CN104408457B - 基于低秩分解和质心跟踪的胃部ct图像淋巴结检测系统 - Google Patents
基于低秩分解和质心跟踪的胃部ct图像淋巴结检测系统 Download PDFInfo
- Publication number
- CN104408457B CN104408457B CN201410690974.7A CN201410690974A CN104408457B CN 104408457 B CN104408457 B CN 104408457B CN 201410690974 A CN201410690974 A CN 201410690974A CN 104408457 B CN104408457 B CN 104408457B
- Authority
- CN
- China
- Prior art keywords
- lymph node
- frame
- doubtful lymph
- doubtful
- target
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30092—Stomach; Gastric
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于低秩分解和质心跟踪的胃部CT图像淋巴结检测系统,主要解决现有胃部CT图像中对疑似淋巴结跟踪不准确和跟踪错误问题,其实现步骤为:1.获取疑似淋巴结序列图;2.对获取的疑似淋巴结序列图中的所有疑似淋巴结按照面积大小进行递减排序;3.对排序后面积最大的疑似淋巴结进行低秩分解确定初始首尾帧;4.对排序后面积最大且自适应窗口大于11*11的疑似淋巴结进行自适应窗口内的质心跟踪;5.对排序后面积最大且自适应窗口不大于11*11的疑似淋巴结进行不完全受自适应窗口限制的质心跟踪;6.对已跟踪过的疑似淋巴结的删除处理。本发明与其他淋巴结检测方法相比,较大的提高了淋巴结跟踪的准确率。
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检测及其辅助诊断。
背景技术
由于CT图像具有良好的视觉性,CT图像在医学领域得到了广泛的应用。在CT图像医疗诊断中,医生通过观察一组序列二维切片图像去发现病原体,即目前对CT图像信息的分析主要是依靠医生自身的经验。但是随着医学成像技术的快速发展,对每个人拍摄的CT图像的数目日益增多,对这些图像的处理,单纯的依靠医生会导致医生工作量的加大。随着计算机技术和图像处理技术的迅速发展,可以通过计算机对CT图像中的信息进行处理,使得医生不必花大量的时间和精力进行繁琐的病变信息的识别。所以,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。
由于胃部CT图像里面包含的组织多样,各组织之间的存在着粘连,这就给胃部CT图像中疑似淋巴结的跟踪检测带来了困难,目前,胃部CT图像淋巴结跟踪检测的方法还比较少,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“基于低秩分解的胃部CT图像淋巴结识别系统和方法”(申请专利号:201410060322.5)公开了一种基于低秩分解的淋巴结的跟踪检测方法,该方法在采用低秩分解确定出首尾帧的基础上,基于面积大小进行固定三帧内的首尾帧的调整,该系统在进行首尾帧调整时并没有考虑疑似淋巴结帧与帧之间的位置关系,可能会导致调整之后的疑似淋巴结和调整之前疑似淋巴结不属于同一个跟踪目标,并且对首尾帧的调整仅仅局限在三帧内,这就使得疑似淋巴结的首位帧确定不够准确。
发明内容
本发明的目的在于针对上述已有技术的不足,提供一种基于低秩分解和质心跟踪的胃部CT图像淋巴结检测系统,以解决疑似淋巴结跟踪过程中的跟踪错误和首位帧确定不准确的问题。
本发明的技术方案是这样实现的:
1.一种基于低秩分解和质心跟踪的胃部CT图像淋巴结检测系统,包括:
疑似淋巴结提取模块,用于对CT序列图每一帧的疑似淋巴结进行提取,得到疑似淋巴结图,用CT序列图中所有图像提取出的疑似淋巴结图组成疑似淋巴结序列图,并对疑似淋巴结序列图中的所有疑似淋巴结构造自适应窗口;
面积排序模块,用于对疑似淋巴结序列图中的所有疑似淋巴结按面积大小进行递减排序;
低秩分解模块,用于对排序后面积最大的疑似淋巴结进行decolor低秩分解,根据低秩分解出来的背景序列进行初始首尾帧的确定;
脏器序列图获取模块,用于将原始序列CT图像每一帧通过otsu分类算法分为4类,每一类对应一副图像,按照灰度值从大到小的顺序依次组成背景图、脂肪图、脏器图、高亮图这四类图;用脏器图组成脏器序列图,并将当前要跟踪的疑似淋巴结在脏器图所在的帧称之为当前帧;
自适应窗口内的质心跟踪模块,用于对自适应窗口大于11*11的疑似淋巴结进行自适应窗口内的质心跟踪,以确定当前跟踪的疑似淋巴结的首尾帧位置;
不完全受自适应窗口限制的质心跟踪模块,用于对自适应窗口不大于11*11的疑似淋巴结进行自适应窗口大小不变、质心变化的质心跟踪,以获取当前跟踪的疑似淋巴结的完整序列;
疑似淋巴结的标记模块,用于在疑似淋巴结序列图上对当前已经跟踪的疑似淋巴结进行已被跟踪过的标记处理和删除处理。
2.一种基于低秩分解和质心跟踪的胃部CT图像淋巴结检测方法,包括如下步骤:
(1)输入一副待检测的CT图像;
(2)对输入的CT图像使用otsu分类算法进行二分类处理,得到脏器淋巴结图P1;
(3)输入脏器淋巴结图P1,并对其使用canny边缘检测,得到边界图,再对边界图进行椭圆拟合得到疑似淋巴结图P2,并对疑似淋巴结设置自适应窗口;
(4)对所有CT序列图像进行上述步骤(1)~步骤(4)的处理,得到疑似淋巴结序列图P3;
(5)对疑似淋巴结序列图P3中所有疑似淋巴结按照面积大小进行递减排序;
(6)对排序后面积最大的疑似淋巴结进行decolor低秩分解,得到当前跟踪的疑似淋巴结的初始首帧、初始尾帧、初始首帧疑似淋巴结的面积s1、初始尾帧疑似淋巴结的面积e1、以及当前跟踪的疑似淋巴结的面积c;
