴结跟踪识别
3.1)从Objs中取一个未跟踪疑似淋巴结O,记O所在帧号为cur,若O局部自适应窗口大小大于11×11,转3.2),否则转步骤4;
3.2)记待跟踪目标O所在局部窗口为W,在原图上向前取l帧,即取cur-l到cur-1帧,在每一帧上截取同样的窗口W,将局部窗口像素拉成一列,得到Dleft,将当前帧的窗口像素拉成一列,并复制cl份,得到Dcur,向后取l帧,即取cur+1到cur+l帧,在每一帧上截取同样的窗口W,将局部窗口像素拉成一列,得到Dright,3部分共同组成观测矩阵D,实验中l取值15,cl取值30;
3.3)通过低秩模型对观测矩阵D进行分解,得到背景序列B和前景序列S,
其中,所用的低秩模型为
D为观测矩阵,B是低秩的背景部分,S是前景支撑,ε是一个图结构,ε=(V,E),其中V是所有像素点构成的点,E为同在前景上的像素连接成的边;
3.4)对于背景序列B,计算每一列元素的方差,得到v=[vleft,vcur,vright],计算vleft中方差小于t的帧序号,将序号最大的标记为初始起始帧start,计算vright中方差小于t的帧序号,将序号最小的标记为初始终止帧end;
3.5)在起始帧start前3帧计算每一帧中的目标面积,选取其中最小的作为调整后的起始帧start,在终止帧end后3帧计算每一帧中的目标面积,选取其中最小的作为调整后的终止帧end;
3.6)计算起始帧start和当前帧cur在疑似淋巴结O所在区域的面积变化率r1,计算终止帧end和当前帧cur在O所在区域的面积变化率r2,若r1<0.5并且r2<0.5,则标记疑似淋巴结O为淋巴结;
3.7)在集合Objs中将已经被O所跟踪到的元素标记为已跟踪;
3.8)如果集合Objs中还有未跟踪的元素,转3.1),否则转步骤5;
步骤4,基于区域重叠的淋巴结跟踪识别
4.1)前向跟踪
4.1.1)初始化一个不可信的区域集temp={},初始化前向序列长度lfore=0,初始化前向跟踪序列seqfore={};
4.1.2)取前一帧对应的目标区域图Fpre,对Fpre与O做与运算,得到重叠的区域Dinsect,若Dinsect非空,通过形态学重构得到Dinsect在Fpre中的完整区域,若得到多个连通区域,计算每一个区域质心到O的质心的距离,选其中距离最小的一个区域,即为前一帧中与O对应的疑似淋巴结Opre,向前加入序列seqfore,seqfore={Opre,seqfore},转4.1.6),若Dinsect为空,转4.1.3);
4.1.3)取前一帧对应的二值脏器淋巴结图Gpre,对Gpre与O做与运算,得到重叠的区域Iinsect,若Iinsect非空,通过形态学重构得到Iinsect在Fpre中的完整区域,若得到多个区域,计算每一个区域质心到O的质心的距离,选其中距离最小的一个区域,暂记为前一帧中与O对应的目标Opre;
4.1.4)计算O的面积,记为Area(O),计算O的质心,记为(x,y),计算Opre的面积,记为Area(Opre),计算Opre的质心,记为(xpre,ypre),计算面积比例a=max(Area(O),Area(Opre))/min(Area(O),Area(Opre)),计算位移变化若a<4并且d<3,将Opre向前加入序列seqfore,seqfore={Opre,seqfore},清空temp,temp={},若a≥4或者d≥3,认为Opre与其他区域发生粘连,属于不可信的区域,将Opre加入不可信的区域集temp前面,temp={Opre,temp},用当前的目标区域O来代替Opre,Opre=O,向前加入序列seqfore,seqfore={Opre,seqfore};
4.1.5)记temp长度为ltemp,若ltemp大于等于3,清空temp,temp={},删除seqfore中最开始的ltemp帧,转4.2),否则转4.1.6),
4.1.6)更新O为Opre,更新lfore=lfore+1,若lfore>=30,转4.2),否则,转4.1.2);
4.2)后向跟踪
4.2.1)初始化一个不可信的区域集temp={},初始化后向序列长度lback=0,初始化后向跟踪序列seqback={};
4.2.2)取后一帧对应的二值疑似淋巴结区域图Fback,对Fback与O做与运算,得到重叠的区域Dinsect,若Dinsect非空,通过形态学重构得到Dinsect在Fback中的完整区域,若得到多个连通区域,计算每一个区域质心到O的质心的距离,选其中距离最小的一个区域,即为后一帧中与O对应的疑似淋巴结Onext,向后加入序列seqback,seqback={seqback,Onext},转4.2.6),若Dinsect为空,转4.2.3);
4.2.3)取后一帧对应的二值脏器淋巴结图Gnext,对Gnext与O做与运算,得到重叠的区域Iinsect,若Iinsect非空,通过形态学重构得到Iinsect在Gnext中的完整区域,若得到多个区域,计算每一个区域质心到O的质心的距离,选其中距离最小的一个区域,暂记为后一帧中与O对应的目标Onext;
4.2.4)计算O的面积,记为Area(O),计算O的质心,记为(x,y),计算Onext的面积,记为Area{Onext},计算Onext的质心,记为(xnext,ynext),计算面积比例a=max(Area(O),Area(Onext))/min(Area(O),Area(Onext)),计算位移变化若a<4并且d<3,将Onext向后加入序列seqback,seqback={seqback,Onext},清空temp,temp={},若a≥4或者d≥3,认为Onext与其他区域发生粘连,属于不可信的区域,将Onext加入不可信的区域集temp前面,temp={temp,Onext},用当前的目标O来代替Onext,Onext=O,向后加入序列seqback,seqback={seqback,Onext};
4.2.5)若temp长度为ltemp,若ltemp大于等于3,清空temp,temp={},删除seqfore中最后面的ltemp帧,转4.2),否则转4.2.6);
4.2.6)更新O为Opre,更新lfore=lfore+1,若lfore>=30,转4.3),否则,转4.2.2);
