CN103955912A - 自适应窗的胃部ct图像淋巴结跟踪检测系统及方法 - Google Patents
自适应窗的胃部ct图像淋巴结跟踪检测系统及方法 Download PDFInfo
- Publication number
- CN103955912A CN103955912A CN201410051900.9A CN201410051900A CN103955912A CN 103955912 A CN103955912 A CN 103955912A CN 201410051900 A CN201410051900 A CN 201410051900A CN 103955912 A CN103955912 A CN 103955912A
- Authority
- CN
- China
- Prior art keywords
- lymph node
- window
- area
- doubtful lymph
- doubtful
- 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.)
- Granted
Links
Abstract
本发明公开了一种自适应窗的胃部CT图像淋巴结跟踪检测系统及方法,该发明首先利用基于模糊C均值和边界先验的疑似淋巴结提取方法获取每个单幅胃部CT图像的疑似淋巴结。由于淋巴结的形状、灰度和空间位置与血管很相近,提取出每个单幅胃部CT图像中的疑似淋巴结存在淋巴结和血管难于区分的问题;针对该问题,本发明设计了自适应窗的淋巴结跟踪检测方法;该方法按每个疑似淋巴结最大切片面积自适应定义每个疑似淋巴结的窗口并把最大切片面积所在CT图像作为当前帧;从当前帧开始向前和向后进行跟踪操作。由于淋巴结和血管在跟踪过程中其面积变化和中心偏移是有区别的,从而检测出淋巴结。本发明通过预处理和跟踪操作能自动有效地检测出淋巴结。
Description
技术领域
本发明属于图像处理技术领域,特别是涉及医学影像处理,可用于医学影像的淋巴结提取、跟踪及其辅助诊断,具体涉及一种自适应窗的胃部CT图像淋巴结跟踪检测系统及方法。
背景技术
在医学领域,自显微镜问世以来,对一些图像的分析已成为医学研究中的重要方法,许多新型成像技术和设备的出现以及电脑技术的发展,使得计算机辅助技术迅速发展,医学图像处理技术对医学研究及临床实践的作用和影响日益增大,在医学领域可以用图像的形式揭示更多有用的医学信息,医学的诊断方式也发生了巨大的变化。目前的医学图像主要包括CT(计算机断层扫描)图像、MRI(核磁共振)图像、B超扫描图像、数字X光机图像、X射线透视图像、各种电子内窥镜图像及显微镜下病理切片图像等。而在影像医疗诊断中,主要是通过观察一组二维切片图像去发现病原体,这往往需要借助医生的经验来判定。至于准确的确定病变体的空间位置、大小、几何形状及与周围生物组织的空间关系,仅通过观察二维切片图像是很难实现的。因此,利用计算机图像处理技术对人体的二维切片图像进行分析和处理,实现对人体器官、软组织和病变体的分割提取、跟踪,可以辅助医生对病变体及其它感兴趣的区域进行定性甚至定量的分析,可大大提高医疗诊断的准确性和可靠性。
近年来医学影像技术发展迅速,使临床医生对人体内部病变部位的观 察更直接、更清晰,确诊率也更高。计算机辅助诊断CAD技术被称为医生的“第二双眼睛”,主要研究如何通过图像处理技术对这些医学影像信息进行有效的处理,辅助医生的诊断甚至进行手术规划,具有重大的社会效益和广泛的应用前景。由于胃部CT影像包含内容较为复杂,所以对于胃部CT影像的研究仍处于初期阶段。2000年全球新发胃癌病例87.6万,死亡64.6万,死亡率位居第二,其中新发病例35%在我国统计数据表明,胃癌占全部恶性肿瘤死亡的23.2%,在恶性肿瘤死亡率中位居第一位,所以对胃部CT图像的研究具有十分重要的意义。现有胃癌的诊断与治疗手段包括传统根治手段、腹腔镜手术、内镜切除手术等,医生在术前一般需要先对病人的CT影像进行初步的诊断,通过找到癌变的淋巴结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。而依据医生的临床经验,淋巴结一般只存在于脂肪组织中,其他脏器如肝脏、胰脏、血管等在检测淋巴结时都属于影响医生判断的冗余信息,因此,首先需要提取疑似淋巴结,然后再对疑似淋巴结进行跟踪,总之,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。
发明内容
本发明的目的在于针对胃部CT图像所含信息复杂,血管的形状、空间位置、灰度值都和淋巴结很相似,提取出每个单幅胃部CT图像中的疑似淋巴结存在淋巴结和血管难于区分的问题。
为此,本发明提供了一种自适应窗的胃部CT图像淋巴结跟踪检测系统及方法,自适应窗的胃部CT图像淋巴结跟踪检测系统,依次包括用于对图像进行分类的基于模糊C均值的分类模块、用于对感兴趣区域进行外边界检测的基于边界先验的疑似淋巴结提取模块和用于对疑似淋巴结的窗口图 像中的目标进行跟踪并检测出目标的自适应窗的淋巴结跟踪检测模块;
所述基于模糊C均值的分类模块依次包括用于求解模糊C均值目标函数的模糊C均值参数计算子模块和对计算结果样本分类的模糊C均值分类子模块;
所述基于边界先验的疑似淋巴结提取模块依次包括对图像个区域进行边界提取的边界提取子模块和对疑似淋巴结边界进行标记的疑似淋巴结提取子模块;
所述自适应窗的淋巴结跟踪检测模块依次包括疑似淋巴结面积排序子模块、疑似淋巴结窗口大小及中心位置计算子模块、血管跟踪子模块、淋巴结跟踪子模块、血管标记子模块和淋巴结标记子模块。
一种自适应窗的胃部CT图像淋巴结跟踪检测方法,包括以下几个步骤:
第一步,基于模糊C均值的分类
用于对图像进行分类,分为3类区域,第一类为背景区域,第二类是脂肪区域,第三类为感兴趣区域,主要步骤为:
1.1、模糊C均值参数计算子步骤,用于求解模糊C均值目标函数 的参数,其中v1,…,vc是c个聚类中心,m>1是个常量,μik是隶属度,是样本xk属于第i类的概率,并且0≤μik≤1,U是c·n的隶属度矩阵;
1.2、模糊C均值分类子步骤,通过模糊C均值参数计算子模块,可以得到最终的参数,通过公式得到样本xj被分到第k类。其中c=3,可以把样本分为3类,第一类为背景区域中的样本,第二类是脂肪区域中的样本,第三类为感兴趣区域中的样本;
第二步,基于边界先验的疑似淋巴结提取
用于对感兴趣区域进行外边界检测,利用先验疑似淋巴结的外边界在脂肪区域中,能够提取出疑似淋巴结,主要步骤为:
2.1、边界提取子步骤,用于对感兴趣区域图中各个连通区域进行外边界提取,对于感兴趣区域图中每个像素的8领域中是脂肪区域和背景区域的像素标记为边界;
2.2、疑似淋巴结提取子步骤,利用疑似淋巴结的外边界在脂肪区域中这个先验,若感兴趣区域图的一个连通区域的外边界全都在脂肪区域中,则标记该区域为疑似淋巴结;
第三步,自适应窗的淋巴结跟踪检测
用于对疑似淋巴结的窗口图像中的目标进行跟踪并检测出目标,该模块按每个疑似淋巴结最大切片面积自适应定义每个疑似淋巴结的窗口并把最大切片面积所在CT图像作为当前帧;从当前帧开始向前和向后进行跟踪操作,由于淋巴结和血管在跟踪过程中其面积变化和中心偏移是有区别的,从而检测出淋巴结,主要步骤为:
3.1疑似淋巴结面积排序子步骤,通过基于边界先验的疑似淋巴结提取步骤,得到所有图像中的疑似淋巴结,对所有图像中的疑似淋巴结按照面积从大到小进行排序,得到A={a1,a2,…,an},其中Area(ak)≥Area(ak+1)≥5,1≤k≤n-1.Area(ak)是疑似淋巴结ak的面积,即疑似淋巴结ak所在区域的像素个数,n为所有图像的疑似淋巴结的总个数;
3.2、疑似淋巴结窗口大小及中心位置计算子步骤,对于疑似淋巴结ak∈A的窗口大小为(2*lk+1)·(2*lk+1),其中lk的定义为:找到疑似淋巴结ak中所有像素点到中心点(x,y)之间具有最远距离的像素点,该像素点与中心点 (x,y)的距离即为lk,中心点是疑似淋巴结ak中所有像素的均值位置,即 其中(xj,yj)∈K(ak),K(ak)是疑似淋巴结ak中的所有像素的位置集合,m为集合K(ak)中包含像素总数;以疑似淋巴结ak的中心像素点(x,y)为中心,大小为(2*lk+1)·(2*lk+1)的窗口作为ak的窗Wf,其中f是疑似淋巴结ak的窗口所在的帧;
3.3、血管跟踪子步骤,从当前帧开始向前向后进行血管的跟踪,下一帧所能正确跟踪出的血管是由上一帧的血管在上一帧窗口的相应位置所决定的,由于血管的面积变化不大,且两帧之间的位移不大,所以在下一帧的相应位置可以跟踪到血管,我们分为三种情况,如果在相应位置上有多个不同的连通区域,并且在相应位置所含像素最多的那个连通区域的面积和当前帧血管的面积变化不大,那么我们选择在相应位置所含像素最多的那个连通区域即为跟踪到的目标;如果在相应位置上只有一个连通区域,并且该连通区域在该窗口中的面积与当前帧血管的面积变化不大,那么该连通区域即为跟踪到的目标;如果在相应位置上没有连通区域存在,这种情况是由于血管突然转走,以后不再出现该血管区域,那么血管跟踪算法结束;如果在下一帧中可以跟踪到目标,那么我们首先取一个比原来窗口更大的新的窗口W,该新窗口W的边界线上不包含该跟踪到的目标在W中对应的目标中的像素,如果在下一帧跟踪到的目标区域和新的窗口W对应的目标区域的面积不相同,那么我们需要做扩窗操作,重新得到的窗口大小是由新的窗口W对应的目标区域中各个像素与中心点之间的最大距离得到的;
3.4、淋巴结跟踪子步骤,从当前帧开始向前向后在分割后的感兴趣区 域图上的相应位置各取相应大小的15个窗,该相应位置和相应大小和当前帧相同,得到31个窗口图像,去除这31个窗口图像的多余冗余信息,既每一帧最多保留一个跟踪区域,我们所关注的区域是疑似淋巴结ak所在窗口中的区域位置O,对于某一帧,若有多个疑似淋巴结都在区域位置O中有像素,那么跟踪结果是在区域位置O中有像素的疑似淋巴结的中心距离窗口中心最近的那个疑似淋巴结;若只有一个疑似淋巴结在区域位置O中有像素,则跟踪结果就是该疑似淋巴结;若没有疑似淋巴结在区域位置O中有像素,则跟踪结果为空;其它窗口图像也是按照此种方法得到跟踪结果,从而可以去除多余信息;接下来,计算所有窗口图像到当前帧窗口图像的相似度,对于一个窗口图像的特征为窗口中所有灰度值非零像素在直方图的十个区间中的像素个数所组成的十维向量,即对于窗口图像Wf,设该窗口图像中最大的像素灰度值为d=255,最小的像素灰度值为c=0,十个区间为 则窗口图像f的每个灰度值非零像素一定落在这十个区间中的一个,可以得到一个十维向量既可以得到每个窗口图像的特征向量分别为计算每个窗口的特征向量与疑似淋巴结ak所在窗口图像f的特征的相似度为得到一个长度为31维的相似性向量 现在开始找该疑似淋巴结的开始帧和结束帧,从sf开始,向前找到第一个大于t1的相似度所在的帧为开始帧 low_f,我们找到中的最大值,如果最大值大于则更改开始帧low_f为具有该最大值的帧中离f最近的那个最大值所在的帧;找结束帧的方法和开始帧相似,从sf开始,向后找到第一个大于t1的相似度所在的帧为结束帧high_f,我们找到 中的最大值,如果最大值大于 则更改结束帧high_f为具有该最大值的帧中离f最近的那个最大值所在的帧;
3.5、血管标记子步骤,通过血管跟踪子步骤,得到该疑似淋巴结ak的跟踪窗口序列图,若窗口的目标面积变化不大,且最终得到的窗口比原来的窗口大2倍,则判断该疑似淋巴结ak为血管,否则不是血管;如果疑似淋巴结ak是血管,则ak的窗口序列中的血管有同一个标记,该标记不同于其它序列,从A中删除血管ak的窗口序列图中对应的血管;
3.6、淋巴结标记子步骤,通过淋巴结跟踪子步骤可以得到该疑似淋巴结ak的窗口序列图,若疑似淋巴结ak窗口序列图中的目标的面积变化程度大于阈值t2,则该疑似淋巴结ak是淋巴结,否则不是淋巴结;若疑似淋巴结ak是淋巴结,则疑似淋巴结ak的窗口序列图中的淋巴结有一个相同的标记,且该标记不同于其它序列,并从A中删除淋巴结ak的窗口序列图中对应的淋巴结。
本发明利用基于模糊C均值和边界先验的疑似淋巴结提取方法获取每个单幅胃部CT图像的疑似淋巴结,并设计了自适应窗的淋巴结跟踪检测方法,来跟踪检测淋巴结,该方法能自动有效地提取淋巴结并跟踪检测淋巴 结;我们提出的自适应窗的胃部CT图像淋巴结跟踪检测系统及方法有如下优点:
①本发明是根据每个疑似淋巴结最大切片面积自适应定义每个疑似淋巴结的窗口,专利“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”的窗口大小是固定的,当淋巴结比较小的时候,我们自适应定义的窗口比固定窗口要小的多,对于寻找跟踪目标来说,更加容易;
②本发明是把最大切片面积所在CT图像作为当前帧,从当前帧开始分别向前和向后在分割后的感兴趣图像中进行跟踪操作,而专利“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”是从第一帧开始进行疑似淋巴结的多目标跟踪,我们的方法只需要提取出该淋巴结相对面积比较大的就行了,不要求提取出所有该疑似淋巴结序列中所有疑似淋巴结。
③本发明是根据淋巴结和血管在跟踪过程中其面积变化和中心偏移是有区别的,其中血管序列的面积变化不大,并且血管有偏移,而淋巴结序列的面积基本上是从小到大,再从大到小的变化规律,并且淋巴结序列中的淋巴结是在该序列当前帧中的淋巴结的中心像素位置附近变化,不会偏离中心位置,从而可以设计自适应窗的淋巴结跟踪检测方法,进而区分血管和淋巴结;而专利“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”是没有区分血管和疑似淋巴结的操作。
④本发明是根据医生标记的淋巴结窗口序列图中的开始帧窗口和结束帧窗口与当前帧的窗口特征的相似度,通过直方图统计得到阈值,来确定疑似淋巴结跟踪序列的开始帧和结束帧,并通过医生标记的淋巴结窗口序列图中淋巴结的面积变化程度来确定疑似淋巴结是否是淋巴结;而专利“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”只用根据序列的 长度来判断是否是淋巴结,标记了太多的非淋巴结。
仿真实验结果表明,本发明能在有效地提取出淋巴结的同时,能够比较准确地跟踪检测出胃部CT图像中的淋巴结。