(7)使用otsu分类算法将待检测的CT图像分类,并按照灰度值从大到小的顺序依次组成背景图、脂肪图、脏器图、高亮图这四类图;
(8)对所有CT序列图像进行步骤(7)处理,用所有脏器图组成脏器序列图;
(9)输入排序后面积最大的疑似淋巴结,如果疑似淋巴结的自适应窗口大于11*11,则执行(10),否则跳转到步骤(16);
(10)输入脏器序列图和当前要跟踪的疑似淋巴结,以当前要跟踪的疑似淋巴结在脏器图所在的帧之为当前帧,以当前帧疑似淋巴结的自适应窗口区域为固定区域,得到原始质心跟踪序列图;
(11)输入原始质心跟踪序列图,在原始跟踪序列图上,以当前帧疑似淋巴结所在的位置为中心,向前进行质心跟踪,得到当前跟踪疑似淋巴结的首帧和首帧疑似淋巴结的面积s2;向后进行质心跟踪,得到当前跟踪疑似淋巴结的尾帧和尾帧疑似淋巴结的面积e2;
(12)根据步骤(11)中求出的首帧疑似淋巴结的面积s2、尾帧疑似淋巴结的面积e2、以及步骤(6)求出的初始首帧疑似淋巴结的面积s1、初始尾帧疑似淋巴结的面积e1、当前跟踪的疑似淋巴结的面积c进行淋巴结的判定:
如果则判定为淋巴结,
否则,判定为非淋巴结;
(13)输入疑似淋巴结的首帧、当前帧疑似淋巴结的质心信息和疑似淋巴结序列,在疑似淋巴结序列图上,以当前帧为开始,以首帧为结束,通过质心跟踪的方式,向前进行目标的匹配,如果匹配成功,则更新目标质心,并将该目标所在的区域标记为已被跟踪过,继续向前标记;如果匹配失败,则以当前匹配失败所在帧的后一帧的目标质心信息作为当前匹配失败所在帧的目标质心信息,继续向前进行标记,即通过迭代目标质心,对前向跟踪目标进行标记;
(14)依次输入疑似淋巴结的尾帧、当前帧疑似淋巴结的质心信息和疑似淋巴结序列,在疑似淋巴结序列图上,以当前帧为开始,以尾帧为结束,通过质心跟踪的方式,向后进行目标的匹配,如果匹配成功,则更新目标质心,并将该目标所在的区域标记为已被跟踪过,继续向后标记;如果匹配失败,则以当前匹配失败所在帧的前一帧的目标质心信息作为当前匹配失败所在帧的目标质心信息,继续向后进行标记,即通过迭代目标质心,对后向跟踪目标进行标记;
(15)输入疑似淋巴结序列图和步骤(14)中已将标记的疑似淋巴结信息,并将步骤(14)中已经标记过的疑似淋巴结的区域所有点的像素值设置为零,判定疑似淋巴结序列图中是否有像素为1的区域,如果有,则返回步骤(5),否则结束;
(16)输入脏器序列图和当前要跟踪的疑似淋巴结,以当前要跟踪的疑似淋巴结在脏器图所在的帧之为当前帧,在脏器序列图上,以当前帧开始,以当前帧的疑似淋巴结自适应窗口的大小为窗口的固定大小,以跟踪目标的质心为窗口的质心,向前进行窗口内的目标匹配,得到跟踪目标的前向序列;向后进行窗口内的目标匹配,得到跟踪目标的后向序列;由前向跟踪序列和后向跟踪序列共同组成疑似淋巴结的完整序列;
(17)输入步骤(16)得到的疑似淋巴结的完整序列的序列长度l、首帧疑似淋巴结的面积s、尾帧疑似淋巴结的面积e、首帧疑似淋巴结质心和尾帧疑似淋巴结质心之间的距离d、序列中相邻帧之间疑似淋巴结的面积变化的平均值a、以及步骤(6)求出的初始首帧疑似淋巴结的面积s1、初始尾帧疑似淋巴结的面积e1,对淋巴结和血管进行区分:
如果l>=20,s>=s1,e>=e1,d>10,a<=5,则标记为是血管;
如果l<20,l>=6,s<=s1,e<=e1,d<10,a>5,则标记为是淋巴结;
否则,不标记;
(18)返回到步骤(13),将已经跟踪过的疑似淋巴结从疑似淋巴结序列图中删除,并判定疑似淋巴结序列图中是否有像素为1的区域,如果有,则返回步骤(5),否则,结束检测。
本发明具有以下优点:
第一,本发明对局部自适应窗口大于11*11的疑似淋巴结跟踪时采用的自适应窗口内的质心跟踪方法,在一定程度上可以解决粘连带来的跟踪错误问题,并且由于跟踪过程中位置信息的加入,跟踪的结果更加的合理有效。
第二,本发明对局部自适应窗口不大于11*11的疑似淋巴结跟踪时采用的低秩分解和不完全受自适应窗口限制的质心跟踪方法,可以在一定程度上避免现阶段基于重叠区域的进行淋巴结判定方法中出现的相邻帧之间有部分面积重叠就认为是同一个序列的跟踪错误问题。
第三,本发明首次提出基于质心转移的方法对疑似淋巴结序列图上跟踪过的疑似淋巴结进行标记,可以确保每次跟踪过疑似淋巴结的都会被标记,没有被跟踪的不会被错误的标记为已被跟踪。
附图说明
图1是本发明的结构框图;
图2是本发明的整体流程图;
图3是对自适应窗口大于11*11的疑似淋巴结进行跟踪的结果示意图;
图4是对自适应窗口不大于11*11的疑似淋巴结进行跟踪的结果示意图;
图5是本发明对自适应窗口不大于11*11的疑似淋巴结进行跟踪识别最终判定为淋巴的示意图;
图6是本发明对自适应窗口不大于11*11的疑似淋巴结进行跟踪识别最终判定为血管的示意图。
具体实施方式
下面结合附图对本发明技术方案和效果进行详细描述;
参照图1,本发明的检测系统,包括:疑似淋巴结提取模块1、面积排序模块2、低秩分解模块3、脏器序列图获取模块4、自适应窗口内的质心跟踪模块5、不完全受自适应窗口限制的质心跟踪模块6、疑似淋巴结的标记模块7。其中:
所述疑似淋巴结提取模块1,包括:预处理子模块11、边缘检测子模块12、椭圆拟合子模块12。
该预处理子模块11,对CT序列图中每一帧图像进行otsu分类,得到两类像素,一类是标签为0的背景和脂肪像素,另一类是标签为1的疑似淋巴结和脏器等灰度值较大的像素,用标签为1的像素组成图像P;
该边缘检测子模块12,对图像P进行canny边缘检测,得到边界图;
该椭圆拟合子模块13,对边界图进行最小二乘椭圆拟合,得到类椭圆边界的闭合区域,该闭合区域内的所有点像素值设置为1,非闭合区域的点像素值设置为零,得到所求的疑似淋巴结图,其中像素值为1的区域就是疑似淋巴结;
所述面积排序模块2,用于对疑似淋巴结序列图中的所有疑似淋巴结按面积大小进行递减排序;