4.3)合并跟踪序列,将4.1)和4.2)得到的序列合并,得到目标O的完整跟踪序列seq,seq={seqfore,O,seqback};
4.4)如果序列seq长度大于10,转4.5),否则转4.6);
4.5)记序列seq长度为n,计算seq起始帧疑似淋巴结的质心坐标(x1,y1),计算终止帧疑似淋巴结质心坐标(x2,y2),计算首尾帧的位移变化计算每一帧的疑似淋巴结面积得到面积序列areaseq={a1,a2,...an},从第二帧到终止帧依次计算其与前一帧的面积差,得到面积差序列areaDifSeq={a2-a1,a3-a2,...an-an-1},求取面积平均变化值averAreaDif=sum(abs(areaDifSeq))/n,若dist>5并且averAreaDif≤5,确定seq为血管序列,相应的疑似淋巴结标记为血管;
4.6)记序列seq长度为n,计算每一帧的疑似淋巴结面积得到面积序列areaseq={a1,a2,...an},从第二帧到终止帧依次计算其与前一帧的面积差,得到面积差序列areaDifSeq={a2-a1,a3-a2,...an-an-1},求取面积平均变化值averAreaDif=sum(abs(areaDifSeq))/n,若averAreaDif大于5,确定seq为淋巴结序列,相应的疑似淋巴结标记为淋巴结;
4.7)如果集合Objs中还有未跟踪的元素,转4.1),否则转步骤5;
步骤5,结果输出
5.1)将低秩跟踪和区域重叠跟踪识别出的所有淋巴结在原图相应帧相应位置进行标注,然后输出。
本发明具有以下优点:
第一,本发明在单帧目标检测阶段除了利用疑似淋巴结的空间位置信息及灰度特征,还结合了其形状特征,去除了尽可能多的无关区域,极大的方便了后续的跟踪处理;
第二,本发明在跟踪阶段没有从第一帧开始依次向后跟踪,而是采用了从最大区域开始跟踪的方式,这种跟踪方式更符合医生的习惯。
第三,本发明在跟踪阶段根据淋巴结和血管的特性,将所有待跟踪疑似淋巴结依据大小采用不同的方法进行跟踪,对于大于11×11的疑似淋巴结采用了在局部区域中运用低秩模型进行建模分析,能够快速的确定其首尾帧位置,得到跟踪序列,对于小于11×11的疑似淋巴结采用了区域重叠的方式进行跟踪,得到其跟踪序列,两种跟踪方法都在一定程度上可以解决由于前期提取失败导致的跟踪中断问题;
第四,本发明在淋巴结和血管的分类识别阶段没有依赖于长度,对于大于11×11的疑似淋巴结是依据首尾帧与当前帧的区域变化进行淋巴结判别,对于小于11×11的疑似淋巴结按跟踪序列长度分别处理,对于长序列依据位移变化识别血管,对于短序列依据面积变化识别出淋巴结。
仿真实验结果表明,本发明提出的基于低秩分解的胃部CT图像淋巴结识别系统和方法能在有效地对所有疑似淋巴结进行准确的跟踪,进而较为准确的识别出其中的淋巴结。
附图说明
图1是本发明的结构框图;
图2是本发明实现方法单帧检测部分的流程图;
图3是本发明实现方法跟踪部分的流程图;
图4是本发明的一幅待检测图像F;
图5是本发明对待检测图像进行单帧目标提取后得到的图像;
图6是本发明一个待跟踪大目标对应的初始局部序列图S1;
图7是本发明对初始局部序列图S1中当前帧复制后得到的局部序列图S2;
图8是本发明对图7中的局部序列图S2进行低秩分解后得到的背景序列图;
图9是本发明对图7中的局部序列图S2进行低秩分解后得到的前景序列图;
图10是本方面对图8的背景序列基于方差求出的初始首尾帧示意图;
图11是本发明对初始首尾帧进行调整后得到的新的首尾帧示意图;
图12是本发明通过低秩跟踪得到的一个面积较大的淋巴结的序列图;
图13是本发明通过区域重叠跟踪得到的一个面积较小的淋巴结的序列图;
图14是本发明得到的一个血管的跟踪序列图;
图15是本发明的最终识别结果图。
具体实施方式
下面结合附图对本发明做进一步描述。
参照图1,本发明基于低秩分解的胃部CT图像淋巴结识别系统,包括单帧目标检测模块、局部自适应窗口排序模块、低秩跟踪模块、区域重叠跟踪模块、结果输出模块,其中:
单帧目标提取模块,用于在序列图的每一帧上提取出疑似淋巴结,并对所有疑似淋巴结构造局部自适应窗口;
局部自适应窗口排序模块,用于对序列图上的所有疑似淋巴结的局部自适应窗口依据面积排序;
低秩跟踪模块,用于对大疑似淋巴结在局部区域构造观测矩阵,利用低秩模型进行矩阵分解,得到背景序列和前景序列,在背景序列中快速确定序列首尾帧位置,并对首尾帧位置进行细微调整,最后基于首尾帧和当前帧的区域变化来进行淋巴结的判断;
区域重叠跟踪模块,用于对小疑似淋巴结通过区域重叠匹配跟踪来得到小疑似淋巴结的完整跟踪序列,然后对于长序列依据位移变化识别血管,对于短序列依据面积变化识别淋巴结;
结果输出模块,用于将识别出的结果在原序列图上标注输出。
参照图1,所述的单帧目标检测模块,包括预处理子模块,基于最大类间方差的多阈值分割子模块,区域特征计算子模块,疑似淋巴结提取子模块,局部自适应窗口构造子模块,其中:
该预处理子模块,用于通过形态学填充保留图像中面积最大的区域来去掉检查床区域,通过半径为的圆盘算子腐蚀边界去掉皮下脂肪区域,通过窗口为3*3的中值滤波操作来去掉噪点,得到预处理图;
该基于最大类间方差的多阈值分割子模块,用于通过最大类间方差多阈值分割算法将预处理图分为4类,按灰度从小到大依次为背景区域,脂肪区域,脏器淋巴结区域,高亮区域;
该区域特征计算子模块,用于对脏器淋巴结区域图中的每一个区域R,计算区域面积A,区域浸润于脂肪区域的浸润率I,区域的圆形性E,区域的凹凸度C,其中,区域浸润于脂肪区域的浸润率I定义为区域R的外边界与脂肪区域交集像素个数除以外边界总像素个数,区域的圆形性E定义为区域质心到边界的平均距离除以区域质心到边界点距离的均方差,区域的凹凸度C定义为区域面积除以区域外接凸多边形的面积;
该疑似淋巴结提取子模块,用于在脏器淋巴结图中将同时满足区域面积A>5,区域浸润率I=1,区域圆形性E>t1,区域凹凸度C>t2的区域提出出来,得到待跟踪的目标图,其中t1由所有区域进行直方图统计得到,t2取经验值0.8;
该局部自适应窗口构造子模块,用于对疑似淋巴结以质心为中心,外接矩形为边界构造局部自适应窗口。
参照图1,所述的低秩跟踪模块,包括观测矩阵构建子模块,基于低秩模型的矩阵分解子模块,初始首尾帧确定子模块,首尾帧调整子模块,淋巴结识别子模块,其中:
该观测矩阵构建子模块,用于以当前帧为中心在固定的局部区域向前向后各取长度为l的局部图像构建观测矩阵D,D=[Dleft,Dcur,Dright],其中Dleft由在当前帧向前连续取l帧,截取局部区域,拉成一列后构成,Dcur由将当前帧局部区域拉成一列复制cl份后构成,Dright由在当前帧向后连续取l帧,截取局部区域,拉成一列后构成,l取值15,cl取值30;
该基于低秩模型的矩阵分解子模块用于通过低秩模型对观测矩阵D进行低秩分解,得到背景序列B和前景序列S,其中,所用的低秩模型为D为观测矩阵,B是低秩的背景部分,S是前景支撑,ε是一个图结构,ε=(V,E),其中V是所有像素点构成的点,E为同在前景上的像素连接成的边;
该首尾帧确定子模块用于对背景序列B中计算每一列的方差,得到v=[vleft,vcur,vright],计算vleft中方差小于t的帧序号,将序号最大的标记为初始起始帧start,计算vright中方差小于t的帧序号,将序号最小的标记为初始终止帧end;
该首尾帧调整子模块用于计算start附近3帧的区域面积,选取其中最小的为调整后的起始帧start,计算end附近3帧的区域面积,选取其中最小的为调整后的终止帧;
该淋巴结识别子模块,用于对跟踪的疑似淋巴结依据首尾帧与当前帧的局部区域面积变化来判别其是否是淋巴结。
参照图1,所述的区域重叠跟踪模块,包括前向跟踪子模块,后向跟踪子模块,基于面积变化的淋巴结识别子模块,基于位移和面积特征的血管识别子模块,其中:
该前向跟踪子模块用于通过两次区域重叠的方式从当前帧向前进行目标的匹配,第一次匹配是作用于单帧目标检测模块提取出的疑似淋巴结目标图上,如果第一次匹配成功,则更新目标,如果不成功则进行第二次匹配,第二次匹配是作用于单帧目标检测模块所得到的脏器淋巴结图像上,如果第二次匹配成功则进行判断目标是否可信,不可信的话给出预测值,如果第二次匹配失败则终止跟踪,通过迭代最终得到待跟踪目标向前的序列;
该后向跟踪子模块,用于通过两次区域重叠的方式从当前帧向后进行目标的匹配,第一次匹配是作用于单帧目标检测模块提取出的疑似淋巴结目标图上,如果第一次匹配成功,则更新目标,如果不成功则进行第二次匹配,第二次匹配是作用于单帧目标检测模块所得到的脏器淋巴结图像上,如果第二次匹配成功则进行判断目标是否可信,不可信的话给出预测值,如果第二次匹配失败则终止跟踪,通过迭代最终得到待跟踪目标向后的序列,结合前向跟踪子模块得到目标的完整跟踪序列;
该基于面积变化的淋巴结识别子模块,用于对长度小于等于10的跟踪序列,计算序列中相邻帧之间的面积变化,求取所有的面积变化平均值,将平均变化值大于5的序列确定为淋巴结序列,将相应的疑似淋巴结标记为淋巴结;
该基于位移和面积特征的血管识别子模块,用于对长度大于10的跟踪序列,计算其序列中首尾帧之间的位移变化,计算序列中相邻帧之间的面积变化,求取所有的面积变化平均值,将位移变化大于5并且面积变化平均值小于等于5的序列确定为血管序列,将相应的疑似淋巴结标记为血管;
参照图2和图3,本发明基于低秩分解的胃部CT图像淋巴结识别方法的具体实施步骤如下:
步骤1,单帧目标提取
1.1)输入一幅待检测图像F,如图4所示;
1.2)将F中非零像素置1,填充所有区域,保留其中面积最大的区域,记为F2;
1.3)构建半径为19的圆盘算子se,用se对F2进行腐蚀运算得到去掉皮下脂肪区域的图像F3;
1.4)对F3进行中值滤波,去掉其中的一些噪点,得到预处理后的图像F4,其中中值滤波选取模版大小为3*3;
1.5)在F4中通过最大类间方差计算3个阈值将F4分割为4类区域,依据灰度从小到大依次为背景区域,脂肪区域,脏器淋巴结区域,高亮区域,记脏器淋巴结区域为F6,脂肪区域为F7;
1.6)对F6中每一个区域R,计算区域面积A,区域浸润于脂肪区域的浸润率I,区域的圆形性E,区域的凹凸度C,其中,区域浸润于脂肪区域的浸润率I定义为区域R的外边界与脂肪区域交集像素个数除以外边界总像素个数,区域的圆形性E定义为区域质心到边界的平均距离除以区域质心到边界点距离的均方差,区域的凹凸度C定义为区域面积除以区域外接凸多边形的面积;
1.7)将F6中同时满足A>5,I=1,E>t1,C>0.8的区域作为疑似淋巴结区域,得到待跟踪的目标图像F8,如图5所示,其中t1由F6中所有区域的圆形性经过直方图统计得出;
1.8)对每一个疑似淋巴结以其质心为中心,外接矩形为边界构造局部自适应窗口;
1.9)若序列图处理完毕,则转步骤2,否则,转1.1);
步骤2,局部自适应窗口排序
2.1)将所有帧的所有疑似淋巴结的局部自适应窗口依据面积从大到小排序,得到待跟踪的疑似淋巴结集合Objs=(O1,O2,...On),其中目标集合Objs按区域大小降序排列;
步骤3,基于低秩模型的淋巴结跟踪识别
3.1)从Objs中取一个未跟踪疑似淋巴结O,记O所在帧号为cur,若O局部自适应窗口大小大于11×11,转3.2),否则转步骤4;
3.2)记待跟踪目标O所在局部窗口为W,在原图上向前取l帧,即取cur-l到cur-1帧,在每一帧上截取同样的窗口W,将局部窗口像素拉成一列,得到Dleft,将当前帧的窗口像素拉成一列,并复制cl份,得到Dcur,向后取l帧,即取cur+1到cur+l帧,在每一帧上截取同样的窗口W,将局部窗口像素拉成一列,得到Dright,3部分共同组成观测矩阵D,D=[Dleft,Dcur,Dright],如图6和图7所示,图6为未进行复制的初始观测序列,图7是当前帧复制后的观测序列,其中五角星标记的位置为当前帧位置,实验中l取值15,cl取值30;
3.3)通过低秩模型对观测矩阵D进行分解,得到背景序列B和前景序列S,其中,所用的低秩模型为D为观测矩阵,B是低秩的背景部分,S是前景支撑,ε是一个图结构,ε=(V,E),其中V是所有像素点构成的点,E为同在前景上的像素连接成的边,低秩分解的结果如图8和图9所示,图8是分解后的背景序列,图9是分解后的前景序列;
3.4)对于背景序列B,计算每一列元素的方差,得到v=[vleft,vcur,vright],计算vleft中方差小于t的帧序号,将序号最大的标记为初始起始帧start,计算vright中方差小于t的帧序号,将序号最小的标记为初始终止帧end,如图10所示,三角形标记的位置为初始的首尾帧,五角星标记的位置为当前帧;
3.5)在起始帧start前3帧计算每一帧中的目标面积,选取其中最小的作为调整后的起始帧start,在终止帧end后3帧计算每一帧中的目标面积,选取其中最小的作为调整后的终止帧end,如图11所示,三角形标记的位置为调整后的首尾帧,五角星标记的位置为当前帧;