以下将结合附图对本发明做进一步详细说明。
附图说明
图1是本发明中跟踪检测系统的结构框图;
图2是本发明中基于模糊C均值的分类模块的结构框图;
图3是本发明中基于边界先验的疑似淋巴结提取模块的结构框图;
图4是本发明中自适应窗的淋巴结跟踪检测模块的结构框图;
图5是本发明的自适应窗的胃部CT图像跟踪检测方法流程图;
图6是本发明的一幅待处理图像F;
图7是本发明对图6进行模糊C均值分类之后的图F1;
图8是本发明对图7(c)进行边界提取的边界图F2;
图9是本发明对图8与图7(b)进行交集运算得到的边界图F3;
图10是本发明对图8和图9局部区域放大的结果图F4;
图11是本发明对图8与图9区域边界完全一样的边界所组成的边界图F5;
图12是本发明基于边界先验的疑似淋巴结提取结果图F6;
图13是本发明对医生标记的淋巴结开始帧和结束帧分别与当前帧的相似度进行统计得到的直方图F7;
图14是本发明对医生标记的淋巴结序列中的面积变化程度统计得到的直方图F8;
图15是本发明在两个血管的跟踪结果图F9;
图16是本发明在两个淋巴结的跟踪结果图F10。
具体实施方式
下面结合附图对自适应窗的胃部CT图像淋巴结跟踪检测系统做进一步描述。
参照图1,自适应窗的胃部CT图像淋巴结跟踪检测系统,包括基于模糊C均值的分类模块1,基于边界先验的疑似淋巴结提取模块2,自适应窗的淋巴结跟踪检测模块3,其中:
基于模糊C均值的分类模块1,用于对图像进行分类,分为3类区域,第一类为背景区域,第二类是脂肪区域,第三类为感兴趣区域;
基于边界先验的疑似淋巴结提取模块2,用于对感兴趣区域进行外边界检测,利用先验疑似淋巴结的外边界在脂肪区域中,能够提取出疑似淋巴结;
自适应窗的淋巴结跟踪检测模块3,用于对疑似淋巴结的窗口图像中的目标进行跟踪并检测出目标,该模块按每个疑似淋巴结最大切片面积自适应定义每个疑似淋巴结的窗口并把最大切片面积所在CT图像作为当前帧;从当前帧开始向前和向后进行跟踪操作,由于淋巴结和血管在跟踪过程中其面积变化和中心偏移是有区别的,从而检测出淋巴结;
参照图2,所述的基于模糊C均值分类模块1,包括模糊C均值参数计算子模块11和模糊C均值分类子模块12,其中:
模糊C均值参数计算子模块11,用于求解模糊C均值目标函数 的参数,其中v1,…,vc是c个聚类中心,m>1是 个常量,μik是隶属度,是样本xk属于第i类的概率,并且0≤μik≤1,U是c·n的隶属度矩阵。
模糊C均值分类子模块12,通过模糊C均值参数计算子模块,可以得到最终的参数,通过公式得到样本xj被分到第k类。其中c=3,可以把样本分为3类,第一类为背景区域中的样本,第二类是脂肪区域中的样本,第三类为感兴趣区域中的样本。
参照图3,所述的基于边界先验的疑似淋巴结提取模块2,包括边界提取子模块21和疑似淋巴结提取子模块22,其中:
边界提取子模块21,用于对感兴趣区域图中各个连通区域进行外边界提取,对于感兴趣区域图中每个像素的8领域中是脂肪区域和背景区域的像素标记为边界;
疑似淋巴结提取子模块22,利用疑似淋巴结的外边界在脂肪区域中这个先验,若感兴趣区域图的一个连通区域的外边界全都在脂肪区域中,则标记该区域为疑似淋巴结。
参照图4,所述的自适应窗的淋巴结跟踪检测模块3,包括疑似淋巴结面积排序子模块31,疑似淋巴结窗口大小及中心位置计算子模块32,血管跟踪子模块33,淋巴结跟踪子模块34,血管标记子模块35,淋巴结标记子模块36,其中:
疑似淋巴结面积排序子模块31,通过基于边界先验的疑似淋巴结提取模块,得到所有图像中的疑似淋巴结,对所有图像中的疑似淋巴结按照面积从大到小进行排序,得到A={a1,a2,…,an},其中Area(ak)≥Area(ak+1)≥5,1≤k≤n-1.Area(ak)是疑似淋巴结ak的面积,即疑似 淋巴结ak所在区域的像素个数,n为所有图像的疑似淋巴结的总个数。
疑似淋巴结窗口大小及中心位置计算子模块32,对于疑似淋巴结ak∈A的窗口大小为(2*lk+1)·(2*lk+1),其中lk的定义为:找到疑似淋巴结ak中所有像素点到中心点(x,y)之间具有最远距离的像素点,该像素点与中心点(x,y)的距离即为lk,中心点是疑似淋巴结ak中所有像素的均值位置,即 其中(xj,yj)∈K(ak),K(ak)是疑似淋巴结ak中的所有像素的位置集合,m为集合K(ak)中包含像素总数;以疑似淋巴结ak的中心像素点(x,y)为中心,大小为(2*lk+1)·(2*lk+1)的窗口作为ak的窗Wf,其中f是疑似淋巴结ak的窗口所在的帧。
血管跟踪子模块33,从当前帧开始向前向后进行血管的跟踪,下一帧所能正确跟踪出的血管是由上一帧的血管在上一帧窗口的相应位置所决定的,由于血管的面积变化不大,且两帧之间的位移不大,所以在下一帧的相应位置可以跟踪到血管,我们分为三种情况,如果在相应位置上有多个不同的连通区域,并且在相应位置所含像素最多的那个连通区域的面积和当前帧血管的面积变化不大,那么我们选择在相应位置所含像素最多的那个连通区域即为跟踪到的目标;如果在相应位置上只有一个连通区域,并且该连通区域在该窗口中的面积与当前帧血管的面积变化不大,那么该连通区域即为跟踪到的目标;如果在相应位置上没有连通区域存在,这种情况是由于血管突然转走,以后不再出现该血管区域,那么血管跟踪算法结束;如果在下一帧中可以跟踪到目标,那么我们首先取一个比原来窗口更大的新的窗口W,该新窗口W的边界线上不包含该跟踪到的目标在W中对应的目标中的像素,如果在下一帧跟踪到的目标区域和新的窗口W对应的 目标区域的面积不相同,那么我们需要做扩窗操作,重新得到的窗口大小是由新的窗口W对应的目标区域中各个像素与中心点之间的最大距离得到的。
淋巴结跟踪子模块34,从当前帧开始向前向后在分割后的感兴趣区域图上的相应位置各取相应大小的15个窗,该相应位置和相应大小和当前帧相同,得到31个窗口图像,去除这31个窗口图像的多余冗余信息,既每一帧最多保留一个跟踪区域,我们所关注的区域是疑似淋巴结ak所在窗口中的区域位置O,对于某一帧,若有多个疑似淋巴结都在区域位置O中有像素,那么跟踪结果是在区域位置O中有像素的疑似淋巴结的中心距离窗口中心最近的那个疑似淋巴结;若只有一个疑似淋巴结在区域位置O中有像素,则跟踪结果就是该疑似淋巴结;若没有疑似淋巴结在区域位置O中有像素,则跟踪结果为空;其它窗口图像也是按照此种方法得到跟踪结果,从而可以去除多余信息;接下来,计算所有窗口图像到当前帧窗口图像的相似度,对于一个窗口图像的特征为窗口中所有灰度值非零像素在直方图的十个区间中的像素个数所组成的十维向量,即对于窗口图像Wf,设该窗口图像中最大的像素灰度值为d=255,最小的像素灰度值为c=0,十个区间为 则窗口图像f的每个灰度值非零像素一定落在这十个区间中的一个,可以得到一个十维向量既可以得到每个窗口图像的特征向量分别为计算每个窗口的特征向量与疑似淋巴结ak所在窗口图像f的特征的相似度为得到一个长度为31维的相似性向量 现在开始找该疑似淋巴结的开始帧和结束帧,从sf开始,向前找到第一个大于t1的相似度所在的帧为开始帧low_f,我们找到中的最大值,如果最大值大于则更改开始帧low_f为具有该最大值的帧中离f最近的那个最大值所在的帧;找结束帧的方法和开始帧相似,从sf开始,向后找到第一个大于t1的相似度所在的帧为结束帧high_f,我们找到 中的最大值,如果最大值大于 则更改结束帧high_f为具有该最大值的帧中离f最近的那个最大值所在的帧;