所述低秩分解模块模块3,包括:观测矩阵构建子模块31、decolor分解子模块32、初始首尾帧确定子模块33。
该观测矩阵构建子模块31,在原始CT序列图上,以当前帧疑似淋巴结的自适应窗口区域为固定区域,向前向后各取长度为l的固定区域的局部图像,构造观测矩阵数据M=[Mleft,Mcur,Mright],其中Mleft由在当前帧向前连续取l帧,截取原始CT图的固定区域,对固定区域拉成一列后构成,Mcur是指当前帧所在的固定区域拉成一列,并复制cl份后的结果,其中l取值20,cl取值40,Mright由在当前帧向后连续取l帧,截取原始CT图的固定区域,对固定区域拉成一列后构成;
该decolor分解子模块32,通过decolor低秩模型对观测矩阵M进行低秩分解,得到背景序列B;
该初始首尾帧确定子模块33,对背景序列B中计算每一列的方差v=[vleft,vcur,vright],其中vleft表示B序列中最左边l列对应的方差,vright表示B序列中最右边l列对应的,vcur表示B序列中间l+1列到l+cl列对应的方差,计算vleft中方差小于1的帧号,并将最大的帧号标记为初始起始帧,计算vright中方差小于1的帧号,并将最小的帧号标记为初始终止帧。
所述脏器序列图获取模块4,将原始序列CT图像每一帧通过otsu分类算法分为4类,每一类对应一副图像,按照灰度值从大到小的顺序依次组成背景图、脂肪图、脏器图、高亮图这四类图;用脏器图组成脏器序列图,并将当前要跟踪的疑似淋巴结在脏器图所在的帧称之为当前帧。
所述自适应窗口内的质心跟踪模块5,包括:原始质心跟踪序列获取子模块51、前向自适应窗口内质心跟踪子模块52、后向自适应窗口内质心跟踪子模块53、淋巴结判定模块子模块54。
该原始质心跟踪序列获取子模块51,在脏器序列图上以当前帧为中心,以当前帧疑似淋巴结的自适应窗口区域为固定区域,向前向后各取长度为l的固定区域的局部图像,构建原始质心跟踪序列:D=[Dleft,Dcur,Dright],其中Dleft是指在当前帧向前连续取l帧,截取脏器图的固定区域的局部图,Dcur是指当前帧所在固定区域的局部图像,Dright是指在当前帧向后连续取l帧,截取脏器图的固定区域的局部图,l取值为20;
该前向自适应窗口内质心跟踪子模块52,在原始质心跟踪序列D上从当前跟踪的疑似淋巴结Dcur开始,通过质心跟踪的方式,向前进行目标的匹配,如果匹配成功,则更新目标质心,继续向前进行目标匹配,即通过迭代跟踪目标的质心信息,向前进行进行目标的匹配,如果匹配失败,则终止跟踪,最终得到跟踪目标的前向序列,并将前向序列中最左边的帧作为当前跟踪的疑似淋巴结的首帧,对应的匹配成功的目标的面积为首帧疑似淋巴结的面积;
该后向自适应窗口内质心跟踪子模块53,在原始质心跟踪序列D上从当前跟踪的疑似淋巴结Dcur开始,通过质心跟踪的方式,向前进行目标的匹配,如果匹配成功,则更新目标质心,继续向后进行目标匹配,即通过迭代跟踪目标的质心信息,向后进行进行目标的匹配,如果匹配失败,则终止跟踪,最终得到跟踪目标的后向序列,并将后向序列中最右边的帧作为当前跟踪的疑似淋巴结的尾帧,对应的匹配成功的目标的面积为尾帧疑似淋巴结的面积;
该淋巴结判定模块子模块54,对当前跟踪的自适应窗口大于11*11的疑似淋巴结依据当前跟踪的疑似淋巴结的面积和首尾帧面积的大小、首尾帧和初始首尾帧的面积大小判别其是否是淋巴结:
如果首尾帧疑似淋巴结的面积和当前跟踪的疑似淋巴结的面积的比值都小于0.3,并且首帧疑似淋巴结的面积大于等于初始首帧疑似淋巴结的面积,尾帧疑似淋巴结的面积大于等于初始尾帧疑似淋巴结的面积,则判定为淋巴结,
否则,判定为非淋巴结。
所述不完全受自适应窗口限制的质心跟踪模块6,包括:前向不完全受自适应窗口限制的质心跟踪子模块61、后向不完全受自适应窗口限制的质心跟踪子模块62、淋巴结和血管区分子模块63。
该前向不完全受自适应窗口限制的质心跟踪子模块61,在脏器序列图上,以当前帧开始,以当前帧的疑似淋巴结自适应窗口的大小为窗口的固定大小,以跟踪目标的质心为窗口的质心,向前进行窗口内的目标匹配,如果匹配成功,则匹配成功的目标面积,就是跟踪目标的面积,并更新目标质心,继续向前进行匹配,得到跟踪目标的前向序列,将前向序列中最左边的帧作为当前跟踪的疑似淋巴结的首帧;如果匹配失败,则终止跟踪;
该后向不完全受自适应窗口限制的质心跟踪子模块62,在脏器序列图上,以当前帧开始,以当前帧的疑似淋巴结自适应窗口的大小为窗口的固定大小,以跟踪目标的质心为窗口的质心,向后进行窗口内的目标匹配,如果匹配成功,则匹配成功的目标面积,就是跟踪目标的面积,并更新目标质心,继续向前进行匹配,得到跟踪目标的前向序列,将后向序列中最左边的帧作为当前跟踪的疑似淋巴结的首帧;如果匹配失败,则终止跟踪。
该淋巴结和血管区分子模块63,对当前跟踪的自适应窗口不大于11*11的疑似淋巴结进行淋巴结和血管的判定:
如果当前跟踪的疑似淋巴结完整序列的序列长度大于等于20、首帧疑似淋巴结质心和尾帧疑似淋巴结质心之间的距离大于10、首帧的面积大于等于初始首帧的面积、尾帧的面积大于等于初始尾帧的面积、序列中相邻帧之间的面积变化的平均值小于5,则标记为是血管;
如果当前跟踪的疑似淋巴结完整序列的序列长度小于20大于等于6、首帧疑似淋巴结质心和尾帧疑似淋巴结质心之间的距离小于10、首帧的面积小于等于初始首帧的面积、尾帧的面积小于等于初始尾帧的面积、序列中相邻帧之间的面积变化的平均值大于5、则标记为是淋巴结。
所述疑似淋巴结的标记模块7,包括:前向疑似淋巴结标记子模块71、后向疑似淋巴结标记子模块72、删除子模块73。
该前向疑似淋巴结标记子模块71,在疑似淋巴结序列图上,以当前帧为开始,以首帧为结束,通过质心跟踪的方式,向前进行目标的匹配,如果匹配成功,则更新目标质心,并将该目标所在的区域标记为已被跟踪过,继续向前标记;如果匹配失败,则以当前匹配失败所在帧的后一帧的目标质心信息作为当前匹配失败所在帧的目标质心信息,继续向前进行标记,即通过迭代目标质心,对前向跟踪目标进行标记;