3.6)计算起始帧start和当前帧cur在疑似淋巴结O所在区域的面积变化率r1,计算终止帧end和当前帧cur在O所在区域的面积变化率r2,若r1<0.5并且r2<0.5,则标记疑似淋巴结O为淋巴结;
3.7)在集合Objs中将已经被O所跟踪到的元素标记为已跟踪;
3.8)如果集合Objs中还有未跟踪的元素,转3.1),否则转步骤5;
步骤4,基于区域重叠的淋巴结跟踪识别
4.1)前向跟踪
4.1.1)初始化一个不可信的区域集temp={},初始化前向序列长度lfore=0,初始化前向跟踪序列seqfore={};
4.1.2)取前一帧对应的目标区域图Fpre,对Fpre与O做与运算,得到重叠的区域Dinsect,若Dinsect非空,通过形态学重构得到Dinsect在Fpre中的完整区域,若得到多个连通区域,计算每一个区域质心到O的质心的距离,选其中距离最小的一个区域,即为前一帧中与O对应的疑似淋巴结Opre,向前加入序列seqfore,seqfore={Opre,seqfore},转4.1.6),若Dinsect为空,转4.1.3);
4.1.3)取前一帧对应的二值脏器淋巴结图Gpre,对Gpre与O做与运算,得到重叠的区域Iinsect,若Iinsect非空,通过形态学重构得到Iinsect在Fpre中的完整区域,若得到多个区域,计算每一个区域质心到O的质心的距离,选其中距离最小的一个区域,暂记为前一帧中与O对应的目标Opre;
4.1.4)计算O的面积,记为Area(O),计算O的质心,记为(x,y),计算Opre的面积,记为Area(Opre),计算Opre的质心,记为(xpre,ypre),计算面积比例a=max(Area(O),Area(Opre))/min(Area(O),Area(Opre)),计算位移变化若a<4并且d<3,将Opre向前加入序列seqfore,seqfore={Opre,seqfore},清空temp,temp={},若a≥4或者d≥3,认为Opre与其他区域发生粘连,属于不可信的区域,将Opre加入不可信的区域集temp前面,temp={Opre,temp},用当前的目标区域O来代替Opre,Opre=O,向前加入序列seqfore,seqfore={Opre,seqfore};
4.1.5)记temp长度为ltemp,若ltemp大于等于3,清空temp,temp={},删除seqfore中最开始的ltemp帧,转4.2),否则转4.1.6),
4.1.6)更新O为Opre,更新lfore=lfore+1,若lfore>=30,转4.2),否则,转4.1.2);
4.2)后向跟踪
4.2.1)初始化一个不可信的区域集temp={},初始化后向序列长度lback=0,初始化后向跟踪序列seqback={};
4.2.2)取后一帧对应的二值疑似淋巴结区域图Fback,对Fback与O做与运算,得到重叠的区域Dinsect,若Dinsect非空,通过形态学重构得到Dinsect在Fback中的完整区域,若得到多个连通区域,计算每一个区域质心到O的质心的距离,选其中距离最小的一个区域,即为后一帧中与O对应的疑似淋巴结Onext,向后加入序列seqback,seqback={seqback,Onext},转4.2.6),若Dinsect为空,转4.2.3);
4.2.3)取后一帧对应的二值脏器淋巴结图Gnext,对Gnext与O做与运算,得到重叠的区域Iinsect,若Iinsect非空,通过形态学重构得到Iinsect在Gnext中的完整区域,若得到多个区域,计算每一个区域质心到O的质心的距离,选其中距离最小的一个区域,暂记为后一帧中与O对应的目标Onext;
4.2.4)计算O的面积,记为Area(O),计算O的质心,记为(x,y),计算Onext的面积,记为Area{Onext},计算Onext的质心,记为(xnext,ynext),计算面积比例a=max(Area(O),Area(Onext))/min(Area(O),Area(Onext)),计算位移变化若a<4并且d<3,将Onext向后加入序列seqback,seqback={seqback,Onext},清空temp,temp={},若a≥4或者d≥3,认为Onext与其他区域发生粘连,属于不可信的区域,将Onext加入不可信的区域集temp前面,temp={temp,Onext},用当前的目标O来代替Onext,Onext=O,向后加入序列seqback,seqback={seqback,Onext};
4.2.5)若temp长度为ltemp,若ltemp大于等于3,清空temp,temp={},删除seqfore中最后面的ltemp帧,转4.2),否则转4.2.6);
4.2.6)更新O为Opre,更新lfore=lfore+1,若lfore>=30,转4.3),否则,转4.2.2);
4.3)合并跟踪序列,将4.1)和4.2)得到的序列合并,得到目标O的完整跟踪序列seq,seq={seqfore,O,seqback};
4.4)如果序列seq长度大于10,转4.5),否则转4.6);
4.5)记序列seq长度为n,对序列seq计算其起始帧疑似淋巴结的质心坐标(x1,y1),计算终止帧疑似淋巴结质心坐标(x2,y2),计算首尾帧的位移变化计算每一帧的疑似淋巴结面积得到面积序列areaseq={a1,a2,...an},从第二帧到终止帧依次计算其与前一帧的面积差,得到面积差序列areaDifSeq={a2-a1,a3-a2,...an-an-1},求取面积平均变化值averAreaDif=sum(abs(areaDifSeq))/n,若dist>5并且averAreaDif≤5,确定seq为血管序列,相应的疑似淋巴结标记为血管;
4.6)记序列seq长度为n,计算每一帧的疑似淋巴结面积得到面积序列areaseq={a1,a2,...an},从第二帧到终止帧依次计算其与前一帧的面积差,得到面积差序列areaDifSeq={a2-a1,a3-a2,...an-an-1},求取面积平均变化值averAreaDif=sum(abs(areaDifSeq))/n,若averAreaDif大于5,确定seq为淋巴结序列,相应的疑似淋巴结标记为淋巴结;