血管标记子模块35,通过血管跟踪子模块,得到该疑似淋巴结ak的跟踪窗口序列图,若窗口的目标面积变化不大,且最终得到的窗口比原来的窗口大2倍,则判断该疑似淋巴结ak为血管,否则不是血管;如果疑似淋巴结ak是血管,则ak的窗口序列中的血管有同一个标记,该标记不同于其它序列,从A中删除血管ak的窗口序列图中对应的血管;
淋巴结标记子模块36,通过淋巴结跟踪子模块可以得到该疑似淋巴结ak的窗口序列图,若疑似淋巴结ak窗口序列图中的目标的面积变化程度大于阈值t2,则该疑似淋巴结ak是淋巴结,否则不是淋巴结;若疑似淋巴结ak是淋巴结,则疑似淋巴结ak的窗口序列图中的淋巴结有一个相同的标记,且该标记不同于其它序列,并从A中删除淋巴结ak的窗口序列图中对应的淋巴结。
下面结合附图对自适应窗的胃部CT图像淋巴结跟踪检测方法做进一步描述。
参照图5,本发明自适应窗的胃部CT图像淋巴结跟踪检测方法,包括如下步骤:
步骤1,基于模糊C均值的分类
1.1)读入一副待分类原图像F,如图6;
1.2)参数初始化为 令g=0;
1.3)计算
1.4)计算
1.5)计算
1.6)若|U(g)-U(g+1)|≤ε或者|J(g)-J(g+1)|≤ε成立,其中ε是预先设定的一个较小的数,通常为10-4,则转向1.7),否则g=g+1,转向1.3);
1.7)对图像F的像素样本分类,可以得到最终的参数,计算得到 即样本xj被分到第k类。即得到图F1,如图7所示,其中图7(a)为第一类像素组成的背景区域图(灰度值为0),图7(b)是第二类像素 组成的脂肪区域图(灰度值非零),图7(c)是第三类像素组成的感兴趣区域图(灰度值非零);
步骤2,基于边界先验的疑似淋巴结提取
2.1)读入步骤1得到的分类结果图F1中的图7(c);
2.2)对于图7(c)中的各个连通区域,求各个连通区域的八领域中是背景和脂肪的像素,即组成它们的边界,即得到图F2,如图8所示,;
2.3)求连通区域的边界中的像素在脂肪区域中的像素占其边界的比例,即得到图F3,如图9所示,若比例等于1,则标记该区域是疑似淋巴结,即得到图F4,如图10(e)和图10(f),图10(g)和图10(h)所示,图10(f)和图10(h)是图10(e)和图10(g)白框区域的放大边界图,否则不是疑似淋巴结,如图10(a)和图10(b),图10(c)和图10(d)所示,图10(b)和图10(d)是图10(a)和图10(c)白框区域的放大边界图;
2.4)如果图7(c)的所有连通区域边界都已经被判断,则转向2.5),否则转向2.3);
2.5)得到图7(c)所有连通区域的边界中的像素在脂肪区域中的像素占其边界的比例等于1的边界,得到图F5,如图11所示,从而可以提取出淋巴结,得到图F6,如图12所示;
2.6)若所有图像都得到的疑似淋巴结结果图,则转向步骤3,否则转向步骤1。
步骤3,自适应窗的淋巴结跟踪检测
3.1)对于图像序列图中所有的疑似淋巴结面积进行从大到小的排序,得到A={a1,a2,…,an},其中Area(ai)≥Area(ai+1)≥5,1≤i≤n-1.Area(ai)是疑似淋巴结ai的面积,n为所有图像的疑似淋巴结的总个数,令k=1;
3.2)求疑似淋巴结ak的窗口大小及窗口中心位置:
3.2a)计算疑似淋巴结ak的中心点其中(xj,yj)∈K(ak),K(ak)是疑似淋巴结ak中的所有像素的位置集合,g为集合K(ak)中包含像素总数;
3.2b)求max|Pi-P|2,其中Pi∈K(ak),Pi=(xi,yi),P=(x,y),得到到点P具有最远距离的点M(xr,yr);
3.2c)
得到以疑似淋巴结ak的中心像素点(x,y)为中心,大小为(2*lk+1)·(2*lk+1)的矩形作为ak的窗Wf,其中f是疑似淋巴结ak的窗口所在的帧;
3.3)如果lk<5,则转向3.4),否则转向3.5);
3.4)求血管跟踪得到的窗口序列图,设该序列图总共有H帧,窗口Wf只保留位置集合K(ak)上值,其它位置上的灰度值为零;
3.4a)m=f,lk′=lk,向前跟踪:
3.4b)在序列图像m-1上,取以点(x,y)为中心,大小为(2*lk′+1)·(2*lk′+1)的窗Wm-1;
3.4c)窗口Wm与窗口Wm-1进行交运算得到交窗口图像;
3.4d)设交窗口图像上的具有最多像素灰度值非零的连通区域的像素个数为e,如果令开始帧为m,转向3.4j);
3.4e)如果则以交窗口图像中具有最大像素个数的连通区域中任一像素位置为种子,在窗口Wm-1上进行种子生长得到区域s1,并且在分割 后的感兴趣图像进行种子生长得到区域s2,若得到的两个区域的面积不相等,则转向3.4f),若区域s1和区域s2的面积相等,则转向3.4h);
3.4f)扩窗口:求max|Pi-P|2,其中Pi∈K(s2),Pi=(xi,yi),得到到点P具有最远距离的点M(xr,yr),K(s2)是区域s2的位置集合;即得到
3.4g)在序列图像m-1上,取以点(x,y)为中心,大小为(2*lk′+1)·(2*lk′+1)的窗Wm-1,对3.4e)中的区域s1中的任一点为种子点,在窗Wm-1中进行种子生长,得到新的区域s1;
3.4h)对窗口Wm-1跟踪得到的区域s1之外的像素灰度值置为0,即去除无关信息;
3.4i)如果m≤1,则转向3.4j),否则,m=m-1,转向3.4b)。
3.4j)m=f,lk′=lk,向后跟踪:
3.4k)在序列图像m+1上,取以点(x,y)为中心,大小为(2*lk′+1)·(2*lk′+1)的窗Wm+1;
3.4l)窗口Wm与窗口Wm-1进行交运算得到交窗口图像;
3.4m)设交窗口图像上的具有最多像素灰度值非零的连通区域的像素个数为e,如果令结束帧为m,转向3.4s);
3.4n)如果则以交窗口图像中具有最大像素个数的连通区域中任一像素位置为种子,在窗口Wm-1上进行种子生长得到区域s1,并且在分割后感兴趣图像进行种子生长得到区域s2,若得到的两个区域的面积不相等,则转向3.4o),若区域s1和区域s2的面积相等,则转向3.4q);
3.4o)扩窗口:求max|Pi-P|2,其中Pi∈K(s2),Pi=(xi,yi),得到到点P具 有最远距离的点M(xr,yr),K(s2)是区域s2的位置集合;既得到
3.4p)在序列图像m-1上,取以点(x,y)为中心,大小为(2*lk′+1)·(2*lk′+1)的窗Wm-1,对3.4n)中的区域s1中的任一点为种子点,在窗Wm-1中进行种子生长,得到新的区域s1;
3.4q)对窗口Wm-1跟踪得到的区域s1之外的像素灰度值置为0,即去除无关信息;
3.4r)如果m≥H,则转向3.4s),否则,m=m+1,转向3.4k)。
3.4s):通过3.4a)到3.4r)得到疑似淋巴结的窗口序列图,当扩窗之后的窗口的大小大于原来的2倍,并且窗口中疑似淋巴结的面积都和当前窗口的面积大小变化不大,则判断该疑似淋巴结的窗口序列图是血管窗口序列图,转向3.6),否则转向3.5);