该后向疑似淋巴结标记子模块72,在疑似淋巴结序列图上,以当前帧为开始,以尾帧为结束,通过质心跟踪的方式,向后进行目标的匹配,如果匹配成功,则更新目标质心,将该目标所在的区域标记为已被跟踪过,并继续向后标记;如果匹配失败,则以当前匹配失败所在帧的前一帧的目标质心信息作为当前匹配失败所在帧的目标质心信息,继续向后进行标记,即通过迭代目标质心,对后向跟踪目标进行标记;
该删除子模块73,对疑似淋巴结序列图中标记为已被跟踪过的疑似淋巴结所在的区域进行删除处理,即将这些区域所有点的像素值设置为零。
参照图2,本发明基于低秩分解和质心跟踪的胃部CT图像淋巴结检测方法,包括如下步骤:
步骤1,输入一副待检测的CT图像。
步骤2,对输入的CT图像使用otsu分类算法进行二分类处理,得到两类像素。
用otsu分类算法将输入的待检测CT图像分为两类,一类是标签为0的背景和脂肪像素,另一类是标签为1的疑似淋巴结和脏器等灰度值较大的像素,用标签为1的像素得到脏器淋巴结图P1。
步骤3,对脏器淋巴结图P1进行处理,获取疑似淋巴结图。
3.1)输入脏器淋巴结图P1,并对其使用canny边缘检测,得到边界图;
3.2)对边界图进行最小二乘椭圆拟合,得到类椭圆边界的闭合区域,该闭合区域内的所有点像素值设置为1,非闭合区域的点像素值设置为零,得到所求的疑似淋巴结图P2,其中像素值为1的区域就是疑似淋巴结,并对疑似淋巴结设置自适应窗口,其中疑似淋巴结的最小外接四边形就是疑似淋巴结的自适应窗口.
步骤4,得到疑似淋巴结序列图P3。
对所有CT序列图像进行上述步骤(1)~步骤(4)的处理,得到疑似淋巴结序列图P3。
步骤5,对疑似淋巴结序列图P3中所有疑似淋巴结按照面积大小进行递减排序。
步骤6,计算初始首尾帧和初始首尾帧的疑似淋巴结的面积。
6.1)输入排序后面积最大的疑似淋巴结;
6.2)将当前要跟踪的疑似淋巴结在原始CT序列图所在的帧作为当前帧,在原始CT序列图上以当前帧为中心,以当前帧疑似淋巴结的自适应窗口区域为固定区域,如图5(a)和6(a)中白色框图所示,其中图5(a)是淋巴结的固定区域示意图,图6(a)是血管的固定区域示意图;向前、向后各取长度为l的固定区域的局部图像,构成序列图F1,其中l=20,如图5(b)和图6(b)所示,其中图5(b)是淋巴结的序列图,图6(b)是血管的序列图,五角星标记的位置为当前帧的疑似淋巴结;
6.3)对序列图F1中当前帧的疑似淋巴结复制40帧,得到序列图F2;
6.4)将序列图F2中的每一副图像拉成一列,构成观测矩阵M;
6.5)通过decolor低秩模型对观测矩阵M进行低秩分解,得到背景序列B;
6.6)对背景序列B中计算每一列的方差v=[vleft,vcur,vright],其中vleft表示B序列中最左边l列对应的方差,vright表示B序列中最右边l列对应的,vcur表示B序列中间l+1列到l+cl列对应的方差;
计算vleft中方差小于1的帧号,并将最大的帧号标记为初始首帧,计算初始首帧疑似淋巴结的面积s1;如图5(c)和6(c)所示,其中图5(c)是对淋巴结的展示,图6(c)是对血管的展示,左边三角形标记的位置代表初始首帧,
计算vright中方差小于1的帧号,并将最小的帧号标记为初始尾帧,计算初始尾帧疑似淋巴结的面积e1,计算当前跟踪的疑似淋巴结的面积c;如图5(c)和6(c)所示,其中图5(c)是对淋巴结的展示,图6(c)是对血管的展示,右边三角形标记的位置代表初始尾帧。
步骤7,获取脏器图。
使用otsu分类算法对待检测的CT图像进行分类,并按照灰度值从大到小的顺序依次组成背景图、脂肪图、脏器图、高亮图这四类图。
步骤8,对所有CT序列图像进行步骤7处理,用所有脏器图组成脏器序列图。
步骤9,疑似淋巴结自适应窗口大小的判定
输入步骤5排序后面积最大的疑似淋巴结,并判断其自适应窗口的大小,如果疑似淋巴结的自适应窗口大于11*11,则执行步骤10,否则跳转到步骤16;
步骤10,对自适应窗口大于11*11的疑似淋巴结构建原始质心跟踪序列。
输入脏器序列图和当前要跟踪的疑似淋巴结,以当前要跟踪的疑似淋巴结在脏器图所在的帧之为当前帧,在脏器序列图上以当前帧为中心,以当前帧疑似淋巴结的自适应窗口区域为固定区域,向前向后各取长度为l的固定区域的局部图像,构建原始质心跟踪序列:D=[Dleft,Dcur,Dright],其中Dleft是指在当前帧向前连续取l帧,截取脏器图的固定区域的局部图,Dcur是指当前帧所在固定区域的局部图像,Dright是指在当前帧向后连续取l帧,截取脏器图的固定区域的局部图,l取值为20。
步骤11,计算当前跟踪的自适应窗口大于11*11的疑似淋巴结的首尾帧面积。
11.1)输入原始质心跟踪序列图D,在原始质心跟踪序列D上从当前跟踪的疑似淋巴结Dcur开始,通过质心跟踪的方式,向前进行目标的匹配,如果匹配成功,则更新目标质心,继续向前进行目标匹配,即通过迭代跟踪目标的质心信息,向前进行目标的匹配,如果匹配失败,则终止跟踪,最终得到跟踪目标的前向序列,并将前向序列中最左边的帧作为当前跟踪的疑似淋巴结的首帧,对应的匹配成功的目标的面积为首帧疑似淋巴结的面积s2;
11.2)在原始质心跟踪序列D上从当前跟踪的疑似淋巴结Dcur开始,通过质心跟踪的方式,向后进行目标的匹配,如果匹配成功,则更新目标质心,继续向后进行目标匹配,即通过迭代跟踪目标的质心信息,向后进行目标的匹配,如果匹配失败,则终止跟踪,最终得到跟踪目标的后向序列,并将后向序列中最右边的帧作为当前跟踪的疑似淋巴结的尾帧,尾帧上匹配成功的目标的面积为尾帧疑似淋巴结的面积e2。
步骤12,对疑似淋巴结进行判定。
根据步骤11中求出的首帧疑似淋巴结的面积s2、尾帧疑似淋巴结的面积e2、以及步骤6求出的初始首帧疑似淋巴结的面积s1、初始尾帧疑似淋巴结的面积e1、当前跟踪的疑似淋巴结的面积c进行淋巴结的判定:
如果则判定为淋巴结,
否则,判定为非淋巴结;
步骤13,对跟踪过的疑似淋巴结进行前向标记。
依次输入疑似淋巴结的首帧、当前帧疑似淋巴结的质心信息和疑似淋巴结序列图,在疑似淋巴结序列图上,以当前帧为开始,以首帧为结束,通过质心跟踪的方式,向前进行目标的匹配,如果匹配成功,则更新目标质心,并将该目标所在的区域标记为已被跟踪过,继续向前标记;如果匹配失败,则以当前匹配失败所在帧的后一帧的目标质心信息作为当前匹配失败所在帧的目标质心信息,继续向前进行标记,即通过迭代目标质心,对前向跟踪目标进行标记;
步骤14,对跟踪过的疑似淋巴结进行后向标记。
依次输入疑似淋巴结的尾帧、当前帧疑似淋巴结的质心信息和疑似淋巴结序列,在疑似淋巴结序列图上,以当前帧为开始,以尾帧为结束,通过质心跟踪的方式,向后进行目标的匹配,如果匹配成功,则更新目标质心,并将该目标所在的区域标记为已被跟踪过,继续向后标记;如果匹配失败,则以当前匹配失败所在帧的前一帧的目标质心信息作为当前匹配失败所在帧的目标质心信息,继续向后进行标记,即通过迭代目标质心,对后向跟踪目标进行标记。
步骤15,对标记过的疑似淋巴结进行删除处理。
输入疑似淋巴结序列图、步骤13和步骤14中已将标记的疑似淋巴结信息,并将步骤13和步骤14中已经标记过的疑似淋巴结的区域所有点的像素值设置为零,判定疑似淋巴结序列图中是否有像素为1的区域,如果有,则返回步骤5,否则结束。
步骤16,对自适应窗口不大于11*11的疑似淋巴结获取其完整序列。
输入脏器序列图和当前要跟踪的疑似淋巴结,以当前要跟踪的疑似淋巴结在脏器图所在的帧之为当前帧,在脏器序列图上,以当前帧开始,以当前帧的疑似淋巴结自适应窗口的大小为窗口的固定大小,以跟踪目标的质心为窗口的质心,先向前进行窗口内的目标匹配,得到跟踪目标的前向序列,再向后进行窗口内的目标匹配,得到跟踪目标的后向序列;由前向跟踪序列和后向跟踪序列共同组成疑似淋巴结的完整序列;如图5(d)和6(d)所示,其中图5(d)为淋巴结的示意图,图6(d)为血管的示意图,图中左边菱形标记的位置为首帧,右边菱形标记的位置为尾帧。
步骤17,进行淋巴结和血管的区分。
输入步骤16得到的疑似淋巴结的完整序列的序列长度l、首帧疑似淋巴结的面积s、尾帧疑似淋巴结的面积e、首帧疑似淋巴结质心和尾帧疑似淋巴结质心之间的距离d、序列中相邻帧之间疑似淋巴结的面积变化的平均值a、以及步骤6求出的初始首帧疑似淋巴结的面积s1、初始尾帧疑似淋巴结的面积e1,对淋巴结和血管进行区分:
如果l<20,l>=6,s<=s1,e<=e1,d<10,a>5,则标记为是淋巴结;如图5(e)所示,其中白色矩形为跟踪到的淋巴结,五角星代表当前帧疑似淋巴结所在位置,左边菱形标记的位置为首帧,右边菱形标记的位置为尾帧;
如果l>=20,s>=s1,e>=e1,d>10,a<=5,则标记为是血管;如图6(e)所示,其中白色矩形为跟踪到的淋巴结,五角星代表当前帧疑似淋巴结所在位置,左边菱形标记的位置为首帧,右边菱形标记的位置为尾帧;
否则,不标记。
步骤18,返回到步骤13,将已经跟踪过的疑似淋巴结从疑似淋巴结序列图中删除,并判定疑似淋巴结序列图中是否有像素为1的区域,如果有,则返回步骤5,否则,结束检测。
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windows 7旗舰版,Intel(R)Core(TM)2Duo CPU,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仿真选用的胃部CT图像来自北京肿瘤医院影像数据。
2.仿真内容及结果
按照以上条件分别用分发明方法和现有基于低秩分解的胃部CT图像淋巴结识别系统和方法进行仿真,结果如图3和图4.。其中:
图3(a)是用本发明方法对自适应窗口大于11*11,且最后判定为是淋巴结的疑似淋巴结的仿真结果,其中五角星代表的是当前跟踪的疑似淋巴结;三角形代表是低秩分解求出来的初始首尾帧,菱形代表的是最后调整得到的首尾帧。
图3(b)是采用现有基于低秩分解确定首尾帧的方法对自适应窗口大于11*11,且最后判定为是淋巴结的疑似淋巴结的仿真结果,其中五角星代表的是当前跟踪的疑似淋巴结;三角形代表是低秩分解求出来的初始首尾帧,菱形代表的是最后调整得到的首尾帧。
从如图3(a)和图3(b)的对比可见,本发明使得跟踪的目标更加准确。
图4(a)是用本发明方法对自适应窗口不大于11*11,且最后判定为是淋巴结的疑似淋巴结的仿真结果,其中五角星代表的是当前跟踪的疑似淋巴结;三角形代表是低秩分解求出来的初始首尾帧,菱形代表的是最后调整得到的首尾帧。
图4(b)是采用现有基于区域重叠的方法对自适应窗口不大于11*11,且最后判定为是淋巴结的疑似淋巴结的仿真结果,其中五角星代表的是当前跟踪的疑似淋巴结;菱形代表的是得到的首尾帧。
从如图4(a)和图4(b)的对比可见,本发明在一定程度上解决了粘连带来的跟踪错误问题。
上述结果表明:本发明能够有效的进行疑似淋巴的跟踪,是一种能有效检测胃部CT图像淋巴结的自动化方法。
以上描述仅是本发明的一个具体实例,并不构成对本发明的任何限制,显然对于本领域的专业人员来说,在了解了本发明内容和原理后,都可能在不背离本发明原理、结构的情况下,进行形式和细节上的各种修改和改变,但是这些基于本发明思想的修改和改变仍在本发明的权利要求保护范围之内。
Claims (5)
1.一种基于低秩分解和质心跟踪的胃部CT图像淋巴结检测系统,包括:
疑似淋巴结提取模块,用于对CT序列图每一帧的疑似淋巴结进行提取,得到疑似淋巴结图,用CT序列图中所有图像提取出的疑似淋巴结图组成疑似淋巴结序列图,并对疑似淋巴结序列图中的所有疑似淋巴结构造自适应窗口;
面积排序模块,用于对疑似淋巴结序列图中的所有疑似淋巴结按面积大小进行递减排序;
低秩分解模块,用于对排序后面积最大的疑似淋巴结进行decolor低秩分解,根据低秩分解出来的背景序列进行初始首尾帧的确定;