4.7)如果集合Objs中还有未跟踪的元素,转4.1),否则转步骤5;
步骤5,结果输出
5.1)将低秩跟踪和区域重叠跟踪识别出的所有淋巴结在原图相应帧相应位置进行标注,然后输出。
本发明的效果可以通过以下对胃部CT图像的仿真数据进一步说明:
1.实验条件
本发明的仿真在windows7,SPI,CPUIntel(R)Core(TM)2Duo,基本频率3.0GHZ,软件平台为MatlabR2011b运行,仿真选用的胃部CT图像来自北京肿瘤医院影像数据,且本发明采用的测试图像均有北京肿瘤医院放射科医生进行淋巴结标注的标准图像,根据对已标注的淋巴结的遗漏情况评价本发明系统的有效性,实验中的低秩分解前后所选取帧数l=15,当前帧复制的次数cl=30。
2.仿真内容及结果
仿真内容,将本发明系统应用于胃部CT图像中的淋巴结识别。
仿真结果如图12-图15所示,其中图12是通过低秩跟踪被确定为淋巴结的疑似淋巴结序列图,图13是通过区域重叠跟踪被确定为淋巴结的疑似淋巴结序列图,图14是一个跟踪得到的血管序列图,图15是最后的结果显示,图15(a)和15(b)是医生在原图上标记了淋巴结的图像,图15(c)-15(f)是本发明所得到的结果图,白色带框部分代表本发明识别出的淋巴结。图12说明对于大的目标,低秩技术可以很好的完成疑似淋巴结的跟踪,图13和图14说明了区域重叠跟踪对于小疑似淋巴结跟踪的准确性,图15的结果说明本发明的结果准确有效。在实验所取的序列中医生共标注了7个淋巴结,通过本发明我们总共识别出15个淋巴结,其中包括了医生标注的7个淋巴结,识别成功率高,同时区分了干扰的血管序列,误检率低。
以上结果表明:本发明能够有效的对所有目标进行跟踪,准确的区分淋巴结和血管序列,是一种有效的淋巴结识别系统。
Claims (5)
1.一种基于低秩分解的胃部CT图像淋巴结识别系统,其特征在于:包括:
单帧目标提取模块,用于在序列图的每一帧上提取出疑似淋巴结,并对所有疑似淋巴结构造局部自适应窗口;
与单帧目标提取模块链接的局部自适应窗口排序模块,用于对序列图上的所有疑似淋巴结的局部自适应窗口依据面积排序;
与局部自适应窗口排序模块链接的低秩跟踪模块和区域重叠跟踪模块,其中,低秩跟踪模块用于对大疑似淋巴结在局部区域构造观测矩阵,利用低秩模型进行矩阵分解,得到背景序列和前景序列,在背景序列中快速确定序列首尾帧位置,并对首尾帧位置进行细微调整,最后基于首尾帧和当前帧的区域面积变化来进行淋巴结的判断,区域重叠跟踪模块用于对小疑似淋巴结通过区域重叠匹配跟踪来得到小疑似淋巴结的完整跟踪序列,然后对于长序列依据面积和位移特征识别血管,对于短序列依据面积变化识别淋巴结;
与低秩跟踪模块和区域重叠跟踪模块链接的结果输出模块,用于将识别出的结果在原序列图上标注输出。
2.根据权利要求1所述的基于低秩分解的胃部CT图像淋巴结识别系统,其特征在于:所述的单帧目标提取模块依次包括:
预处理子模块,用于对初始图像进行预处理,去掉无关区域,得到预处理图;
与预处理子模块链接的基于最大类间方差的多阈值分割子模块,用于将预处理图分为4类,得到背景图,脂肪图,脏器淋巴结图,高亮图;
与基于最大类间方差的多阈值分割子模块链接的区域特征计算子模块,用于对脏器淋巴结区域图中的每一个区域R,计算区域面积A,区域浸润于脂肪区域的浸润率I,区域的圆形性E,区域的凹凸度C,其中,区域浸润于脂肪区域的浸润率I定义为区域R的外边界与脂肪区域交集像素个数除以外边界总像素个数,区域的圆形性E定义为区域质心到边界的平均距离除以区域质心到边界点距离的均方差,区域的凹凸度C定义为区域面积除以区域外接凸多边形的面积;
与区域特征计算子模块链接的疑似淋巴结提取子模块,用于在脏器淋巴结图中将同时满足区域面积A>5,区域浸润率I=1,区域圆形性E>t1,区域凹凸度C>t2的区域提出出来,得到待跟踪的目标图,其中t1由所有区域进行直方图统计得到,t2取经验值0.8;
与疑似淋巴结提取子模块链接的局部自适应窗口构造子模块,用于对疑似淋巴结以质心为中心,外接矩形为边界构造局部自适应窗口。
3.根据权利要求1所述的基于低秩分解的胃部CT图像淋巴结识别系统,其特征在于:所述的低秩跟踪模块包括:
观测矩阵构建子模块,用于以当前帧为中心在固定的局部区域向前向后各取长度为l的局部图像构建观测矩阵D,D=[Dleft,Dcur,Dright],其中Dleft由在当前帧向前连续取l帧,截取局部区域,拉成一列后构成,Dcur由将当前帧局部区域拉成一列复制cl份后构成,Dright由在当前帧向后连续取l帧,截取局部区域,拉成一列后构成,l取值15,cl取值30;
与观测矩阵构建子模块链接的基于低秩模型的矩阵分解子模块,用于通过低秩模型对观测矩阵D进行低秩分解,得到背景序列B和前景序列S,其中,所用的低秩模型为D为观测矩阵;B是低秩的背景部分;β是像素的一元势能;γ是不同像素之间的连接程度;K是反映背景的复杂程度;kl是像素的下标,一般选择与第ij个像素相邻的四个或是一圈八个;S是前景支撑,ε是一个图结构,ε=(V,E),其中V是所有像素点构成的点,E为同在前景上的像素连接成的边;
与基于低秩模型的矩阵分解子模块链接的初始首尾帧确定子模块,用于对背景序列B中计算每一列的方差,得到v=[vleft,vcur,vright],计算vleft中方差小于t的帧序号,将序号最大的标记为初始起始帧start,计算vright中方差小于t的帧序号,将序号最小的标记为初始终止帧end;
与初始首尾帧确定子模块链接的首尾帧调整子模块,用于计算start附近3帧的 区域面积,选取其中最小的为调整后的起始帧start,计算end附近3帧的区域面积,选取其中最小的为调整后的终止帧;
与首尾帧调整子模块链接的淋巴结识别子模块,用于对跟踪的疑似淋巴结依据首尾帧与当前帧的局部区域面积变化来判别其是否是淋巴结。
4.根据权利要求1所述的基于低秩分解的胃部CT图像淋巴结识别系统,其特征在于:所述的区域重叠跟踪模块依次包括:
前向跟踪子模块,用于通过两次区域重叠的方式从当前帧向前进行目标的匹配,第一次匹配是作用于单帧目标提取模块提取出的疑似淋巴结目标图上,如果第一次匹配成功,则更新目标,如果不成功则进行第二次匹配,第二次匹配是作用于单帧目标提取模块所得到的脏器淋巴结图像上,如果第二次匹配成功则进行判断目标是否可信,不可信的话给出预测值,如果第二次匹配失败则终止跟踪,通过迭代最终得到待跟踪目标向前的序列;