3.5)按照淋巴结跟踪算法求得跟踪窗口序列图
3.5a)对于窗口Wf只保留位置集合K(ak)上值,其它位置上的灰度值为零;
3.5b)m=f,向前跟踪;
3.5c)如果m>=max(1,f-15),在分割之后的感兴趣区域图像上的相应位置,取窗口Wm-1,否则转向3.5h);
3.5d)对窗口Wm-1的各个连通区域标号,即同一个连通区域的标号是一样的;
3l.5e)如果窗口Wm-1在位置集合K(ak)上的不同标号不止一个,选择距离窗口Wm中跟踪出的疑似淋巴结中心最近的那个标号的疑似淋巴结,即是窗口Wm-1的跟踪区域,置窗口Wm-1跟踪区域之外的像素灰度值为0,m=m-1, 转向3.5c);
3.5f)如果Wm-1在位置集合K(ak)上的标号只有一个,则该标号的区域即为窗口Wm-1的跟踪结果,m=m-1,转向3.5c);
3.5g)如果Wm-1在位置集合K(ak)上的像素灰度值都为0,则开始帧low_f为m,向前跟踪结束,转向3.5l);
3.5h)精确找到开始帧:,令m=f;
3.5i)分别计算窗口Wmax(1,f-15),…,窗口Wf-1与窗口Wf之间的相似度为smax(1,f-15),…,sf-1;
3.5j)如果sm>t1,则计算smax(1,f-15),…,sm-1的最大值,否则,m=m-1,转向3.5j);
3.5k)对所有具有slow_f,…,sm-1最大值的那个相似度的下标距离f最近的那个窗口所在的帧,即为开始帧low_f;
3.5l)m=f,向后跟踪;
3.5m)如果m<=min(H,f+15),在分割之后的感兴趣区域图像上的相应位置,取窗口Wm+1,否则转向3.5r);
3.5n)对窗口Wm+1的各个连通区域标号,即同一个连通区域的标号是一样的;
3.5o)如果窗口Wm+1在位置集合K(ak)上的不同标号不止一个,选择距离窗口Wm中跟踪出的疑似淋巴结中心最近的那个标号的疑似淋巴结,即是窗口Wm+1的跟踪区域,置窗口Wm+1跟踪区域之外的像素灰度值为0,m=m+1,转向3.5m);
3.5p)如果Wm+1在位置集合K(ak)上的标号只有一个,则该标号的区域即为窗口Wm+1的跟踪结果,m=m+1,转向3.5m);
3.5q)如果Wm+1在位置集合K(ak)上的像素灰度值都为0,则结束帧high_f为m,向后跟踪结束,转向3.5v);
3.5r)精确找到结束帧,令m=f;
3.5s)分别计算窗口Wmin(f+15,H),…,窗口Wf-1与窗口Wf之间的相似度为sf+1,…,smin(f+15,H);
3.5t)如果sm>t1,则计算sm+1,…,smin(f+15,H)的最大值,否则,m=m+1,转向3.5t);
3.5u)所有具有sm+1,…,smin(f+15,H)最大值的那个相似度的下标距离f最近的那个窗口所在的帧,即为结束帧high_f;
3.5v)找到该疑似淋巴结的窗口序列图Wlow_f,…,Wf,…,Whigh_f,转向3.7);
3.6)血管标记与去除
3.6a)该血管窗口序列图中的血管有同一个标记,该标记不同于其它序列,;
3.6b)去除血管窗口序列图中在集合A中疑似淋巴结;
3.6c)如果A中没有疑似淋巴结,则结束,否则对A按照面积从大到小重新排序,令k=1,转向3.2);
3.7)淋巴结标记与去除
3.7a)计算窗口序列图Wlow_f,…,Wf,…,Whigh_f的面积分别为Slow_f,…,Sf,…,Shigh_f;
3.7b)令i=low_f,count=0;
3.7c))如果i<f并且Si<Si+1,count=count+1,否则转向3.7e);
3.7d)i=i+1,转向3.7c);
3.7e)令i=f;
3.7f)如果i<high_f并且Si>Si+1,count=count+1,否则转向3.7h);
3.7g)i=i+1,转向3.7f);
3.7h)如果则标记该窗口序列图Wlow_f,…,Wf,…,Whigh_f中淋巴结为同一个标记,该标记不同于其它序列的标记,转向3.7i),否则在A中删除疑似淋巴结ak,转向3.7j);
3.7i)在A中删除窗口序列图Wlow_f,…,Wf,…,Whigh_f中的在A中对应的疑似淋巴结;
3.7j)如A为空,则结束,否则对A中的疑似淋巴结按面积从大到小重新排序,令k=1,转向3.2);
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:
实验条件
本发明的仿真在windows7旗舰版,Intel(R)Core(TM)2DuoCPU,基本频率3.0GHZ,软件平台为Matlab2013a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,根据医生标记的所有淋巴结统计得到用于淋巴结跟踪的两个阈值,如图13和图14所示的直方图,得到阈值t1=0.7,t2=0.65。
2.仿真内容及结果
本实验对所有疑似淋巴结按照以上条件进行仿真,仿真结果如图15和图16,其中图15是对两个血管的跟踪结果展示,图16是对两个淋巴结的跟踪结果展示,图15(a)和图15(d)分别是两幅胃部CT图像,白框是扩窗之后的血管窗口所在的位置,窗口大小分别是47*47和29*29;图15(b)和 图15(e)分别是图15(a)和图15(d)中的血管的窗口序列图,白框中的血管是当前帧的血管;图15(c)和图15(f)分别是图15(b)和图15(e)的去除窗口无关信息的血管窗口序列图,白框中的血管是当前帧去除窗口无关信息之后的血管;图16(a)和图16(d)分别是两幅胃部CT图像,白框是淋巴结窗口所在的位置;图16(b)和图16(e)分别是图16(a)和图16(d)中的淋巴结的窗口序列图,白框中的淋巴结是当前帧的淋巴结;图16(c)和图16(f)分别是图16(b)和图16(e)的去除窗口无关信息的淋巴结窗口序列图,白框中的淋巴结是当前帧去除窗口无关信息之后的淋巴结;本发明能有效地去除肝脏等无关信息,可以提取出淋巴结,我们通过自适应窗的淋巴结跟踪检测方法,可以很好地跟踪和区分血管和淋巴结,并检测疑似淋巴结是否是淋巴结,属于同一序列的疑似淋巴结,具有同一个标号。
以上结果表明:本发明首先利用基于模糊C均值和边界先验的疑似淋巴结提取方法获取每个单幅胃部CT图像的疑似淋巴结,能够很好提取出淋巴结;按每个疑似淋巴结最大切片面积自适应定义每个疑似淋巴结的窗口并把最大切片面积所在CT图像作为当前帧,从当前帧开始向前和向后进行跟踪操作,极大的简化了跟踪的复杂度;由于淋巴结和血管在跟踪过程中其面积变化和中心偏移是有区别的,从而检测出淋巴结,该跟踪检测方法可以很好的区分血管和淋巴结;本发明能自动有效地提取淋巴结并跟踪检测淋巴结。
Claims (2)
1.自适应窗的胃部CT图像淋巴结跟踪检测系统,其特征是:依次包括用于对图像进行分类的基于模糊C均值的分类模块、用于对感兴趣区域进行外边界检测的基于边界先验的疑似淋巴结提取模块和用于对疑似淋巴结的窗口图像中的目标进行跟踪并检测出目标的自适应窗的淋巴结跟踪检测模块;