脏器序列图获取模块,用于将原始序列CT图像每一帧通过otsu分类算法分为4类,每一类对应一副图像,按照灰度值从大到小的顺序依次组成背景图、脂肪图、脏器图、高亮图这四类图;用脏器图组成脏器序列图,并将当前要跟踪的疑似淋巴结在脏器图所在的帧称之为当前帧;
自适应窗口内的质心跟踪模块,用于对自适应窗口大于11*11的疑似淋巴结进行自适应窗口内的质心跟踪,以确定当前跟踪的疑似淋巴结的首尾帧位置;
不完全受自适应窗口限制的质心跟踪模块,用于对自适应窗口不大于11*11的疑似淋巴结进行自适应窗口大小不变、质心变化的质心跟踪,以获取当前跟踪的疑似淋巴结的完整序列;
疑似淋巴结的标记模块,用于在疑似淋巴结序列图上对当前已经跟踪的疑似淋巴结进行已被跟踪过的标记处理和删除处理。
2.根据权利要求1所述的基于低秩分解和质心跟踪的胃部CT图像淋巴结检测系统,其中自适应窗口内的质心跟踪模块,包括
原始质心跟踪序列获取子模块,用于在脏器序列图上以当前帧为中心,以当前帧疑似淋巴结的自适应窗口区域为固定区域,向前向后各取长度为l的固定区域的局部图像,构建原始质心跟踪序列:D=[Dleft,Dcur,Dright],其中Dleft是指在当前帧向前连续取l帧,截取脏器图的固定区域的局部图,Dcur是指当前帧所在固定区域的局部图像,Dright是指在当前帧向后连续取l帧,截取脏器图的固定区域的局部图,l取值为20;
前向自适应窗口内质心跟踪子模块,用于在原始质心跟踪序列D上从当前跟踪的疑似淋巴结Dcur开始,通过质心跟踪的方式,向前进行目标的匹配,如果匹配成功,则更新目标质心,继续向前进行目标匹配,即通过迭代跟踪目标的质心信息,向前进行进行目标的匹配,如果匹配失败,则终止跟踪,最终得到跟踪目标的前向序列,并将前向序列中最左边的帧作为当前跟踪的疑似淋巴结的首帧,对应的匹配成功的目标的面积为首帧疑似淋巴结的面积;
后向自适应窗口内质心跟踪子模块,用于在原始质心跟踪序列D上从当前跟踪的疑似淋巴结Dcur开始,通过质心跟踪的方式,向前进行目标的匹配,如果匹配成功,则更新目标质心,继续向后进行目标匹配,即通过迭代跟踪目标的质心信息,向后进行进行目标的匹配,如果匹配失败,则终止跟踪,最终得到跟踪目标的后向序列,并将后向序列中最右边的帧作为当前跟踪的疑似淋巴结的尾帧,对应的匹配成功的目标的面积为尾帧疑似淋巴结的面积;
淋巴结判定模块子模块,用于对当前跟踪的自适应窗口大于11*11的疑似淋巴结依据当前跟踪的疑似淋巴结的面积和首尾帧面积的大小、首尾帧和初始首尾帧的面积大小判别其是否是淋巴结:
如果首尾帧疑似淋巴结的面积和当前跟踪的疑似淋巴结的面积的比值都小于0.3,并且首帧疑似淋巴结的面积大于等于初始首帧疑似淋巴结的面积,尾帧疑似淋巴结的面积大于等于初始尾帧疑似淋巴结的面积,则判定为淋巴结,
否则,判定为非淋巴结。
3.根据权利要求1所述的基于低秩分解和质心跟踪的胃部CT图像淋巴结检测系统,其中不完全受自适应窗口限制的质心跟踪模块,包括:
前向不完全受自适应窗口限制的质心跟踪子模块,用于在脏器序列图上,以当前帧开始,以当前帧的疑似淋巴结自适应窗口的大小为窗口的固定大小,以跟踪目标的质心为窗口的质心,向前进行窗口内的目标匹配,如果匹配成功,则匹配成功的目标面积,就是跟踪目标的面积,并更新目标质心,继续向前进行匹配,得到跟踪目标的前向序列,将前向序列中最左边的帧作为当前跟踪的疑似淋巴结的首帧;如果匹配失败,则终止跟踪;
后向不完全受自适应窗口限制的质心跟踪子模块,用于在脏器序列图上,以当前帧开始,以当前帧的疑似淋巴结自适应窗口的大小为窗口的固定大小,以跟踪目标的质心为窗口的质心,向后进行窗口内的目标匹配,如果匹配成功,则匹配成功的目标面积,就是跟踪目标的面积,并更新目标质心,继续向前进行匹配,得到跟踪目标的前向序列,将后向序列中最左边的帧作为当前跟踪的疑似淋巴结的首帧;如果匹配失败,则终止跟踪;
淋巴结和血管区分子模块,用于对当前跟踪的自适应窗口不大于11*11的疑似淋巴结进行淋巴结和血管的判定:
如果当前跟踪的疑似淋巴结完整序列的序列长度大于等于20、首帧疑似淋巴结质心和尾帧疑似淋巴结质心之间的距离大于10、首帧的面积大于等于初始首帧的面积、尾帧的面积大于等于初始尾帧的面积、序列中相邻帧之间的面积变化的平均值小于5,则标记为是血管;
如果当前跟踪的疑似淋巴结完整序列的序列长度小于20大于等于6、首帧疑似淋巴结质心和尾帧疑似淋巴结质心之间的距离小于10、首帧的面积小于等于初始首帧的面积、尾帧的面积小于等于初始尾帧的面积、序列中相邻帧之间的面积变化的平均值大于5、则标记为是淋巴结。
4.根据权利要求1所述的基于低秩分解和质心跟踪的胃部CT图像淋巴结检测系统,其中疑似淋巴结的标记模块,包括:
前向疑似淋巴结标记子模块,用于在疑似淋巴结序列图上,以当前帧为开始,以首帧为结束,通过质心跟踪的方式,向前进行目标的匹配,如果匹配成功,则更新目标质心,并将该目标所在的区域标记为已被跟踪过,继续向前标记;如果匹配失败,则以当前匹配失败所在帧的后一帧的目标质心信息作为当前匹配失败所在帧的目标质心信息,继续向前进行标记,即通过迭代目标质心,对前向跟踪目标进行标记;
后向疑似淋巴结标记子模块,用于在疑似淋巴结序列图上,以当前帧为开始,以尾帧为结束,通过质心跟踪的方式,向后进行目标的匹配,如果匹配成功,则更新目标质心,将该目标所在的区域标记为已被跟踪过,并继续向后标记;如果匹配失败,则以当前匹配失败所在帧的前一帧的目标质心信息作为当前匹配失败所在帧的目标质心信息,继续向后进行标记,即通过迭代目标质心,对后向跟踪目标进行标记;
删除子模块,用于对疑似淋巴结序列图中标记为已被跟踪过的疑似淋巴结所在的区域进行删除处理,即将这些区域所有点的像素值设置为零。
5.一种基于低秩分解和质心跟踪的胃部CT图像淋巴结检测方法,包括如下步骤:
(1)输入一副待检测的CT图像;
(2)对输入的CT图像使用otsu分类算法进行二分类处理,得到脏器淋巴结图P1;