与前向跟踪子模块链接的后向跟踪子模块,用于通过两次区域重叠的方式从当前帧向后进行目标的匹配,第一次匹配是作用于单帧目标提取模块提取出的疑似淋巴结目标图上,如果第一次匹配成功,则更新目标,如果不成功则进行第二次匹配,第二次匹配是作用于单帧目标提取模块所得到的脏器淋巴结图像上,如果第二次匹配成功则进行判断目标是否可信,不可信的话给出预测值,如果第二次匹配失败则终止跟踪,通过迭代最终得到待跟踪目标向后的序列,结合前向跟踪子模块得到目标的完整跟踪序列;
与后向跟踪子模块链接的基于面积变化的淋巴结识别子模块和基于位移和面积特征的血管识别子模块,其中,基于面积变化的淋巴结识别子模块用于对长度小于等于10的跟踪序列,计算序列中相邻帧之间的面积变化,求取所有的面积变化平均值,将平均变化值大于5的序列确定为淋巴结序列,将相应的疑似淋巴结标记为淋巴结,基于位移和面积特征的血管识别子模块用于对长度大于10的跟踪序列,计算其序列中首尾帧之间的位移变化,计算序列中相邻帧之间的面积变化,求取所有的面积变化平均值,将位移变化大于5并且面积变化平均值小于等于5的序列确定为血管序列,将相应的疑似淋巴结标记为血管。
5.一种基于低秩分解的胃部CT图像淋巴结识别系统的识别方法,其特征在于: 包括如下步骤:
步骤1,单帧目标提取
1.1)输入一幅待检测图像F,预处理去掉无关区域,然后进行多阈值分割,得到背景图,脂肪图,脏器淋巴结图F1,高亮图;
1.2)对F1中每一个区域R,计算区域面积A,区域浸润于脂肪区域的浸润率I,区域的圆形性E,区域的凹凸度C,其中,区域浸润于脂肪区域的浸润率I定义为区域R的外边界与脂肪区域交集像素个数除以外边界总像素个数,区域的圆形性E定义为区域质心到边界的平均距离除以区域质心到边界点距离的均方差,区域的凹凸度C定义为区域面积除以区域外接凸多边形的面积;
1.3)将F1中同时满足A>5,I=1,E>t1,C>0.8的区域作为疑似淋巴结区域,得到待跟踪的目标图像F2,其中t1由F1中所有区域的圆形性经过直方图统计得出;
1.4)对每一个疑似淋巴结以其质心为中心,外接矩形为边界构造局部自适应窗口;
1.5)若序列图处理完毕,则转步骤2,否则,转1.1);
步骤2,局部自适应窗口排序
2.1)将所有帧的所有疑似淋巴结的局部自适应窗口依据面积从大到小排序,得到待跟踪的疑似淋巴结集合Objs=(O1,O2,...On),其中目标集合Objs按区域大小降序排列;
步骤3,基于低秩模型的淋巴结跟踪识别
3.1)从Objs中取一个未跟踪疑似淋巴结O,记O所在帧号为cur,若O局部自适应窗口大小大于11×11,转3.2),否则转步骤4;
3.2)记待跟踪目标O所在局部窗口为W,在原图上向前取l帧,即取cur-l到cur-1帧,在每一帧上截取同样的窗口W,将局部窗口像素拉成一列,得到Dleft,将当前帧的窗口像素拉成一列,并复制cl份,得到Dcur,向后取l帧,即取cur+1到cur+l帧,在每一帧上截取同样的窗口W,将局部窗口像素拉成一列,得到Dright,3部分共同组成观测矩阵D,其中l取值15,cl取值30;
3.3)通过低秩模型对观测矩阵D进行分解,得到背景序列B和前景序列S,其中,所用的低秩模型为 D为观测矩阵,B是低秩的背景部分,β是像素的一元势能;γ是不同像素之间的连接程度;K是反映背景的复杂程度;kl是像素的下标,一般选择与第ij个像素相邻的四个或是一圈八个;S是前景支撑,ε是一个图结构,ε=(V,E),其中V是所有像素点构成的点,E为同在前景上的像素连接成的边;
3.4)对于背景序列B,计算每一列元素的方差,得到v=[vleft,vcur,vright],计算vleft中方差小于t的帧序号,将序号最大的标记为初始起始帧start,计算vright中方差小于t的帧序号,将序号最小的标记为初始终止帧end;
3.5)在起始帧start前3帧计算每一帧中的目标面积,选取其中最小的作为调整后的起始帧start,在终止帧end后3帧计算每一帧中的目标面积,选取其中最小的作为调整后的终止帧end;
3.6)计算起始帧start和当前帧cur在疑似淋巴结O所在区域的面积变化率r1,计算终止帧end和当前帧cur在O所在区域的面积变化率r2,若r1<0.5并且r2<0.5,则标记疑似淋巴结O为淋巴结;
3.7)在集合Objs中将已经被O所跟踪到的元素标记为已跟踪;
3.8)如果集合Objs中还有未跟踪的元素,转3.1),否则转步骤5;
步骤4,基于区域重叠的淋巴结跟踪识别
4.1)前向跟踪
4.1.1)初始化一个不可信的区域集temp={},初始化前向序列长度lfore=0,初始化前向跟踪序列seqfore={};
4.1.2)取前一帧对应的目标区域图Fpre,对Fpre与O做与运算,得到重叠的区域Dinsect,若Dinsect非空,通过形态学重构得到Dinsect在Fpre中的完整区域,若得到多个 连通区域,计算每一个区域质心到O的质心的距离,选其中距离最小的一个区域,即为前一帧中与O对应的疑似淋巴结Opre,向前加入序列seqfore,seqfore={Opre,seqfore},转4.1.6),若Dinsect为空,转4.1.3);
4.1.3)取前一帧对应的二值脏器淋巴结图Gpre,对Gpre与O做与运算,得到重叠的区域Iinsect,若Iinsect非空,通过形态学重构得到Iinsect在Fpre中的完整区域,若得到多个区域,计算每一个区域质心到O的质心的距离,选其中距离最小的一个区域,暂记为前一帧中与O对应的目标Opre;
4.1.4)计算O的面积,记为Area(O),计算O的质心,记为(x,y),计算Opre的面积,记为Area(Opre),计算Opre的质心,记为(xpre,ypre),计算面积比例a=max(Area(O),Area(Opre))/min(Area(O),Area(Opre)),计算位移变化 若a<4并且d<3,将Opre向前加入序列seqfore,seqfore={Opre,seqfore},清空temp,temp={},若a≥4或者d≥3,认为Opre与其他区域发生粘连,属于不可信的区域,将Opre加入不可信的区域集temp前面,temp={Opre,temp},用当前的目标区域O来代替Opre,Opre=O,向前加入序列seqfore,seqfore={Opre,seqfore};