所述基于模糊C均值的分类模块依次包括用于求解模糊C均值目标函数的模糊C均值参数计算子模块和对计算结果样本分类的模糊C均值分类子模块;
所述基于边界先验的疑似淋巴结提取模块依次包括对图像各区域进行边界提取的边界提取子模块和对疑似淋巴结边界进行标记的疑似淋巴结提取子模块;
所述自适应窗的淋巴结跟踪检测模块依次包括疑似淋巴结面积排序子模块、疑似淋巴结窗口大小及中心位置计算子模块、血管跟踪子模块、淋巴结跟踪子模块、血管标记子模块和淋巴结标记子模块。
2.一种适用于权利要求1所述的跟踪检测系统的方法,其特征是:包括以下几个步骤:
第一步,基于模糊C均值的分类
用于对图像进行分类,分为3类区域,第一类为背景区域,第二类是脂肪区域,第三类为感兴趣区域,主要步骤为:
1.1、模糊C均值参数计算子步骤,用于求解模糊C均值目标函数的参数,其中v1,…,vc是c个聚类中心,m>1是个常量,μik是隶属度,是样本xk属于第i类的概率,并且0≤μik≤1,U是c·n的隶属度矩阵;
1.2、模糊C均值分类子步骤,通过模糊C均值参数计算子模块,可以得到最终的参数,通过公式得到样本xj被分到第k类。其中c=3,可以把样本分为3类,第一类为背景区域中的样本,第二类是脂肪区域中的样本,第三类为感兴趣区域中的样本;
第二步,基于边界先验的疑似淋巴结提取
用于对感兴趣区域进行外边界检测,利用先验疑似淋巴结的外边界在脂肪区域中,能够提取出疑似淋巴结,主要步骤为:
2.1、边界提取子步骤,用于对感兴趣区域图中各个连通区域进行外边界提取,对于感兴趣区域图中每个像素的8领域中是脂肪区域和背景区域的像素标记为边界;
2.2、疑似淋巴结提取子步骤,利用疑似淋巴结的外边界在脂肪区域中这个先验,若感兴趣区域图的一个连通区域的外边界全都在脂肪区域中,则标记该区域为疑似淋巴结;
第三步,自适应窗的淋巴结跟踪检测
用于对疑似淋巴结的窗口图像中的目标进行跟踪并检测出目标,该模块按每个疑似淋巴结最大切片面积自适应定义每个疑似淋巴结的窗口并把最大切片面积所在CT图像作为当前帧;从当前帧开始向前和向后进行跟踪操作,由于淋巴结和血管在跟踪过程中其面积变化和中心偏移是有区别的,从而检测出淋巴结,主要步骤为:
3.1疑似淋巴结面积排序子步骤,通过基于边界先验的疑似淋巴结提取步骤,得到所有图像中的疑似淋巴结,对所有图像中的疑似淋巴结按照面积从大到小进行排序,得到A={a1,a2,…,an},其中Area(ak)≥Area(ak+1)≥5,1≤k≤n-1.Area(ak)是疑似淋巴结ak的面积,即疑似淋巴结ak所在区域的像素个数,n为所有图像的疑似淋巴结的总个数;
3.2、疑似淋巴结窗口大小及中心位置计算子步骤,对于疑似淋巴结ak∈A的窗口大小为(2*lk+1)·(2*lk+1),其中lk的定义为:找到疑似淋巴结ak中所有像素点到中心点(x,y)之间具有最远距离的像素点,该像素点与中心点(x,y)的距离即为lk,中心点是疑似淋巴结ak中所有像素的均值位置,即其中(xj,yj)∈K(ak),K(ak)是疑似淋巴结ak中的所有像素的位置集合,m为集合K(ak)中包含像素总数;以疑似淋巴结ak的中心像素点(x,y)为中心,大小为(2*lk+1)·(2*lk+1)的窗口作为ak的窗Wf,其中f是疑似淋巴结ak的窗口所在的帧;
3.3、血管跟踪子步骤,从当前帧开始向前向后进行血管的跟踪,下一帧所能正确跟踪出的血管是由上一帧的血管在上一帧窗口的相应位置所决定的,由于血管的面积变化不大,且两帧之间的位移不大,所以在下一帧的相应位置可以跟踪到血管,我们分为三种情况,如果在相应位置上有多个不同的连通区域,并且在相应位置所含像素最多的那个连通区域的面积和当前帧血管的面积变化不大,那么我们选择在相应位置所含像素最多的那个连通区域即为跟踪到的目标;如果在相应位置上只有一个连通区域,并且该连通区域在该窗口中的面积与当前帧血管的面积变化不大,那么该连通区域即为跟踪到的目标;如果在相应位置上没有连通区域存在,这种情况是由于血管突然转走,以后不再出现该血管区域,那么血管跟踪算法结束;如果在下一帧中可以跟踪到目标,那么我们首先取一个比原来窗口更大的新的窗口W,该新窗口W的边界线上不包含该跟踪到的目标在W中对应的目标中的像素,如果在下一帧跟踪到的目标区域和新的窗口W对应的目标区域的面积不相同,那么我们需要做扩窗操作,重新得到的窗口大小是由新的窗口W对应的目标区域中各个像素与中心点之间的最大距离得到的;
3.4、淋巴结跟踪子步骤,从当前帧开始向前向后在分割后的感兴趣区域图上的相应位置各取相应大小的15个窗,该相应位置和相应大小与当前帧相同,得到31个窗口图像,去除这31个窗口图像的多余冗余信息,既每一帧最多保留一个跟踪区域,我们所关注的区域是疑似淋巴结ak所在窗口中的区域位置O,对于某一帧,若有多个疑似淋巴结都在区域位置O中有像素,那么跟踪结果是在区域位置O中有像素的疑似淋巴结的中心距离窗口中心最近的那个疑似淋巴结;若只有一个疑似淋巴结在区域位置O中有像素,则跟踪结果就是该疑似淋巴结;若没有疑似淋巴结在区域位置O中有像素,则跟踪结果为空;其它窗口图像也是按照此种方法得到跟踪结果,从而可以去除多余信息;接下来,计算所有窗口图像到当前帧窗口图像的相似度,对于一个窗口图像的特征为窗口中所有灰度值非零像素在直方图的十个区间中的像素个数所组成的十维向量,即对于窗口图像Wf,设该窗口图像中最大的像素灰度值为d=255,最小的像素灰度值为c=0,十个区间为则窗口图像f的每个灰度值非零像素一定落在这十个区间中的一个,可以得到一个十维向量既可以得到每个窗口图像的特征向量分别为计算每个窗口的特征向量与疑似淋巴结ak所在窗口图像f的特征的相似度为得到一个长度为31维的相似性向量 现在开始找该疑似淋巴结的开始帧和结束帧,从sf开始,向前找到第一个大于t1的相似度所在的帧为开始帧low_f,我们找到中的最大值,如果最大值大于则更改开始帧low_f为具有该最大值的帧中离f最近的那个最大值所在的帧;找结束帧的方法和开始帧相似,从sf开始,向后找到第一个大于t1的相似度所在的帧为结束帧high_f,我们找到中的最大值,如果最大值大于则更改结束帧high_f为具有该最大值的帧中离f最近的那个最大值所在的帧;
3.5、血管标记子步骤,通过血管跟踪子步骤,得到该疑似淋巴结ak的跟踪窗口序列图,若窗口的目标面积变化不大,且最终得到的窗口比原来的窗口大2倍,则判断该疑似淋巴结ak为血管,否则不是血管;如果疑似淋巴结ak是血管,则ak的窗口序列中的血管有同一个标记,该标记不同于其它序列,从A中删除血管ak的窗口序列图中对应的血管;
3.6、淋巴结标记子步骤,通过淋巴结跟踪子步骤可以得到该疑似淋巴结ak的窗口序列图,若疑似淋巴结ak窗口序列图中的目标的面积变化程度大于阈值t2,则该疑似淋巴结ak是淋巴结,否则不是淋巴结;若疑似淋巴结ak是淋巴结,则疑似淋巴结ak的窗口序列图中的淋巴结有一个相同的标记,且该标记不同于其它序列,并从A中删除淋巴结ak的窗口序列图中对应的淋巴结。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410051900.9A CN103955912B (zh) | 2014-02-14 | 2014-02-14 | 自适应窗的胃部ct图像淋巴结跟踪检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410051900.9A CN103955912B (zh) | 2014-02-14 | 2014-02-14 | 自适应窗的胃部ct图像淋巴结跟踪检测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103955912A true CN103955912A (zh) | 2014-07-30 |