(3)输入脏器淋巴结图P1,并对其使用canny边缘检测,得到边界图,再对边界图进行椭圆拟合得到疑似淋巴结图P2,并对疑似淋巴结设置自适应窗口;
(4)对所有CT序列图像进行上述步骤(1)~步骤(3)的处理,得到疑似淋巴结序列图P3;
(5)对疑似淋巴结序列图P3中所有疑似淋巴结按照面积大小进行递减排序;
(6)对排序后面积最大的疑似淋巴结进行decolor低秩分解,得到当前跟踪的疑似淋巴结的初始首帧、初始尾帧、初始首帧疑似淋巴结的面积s1、初始尾帧疑似淋巴结的面积e1、以及当前跟踪的疑似淋巴结的面积c;
(7)使用otsu分类算法将待检测的CT图像分类,并按照灰度值从大到小的顺序依次组成背景图、脂肪图、脏器图、高亮图这四类图;
(8)对所有CT序列图像进行步骤(7)处理,用所有脏器图组成脏器序列图;
(9)输入排序后面积最大的疑似淋巴结,如果疑似淋巴结的自适应窗口大于11*11,则执行(10),否则跳转到步骤(16);
(10)输入脏器序列图和当前要跟踪的疑似淋巴结,以当前要跟踪的疑似淋巴结在脏器图所在的帧之为当前帧,以当前帧疑似淋巴结的自适应窗口区域为固定区域,得到原始质心跟踪序列图;
(11)输入原始质心跟踪序列图,在原始质心跟踪序列图上,以当前帧疑似淋巴结所在的位置为中心,向前进行质心跟踪,得到当前跟踪疑似淋巴结的首帧和首帧疑似淋巴结的面积s2;向后进行质心跟踪,得到当前跟踪疑似淋巴结的尾帧和尾帧疑似淋巴结的面积e2;
(12)根据步骤(11)中求出的首帧疑似淋巴结的面积s2、尾帧疑似淋巴结的面积e2、以及步骤(6)求出的初始首帧疑似淋巴结的面积s1、初始尾帧疑似淋巴结的面积e1、当前跟踪的疑似淋巴结的面积c进行淋巴结的判定:
如果则判定为淋巴结,
否则,判定为非淋巴结;
(13)输入疑似淋巴结的首帧、当前帧疑似淋巴结的质心信息和疑似淋巴结序列,在疑似淋巴结序列图上,以当前帧为开始,以首帧为结束,通过质心跟踪的方式,向前进行目标的匹配,如果匹配成功,则更新目标质心,并将该目标所在的区域标记为已被跟踪过,继续向前标记;如果匹配失败,则以当前匹配失败所在帧的后一帧的目标质心信息作为当前匹配失败所在帧的目标质心信息,继续向前进行标记,即通过迭代目标质心,对前向跟踪目标进行标记;
(14)依次输入疑似淋巴结的尾帧、当前帧疑似淋巴结的质心信息和疑似淋巴结序列,在疑似淋巴结序列图上,以当前帧为开始,以尾帧为结束,通过质心跟踪的方式,向后进行目标的匹配,如果匹配成功,则更新目标质心,并将该目标所在的区域标记为已被跟踪过,继续向后标记;如果匹配失败,则以当前匹配失败所在帧的前一帧的目标质心信息作为当前匹配失败所在帧的目标质心信息,继续向后进行标记,即通过迭代目标质心,对后向跟踪目标进行标记;
(15)输入疑似淋巴结序列图、步骤(13)和步骤(14)中已将标记的疑似淋巴结信息,并将步骤(13)和步骤(14)中已经标记过的疑似淋巴结的区域所有点的像素值设置为零,判定疑似淋巴结序列图中是否有像素为1的区域,如果有,则返回步骤(5),否则结束;
(16)输入脏器序列图和当前要跟踪的疑似淋巴结,以当前要跟踪的疑似淋巴结在脏器图所在的帧之为当前帧,在脏器序列图上,以当前帧开始,以当前帧的疑似淋巴结自适应窗口的大小为窗口的固定大小,以跟踪目标的质心为窗口的质心,向前进行窗口内的目标匹配,得到跟踪目标的前向序列;向后进行窗口内的目标匹配,得到跟踪目标的后向序列;由前向跟踪序列和后向跟踪序列共同组成疑似淋巴结的完整序列;
(17)输入步骤(16)得到的疑似淋巴结的完整序列的序列长度l、首帧疑似淋巴结的面积s、尾帧疑似淋巴结的面积e、首帧疑似淋巴结质心和尾帧疑似淋巴结质心之间的距离d、序列中相邻帧之间疑似淋巴结的面积变化的平均值a、以及步骤(6)求出的初始首帧疑似淋巴结的面积s1、初始尾帧疑似淋巴结的面积e1,对淋巴结和血管进行区分:
如果l>=20,s>=s1,e>=e1,d>10,a<=5,则标记为是血管;
如果l<20,l>=6,s<=s1,e<=e1,d<10,a>5,则标记为是淋巴结;
否则,不标记;
(18)返回到步骤(13),将已经跟踪过的疑似淋巴结从疑似淋巴结序列图中删除,并判定疑似淋巴结序列图中是否有像素为1的区域,如果有,则返回步骤(5),否则,结束检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410690974.7A CN104408457B (zh) | 2014-11-26 | 2014-11-26 | 基于低秩分解和质心跟踪的胃部ct图像淋巴结检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410690974.7A CN104408457B (zh) | 2014-11-26 | 2014-11-26 | 基于低秩分解和质心跟踪的胃部ct图像淋巴结检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104408457A CN104408457A (zh) | 2015-03-11 |
CN104408457B true CN104408457B (zh) | 2017-10-24 |
Family
ID=52646088
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410690974.7A Active CN104408457B (zh) | 2014-11-26 | 2014-11-26 | 基于低秩分解和质心跟踪的胃部ct图像淋巴结检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104408457B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296659A (zh) * | 2016-07-27 | 2017-01-04 | 潘燕 | 一种计算机辅助胃癌诊断系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103839048A (zh) * | 2014-02-21 | 2014-06-04 | 西安电子科技大学 | 基于低秩分解的胃部ct图像淋巴结识别系统和方法 |
CN103955912A (zh) * | 2014-02-14 | 2014-07-30 | 西安电子科技大学 | 自适应窗的胃部ct图像淋巴结跟踪检测系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2414357A (en) * | 2004-05-18 | 2005-11-23 | Medicsight Plc | Nodule boundary detection |
-
2014
- 2014-11-26 CN CN201410690974.7A patent/CN104408457B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103955912A (zh) * | 2014-02-14 | 2014-07-30 | 西安电子科技大学 | 自适应窗的胃部ct图像淋巴结跟踪检测系统及方法 |
CN103839048A (zh) * | 2014-02-21 | 2014-06-04 | 西安电子科技大学 | 基于低秩分解的胃部ct图像淋巴结识别系统和方法 |
Non-Patent Citations (1)
Title |
---|
Moving Object Detection by Detecting Contiguous Outliers in the Low-Rank Representation;Xiaowei Zhou 等;《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》;20130331;第35卷(第3期);第597-610页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104408457A (zh) | 2015-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11151721B2 (en) | System and method for automatic detection, localization, and semantic segmentation of anatomical objects | |
CN109064443B (zh) | 一种基于腹部超声图像的多模型器官分割方法 | |
CN109410247A (zh) | 一种多模板和自适应特征选择的视频跟踪算法 | |
CN103106408B (zh) | 无监督分割的胃部ct图像淋巴结自动辅助检测系统 | |
CN113240691A (zh) | 一种基于u型网络的医学图像分割方法 | |
CN107624193A (zh) | 腹腔镜和内窥镜2d/2.5d图像数据中语义分割的方法和系统 | |
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 | |
CN108765392B (zh) | 一种基于滑动窗口的消化道内镜病变检测和识别方法 | |
Mahjoub | Automatic liver segmentation method in CT images | |
CN109215079A (zh) | 图像处理方法、手术导航设备、电子设备、存储介质 | |
CN109801276A (zh) | 一种计算心胸比的方法及装置 | |
Yang et al. | Unsupervised domain adaptation for cross-device OCT lesion detection via learning adaptive features | |
CN110264460A (zh) | 一种目标检测结果的鉴别方法、装置、设备及存储介质 | |
CN103839048B (zh) | 基于低秩分解的胃部ct图像淋巴结识别系统和方法 | |
Liu et al. | Automated classification and measurement of fetal ultrasound images with attention feature pyramid network | |
CN110660480A (zh) | 脊骨脱位辅助诊断方法及系统 | |
CN104331700B (zh) | 基于轨迹能量扩散图的组行为识别方法 | |
CN104408457B (zh) | 基于低秩分解和质心跟踪的胃部ct图像淋巴结检测系统 | |
CN111402231B (zh) | 一种用于肺部ct影像质量的自动评估系统及方法 | |
CN110378333B (zh) | 一种sd-oct图像黄斑中央凹中心定位方法 | |
CN116703837B (zh) | 一种基于mri图像的肩袖损伤智能识别方法及装置 | |
CN109887583B (zh) | 基于医生行为的数据获取方法/系统、医学图像处理系统 | |
CN110826495A (zh) | 基于面部朝向的身体左右肢体一致性跟踪判别方法及系统 | |
CN116152492A (zh) | 基于多重注意力融合的医学图像分割方法 | |
Yan et al. | Segmentation of pulmonary parenchyma from pulmonary CT based on ResU-Net++ model |
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 |