4.1.5)记temp长度为ltemp,若ltemp大于等于3,清空temp,temp={},删除seqfore中最开始的ltemp帧,转4.2),否则转4.1.6),
4.1.6)更新O为Opre,更新lfore=lfore+1,若lfore>=30,转4.2),否则,转4.1.2);
4.2)后向跟踪
4.2.1)初始化一个不可信的区域集temp={},初始化后向序列长度lback=0,初始化后向跟踪序列seqback={};
4.2.2)取后一帧对应的二值疑似淋巴结区域图Fback,对Fback与O做与运算,得到重叠的区域Dinsect,若Dinsect非空,通过形态学重构得到Dinsect在Fback中的完整区域,若得到多个连通区域,计算每一个区域质心到O的质心的距离,选其中距离最小的一个区域,即为后一帧中与O对应的疑似淋巴结Onext,向后加入序列seqback,seqback={seqback,Onext},转4.2.6),若Dinsect为空,转4.2.3);
4.2.3)取后一帧对应的二值脏器淋巴结图Gnext,对Gnext与O做与运算,得到重叠的区域Iinsect,若Iinsect非空,通过形态学重构得到Iinsect在Gnext中的完整区域,若得到多个区域,计算每一个区域质心到O的质心的距离,选其中距离最小的一个区域,暂记为后一帧中与O对应的目标Onext;
4.2.4)计算O的面积,记为Area(O),计算O的质心,记为(x,y),计算Onext的面积,记为Area{Onext},计算Onext的质心,记为(xnext,ynext),计算面积比例a=max(Area(O),Area(Onext))/min(Area(O),Area(Onext)),计算位移变化 若a<4并且d<3,将Onext向后加入序列seqback,seqback={seqback,Onext},清空temp,temp={},若a≥4或者d≥3,认为Onext与其他区域发生粘连,属于不可信的区域,将Onext加入不可信的区域集temp前面,temp={temp,Onext},用当前的目标O来代替Onext,Onext=O,向后加入序列seqback,seqback={seqback,Onext};
4.2.5)若temp长度为ltemp,若ltemp大于等于3,清空temp,temp={},删除seqfore中最后面的ltemp帧,转4.2),否则转4.2.6);
4.2.6)更新O为Opre,更新lfore=lfore+1,若lfore>=30,转4.3),否则,转4.2.2);
4.3)合并跟踪序列,将4.1)和4.2)得到的序列合并,得到目标O的完整跟踪序列 seq,seq={seqfore,O,seqback};
4.4)如果序列seq长度大于10,转4.5),否则转4.6);
4.5)记序列seq长度为n,计算seq起始帧疑似淋巴结的质心坐标(x1,y1),计算终止帧疑似淋巴结质心坐标(x2,y2),计算首尾帧的位移变化 计算每一帧的疑似淋巴结面积得到面积序列areaseq={a1,a2,...an},从第二帧到终止帧依次计算其与前一帧的面积差,得到面积差序列areaDifSeq={a2-a1,a3-a2,...an-an-1},求取面积平均变化值averAreaDif=sum(abs(areaDifSeq))/n,若dist>5并且averAreaDif≤5,确定seq为血管序列,相应的疑似淋巴结标记为血管;
4.6)记序列seq长度为n,计算每一帧的疑似淋巴结面积得到面积序列areaseq={a1,a2,...an},从第二帧到终止帧依次计算其与前一帧的面积差,得到面积差序列areaDifSeq={a2-a1,a3-a2,...an-an-1},求取面积平均变化值averAreaDif=sum(abs(areaDifSeq))/n,若averAreaDif大于5,确定seq为淋巴结序列,相应的疑似淋巴结标记为淋巴结;
4.7)如果集合Objs中还有未跟踪的元素,转4.1),否则转步骤5;
步骤5,结果输出
5.1)将低秩跟踪和区域重叠跟踪识别出的所有淋巴结在原图相应帧相应位置进行标注,然后输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410060322.5A CN103839048B (zh) | 2014-02-21 | 2014-02-21 | 基于低秩分解的胃部ct图像淋巴结识别系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410060322.5A CN103839048B (zh) | 2014-02-21 | 2014-02-21 | 基于低秩分解的胃部ct图像淋巴结识别系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103839048A CN103839048A (zh) | 2014-06-04 |
CN103839048B true CN103839048B (zh) | 2017-05-10 |
Family
ID=50802527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410060322.5A Active CN103839048B (zh) | 2014-02-21 | 2014-02-21 | 基于低秩分解的胃部ct图像淋巴结识别系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103839048B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408457B (zh) * | 2014-11-26 | 2017-10-24 | 西安电子科技大学 | 基于低秩分解和质心跟踪的胃部ct图像淋巴结检测系统 |
CN104408737B (zh) * | 2014-12-15 | 2017-05-17 | 西安电子科技大学 | 基于多角度图片序列的胃部ct图像淋巴结检测系统 |
CN106296659A (zh) * | 2016-07-27 | 2017-01-04 | 潘燕 | 一种计算机辅助胃癌诊断系统 |