CN103955912B CN103955912B (zh) | 2017-01-11 |
Family
ID=51333181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410051900.9A Active CN103955912B (zh) | 2014-02-14 | 2014-02-14 | 自适应窗的胃部ct图像淋巴结跟踪检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103955912B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408737A (zh) * | 2014-12-15 | 2015-03-11 | 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 |
CN104408457A (zh) * | 2014-11-26 | 2015-03-11 | 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 |
CN105405140A (zh) * | 2015-11-12 | 2016-03-16 | 西安电子科技大学 | 基于初始素描图的胃部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 |
CN106683159A (zh) * | 2016-12-22 | 2017-05-17 | 深圳开立生物医疗科技股份有限公司 | 三维盆底超声图像处理方法及系统 |
CN110322478A (zh) * | 2019-06-10 | 2019-10-11 | 广州视源电子科技股份有限公司 | 特征点观察窗口处理方法、跟踪方法、装置、设备和介质 |
CN110443247A (zh) * | 2019-08-22 | 2019-11-12 | 中国科学院国家空间科学中心 | 一种无人机地面运动小目标实时检测系统及方法 |
CN112837296A (zh) * | 2021-02-05 | 2021-05-25 | 深圳瀚维智能医疗科技有限公司 | 基于超声视频的病灶检测方法、装置、设备及存储介质 |
CN113344855A (zh) * | 2021-05-10 | 2021-09-03 | 深圳瀚维智能医疗科技有限公司 | 降低乳腺超声病灶检测假阳率的方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20130077837A1 (en) * | 2010-03-29 | 2013-03-28 | Galderma Research & Development Snc | Fuzzy clustering algorithm and its application on carcinoma tissue |
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 |
CN103150723A (zh) * | 2013-01-25 | 2013-06-12 | 西安电子科技大学 | 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 |
-
2014
- 2014-02-14 CN CN201410051900.9A patent/CN103955912B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130077837A1 (en) * | 2010-03-29 | 2013-03-28 | Galderma Research & Development Snc | Fuzzy clustering algorithm and its application on carcinoma tissue |
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 |
CN103150723A (zh) * | 2013-01-25 | 2013-06-12 | 西安电子科技大学 | 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 |
Non-Patent Citations (1)
Title |
---|
邵虹 等: "基于模糊C均值聚类和统计特性的医学图象检索", 《中国图像图形学报》 * |
Cited By (15)
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 |
CN104408457A (zh) * | 2014-11-26 | 2015-03-11 | 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 |
CN104408737A (zh) * | 2014-12-15 | 2015-03-11 | 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 |
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 |
CN105405140A (zh) * | 2015-11-12 | 2016-03-16 | 西安电子科技大学 | 基于初始素描图的胃部ct图像淋巴结检测系统 |
CN105405140B (zh) * | 2015-11-12 | 2018-07-06 | 西安电子科技大学 | 基于初始素描图的胃部ct图像淋巴结检测系统和方法 |
CN106296659A (zh) * | 2016-07-27 | 2017-01-04 | 潘燕 | 一种计算机辅助胃癌诊断系统 |
WO2018113282A1 (zh) * | 2016-12-22 | 2018-06-28 | 深圳开立生物医疗科技股份有限公司 | 三维盆底超声图像处理方法及系统 |
CN106683159A (zh) * | 2016-12-22 | 2017-05-17 | 深圳开立生物医疗科技股份有限公司 | 三维盆底超声图像处理方法及系统 |
CN106683159B (zh) * | 2016-12-22 | 2020-02-18 | 深圳开立生物医疗科技股份有限公司 | 三维盆底超声图像处理方法及系统 |
CN110322478A (zh) * | 2019-06-10 | 2019-10-11 | 广州视源电子科技股份有限公司 | 特征点观察窗口处理方法、跟踪方法、装置、设备和介质 |
CN110322478B (zh) * | 2019-06-10 | 2021-09-07 | 广州视源电子科技股份有限公司 | 特征点观察窗口处理方法、跟踪方法、装置、设备和介质 |
CN110443247A (zh) * | 2019-08-22 | 2019-11-12 | 中国科学院国家空间科学中心 | 一种无人机地面运动小目标实时检测系统及方法 |
CN112837296A (zh) * | 2021-02-05 | 2021-05-25 | 深圳瀚维智能医疗科技有限公司 | 基于超声视频的病灶检测方法、装置、设备及存储介质 |
CN113344855A (zh) * | 2021-05-10 | 2021-09-03 | 深圳瀚维智能医疗科技有限公司 | 降低乳腺超声病灶检测假阳率的方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103955912B (zh) | 2017-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Maji et al. | Attention Res-UNet with Guided Decoder for semantic segmentation of brain tumors | |
CN103955912B (zh) | 自适应窗的胃部ct图像淋巴结跟踪检测系统及方法 | |
Sharif et al. | A comprehensive review on multi-organs tumor detection based on machine learning | |
CN110930367B (zh) | 多模态超声影像分类方法以及乳腺癌诊断装置 | |
CN106778005B (zh) | 基于多参数mri的前列腺癌计算机辅助检测系统 | |
Maitra et al. | Identification of abnormal masses in digital mammography images | |
US7876947B2 (en) | System and method for detecting tagged material using alpha matting | |
CN107133638B (zh) | 基于两分类器的多参数mri前列腺癌cad方法及系统 | |
ES2914387T3 (es) | Estudio inmediato | |
Ruan et al. | MB-FSGAN: Joint segmentation and quantification of kidney tumor on CT by the multi-branch feature sharing generative adversarial network | |
Kaur et al. | Artificial intelligence techniques for cancer detection in medical image processing: A review | |
Meena et al. | Spatial fuzzy c means pet image segmentation of neurodegenerative disorder | |
Shahangian et al. | Automatic brain hemorrhage segmentation and classification in CT scan images | |
Liu et al. | Multimodal MRI brain tumor image segmentation using sparse subspace clustering algorithm | |
Jayanthi | Comparative study of different techniques used for medical image segmentation of liver from abdominal CT scan | |
WO2021183765A1 (en) | Automated detection of tumors based on image processing | |
Bouchebbah et al. | 3D automatic levels propagation approach to breast MRI tumor segmentation | |
Haq et al. | BTS-GAN: computer-aided segmentation system for breast tumor using MRI and conditional adversarial networks | |
Nayan et al. | A deep learning approach for brain tumor detection using magnetic resonance imaging | |
Jayanthi et al. | Extracting the liver and tumor from abdominal CT images | |
Afnouch et al. | BM-Seg: A new bone metastases segmentation dataset and ensemble of CNN-based segmentation approach | |
Azli et al. | Ultrasound image segmentation using a combination of edge enhancement and kirsch’s template method for detecting follicles in ovaries | |
Affane et al. | Robust deep 3-d architectures based on vascular patterns for liver vessel segmentation | |
Sharma et al. | Importance of deep learning models to perform segmentation on medical imaging modalities | |
Wang et al. | An improved image segmentation method using three-dimensional region growing algorithm |
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 |