US11583222B2 (en) | 2017-05-19 | 2023-02-21 | Covidien Lp | Systems, devices, and methods for lymph specimen tracking, drainage determination, visualization, and treatment |
CN114363448B (zh) * | 2020-09-29 | 2024-05-24 | 北京小米移动软件有限公司 | 屏幕小窗口的亮度控制方法、装置、终端及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007244746A (ja) * | 2006-03-17 | 2007-09-27 | Olympus Medical Systems Corp | 観察システム |
CN102436551A (zh) * | 2011-11-10 | 2012-05-02 | 西安电子科技大学 | 基于目标跟踪的计算机辅助胃癌诊断方法 |
CN103106408A (zh) * | 2013-01-25 | 2013-05-15 | 西安电子科技大学 | 无监督分割的胃部ct图像淋巴结自动辅助检测系统 |
-
2014
- 2014-02-21 CN CN201410060322.5A patent/CN103839048B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007244746A (ja) * | 2006-03-17 | 2007-09-27 | Olympus Medical Systems Corp | 観察システム |
CN102436551A (zh) * | 2011-11-10 | 2012-05-02 | 西安电子科技大学 | 基于目标跟踪的计算机辅助胃癌诊断方法 |
CN103106408A (zh) * | 2013-01-25 | 2013-05-15 | 西安电子科技大学 | 无监督分割的胃部ct图像淋巴结自动辅助检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103839048A (zh) | 2014-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11101033B2 (en) | Medical image aided diagnosis method and system combining image recognition and report editing | |
Li et al. | Brain tumor detection based on multimodal information fusion and convolutional neural network | |
CN111709953B (zh) | Ct影像的肺叶段分割中的输出方法、装置 | |
CN108257135A (zh) | 基于深度学习方法解读医学图像特征的辅助诊断系统 | |
CN107977671A (zh) | 一种基于多任务卷积神经网络的舌象分类方法 | |
CN107909566A (zh) | 一种基于深度学习的皮肤癌黑色素瘤的图像识别方法 | |
CN112446862B (zh) | 一种基于人工智能的动态乳腺超声视频全病灶实时检测和分割装置、系统及图像处理方法 | |
CN103839048B (zh) | 基于低秩分解的胃部ct图像淋巴结识别系统和方法 | |
CN107403201A (zh) | 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法 | |
CN106296699A (zh) | 基于深度神经网络和多模态mri图像的脑肿瘤分割方法 | |
CN108038513A (zh) | 一种肝脏超声图像的特征分类方法 | |
CN103150723B (zh) | 基于形状和椭圆拟合的胃部ct图像淋巴结检测系统及方法 | |
CN108765430A (zh) | 一种基于心脏ct图像和机器学习的心脏左腔区域分割方法 | |
CN104732213A (zh) | 一种基于乳腺磁共振图像的计算机辅助肿块检测方法 | |
CN102968783B (zh) | 从腹部图像数据中自动分割骨骼的方法及系统 | |
CN101667289B (zh) | 基于nsct特征提取和监督分类的视网膜图像分割方法 | |
CN109447998A (zh) | 基于PCANet深度学习模型下的自动分割方法 | |
Fan et al. | Lung nodule detection based on 3D convolutional neural networks | |
Wang et al. | A method of ultrasonic image recognition for thyroid papillary carcinoma based on deep convolution neural network | |
CN103955912A (zh) | 自适应窗的胃部ct图像淋巴结跟踪检测系统及方法 | |
CN106778047A (zh) | 一种基于多维度医学图像的中医面诊综合系统 | |
Yang et al. | Unsupervised domain adaptation for cross-device OCT lesion detection via learning adaptive features | |
Kaldera et al. | MRI based glioma segmentation using deep learning algorithms | |
CN114398979A (zh) | 一种基于特征解耦的超声图像甲状腺结节分类方法 | |
Nayan et al. | A deep learning approach for brain tumor detection using magnetic resonance imaging |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |