CN104408737B - 基于多角度图片序列的胃部ct图像淋巴结检测系统 - Google Patents

基于多角度图片序列的胃部ct图像淋巴结检测系统 Download PDF

Info

Publication number
CN104408737B
CN104408737B CN201410776605.XA CN201410776605A CN104408737B CN 104408737 B CN104408737 B CN 104408737B CN 201410776605 A CN201410776605 A CN 201410776605A CN 104408737 B CN104408737 B CN 104408737B
Authority
CN
China
Prior art keywords
lymph node
frame
doubtful
doubtful lymph
sequence
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
Application number
CN201410776605.XA
Other languages
English (en)
Other versions
CN104408737A (zh
Inventor
刘芳
杨娟
李玲玲
焦李成
郝红侠
马文萍
杨淑媛
孙涛
张向荣
尚荣华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201410776605.XA priority Critical patent/CN104408737B/zh
Publication of CN104408737A publication Critical patent/CN104408737A/zh
Application granted granted Critical
Publication of CN104408737B publication Critical patent/CN104408737B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种基于多角度图片序列的胃部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的问题，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的自适应窗口大小进行判定，如果自适应窗口大于11*11，则利用行切图和列切图对淋巴结进行判定，否则，使用低秩分解和质心跟踪方法对淋巴结进行判定；4.对判定为淋巴结的疑似淋巴结进行标记，并保存相应的区域和标记信息。本发明与其他淋巴结检测方法相比，首次利用三维信息对淋巴结进行判定，提高了淋巴结的检测准确率和检测速度。

Description

基于多角度图片序列的胃部CT图像淋巴结检测系统
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系统，可用于医学影像的淋巴结检测及其辅助诊断。
背景技术
随着医学成像技术的日益成熟，CT影像技术已广泛的应用到胃癌的医疗诊断中。如何在数量日益增多的胃部CT图像中获取到准确有效的病变信息是一个迫在眉睫的问题。对淋巴结的识别仅仅依靠医生的经验显然是不行的，不仅会导致医生工作量的加大，而且往往容易出现错误。随着计算机的广泛使用，借助于计算机进行胃部CT图像的处理成为一种趋势。由于单帧CT图像中淋巴结没有特殊的位置分布，并且淋巴结、脏器和血管在形状、灰度值和大小等特征上难以区分，为此我们需要对疑似淋巴结在序列图上进行进一步的跟踪处理。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，该系统在确定首尾帧时由于没有考虑疑似淋巴结帧与帧之间的位置关系，将造成疑似淋巴结首位帧确定的不准确结果，影响治疗效果。
发明内容
本发明的目的在于针对上述已有技术的不足，提供一种基于多角度图片序列的胃部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：
1.一种基于多角度图片序列的胃部CT图像淋巴结检测系统，包括：
疑似淋巴结提取模块，用于对原始CT序列图中每一副CT图像进行疑似淋巴结的提取，得到疑似淋巴结图，并用疑似淋巴结图组成疑似淋巴结序列图，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；
脏器序列图获取模块，用于通过otsu分类算法将原始CT序列图中的每一副CT图像分为四类，将这四类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，并用脏器图组成脏器序列图，将当前要跟踪的疑似淋巴结在脏器序列图中所在的帧作为当前帧；
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；
基于行列切图的淋巴结检测模块，用于对自适应窗口大于11*11的疑似淋巴结作行切和列切处理，利用得到的行切图和列切图，确定当前跟踪的疑似淋巴结的首尾帧位置和面积；
低秩分解模块，用于对自适应窗口不大于11*11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；
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；
标记删除模块，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和删除处理。
2.一种基于多角度图片序列的胃部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，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；
(2)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；
(3)对所有CT序列图像进行上述步骤(1)～步骤(2)的处理，得到疑似淋巴结序列图P3；
(4)使用otsu分类算法将待检测的CT图像分为四类，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；
(5)对所有CT序列图像进行步骤(4)处理，用所有脏器图组成脏器序列图P4；
(6)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；
(7)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，则执行步骤(8)，否则，跳转到步骤(14)；
(8)输入脏器序列图P4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，得到原始行列切序列图；
(9)输入原始行列切序列图，在原始行列切序列图上，进行行切和列切处理，得到行切图和列切图，根据行切图和列切图的区域信息，得到当前跟踪疑似淋巴结的首帧、首帧疑似淋巴结的面积s1、尾帧、尾帧疑似淋巴结的面积e1和当前跟踪的疑似淋巴结的面积c；
(10)根据步骤(9)中求出的首帧疑似淋巴结的面积s1、尾帧疑似淋巴结的面积e1和当前跟踪的疑似淋巴结的面积c进行淋巴结的标记：
如果则标记为淋巴结，并对该疑似淋巴结在疑似淋巴结序列图P3中的帧号、区域信息和标记信息进行保存，
否则，标记为非淋巴结；
(11)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P3，在疑似淋巴结序列图P3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；
(12)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图P3，在疑似淋巴结序列图P3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；
(13)输入疑似淋巴结序列图P3、步骤(11)和步骤(12)中已标记的疑似淋巴结的区域，并将步骤(11)和步骤(12)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(6)，否则，结束检测；
(14)对步骤(6)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s2、初始尾帧疑似淋巴结的面积e2；
(15)输入脏器序列图P4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序列图P4中所在的帧为当前帧，在脏器序列图P4上，以当前帧开始，以当前帧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；
(16)输入步骤(15)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s3、尾帧疑似淋巴结的面积e3、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(14)求出的初始首帧疑似淋巴结的面积s2、初始尾帧疑似淋巴结的面积e2，对淋巴结和血管进行区分：
如果l>＝20,s3>＝s2,e3>＝e2,d>10,a<＝5，则标记为是血管，并对该疑似淋巴结在疑似淋巴结序列图P3中的帧号、区域信息和标记信息进行保存；
如果l<20,l>＝6,s3<＝s2,e3<＝e2,d<10,a>5，则标记为是淋巴结，并对该疑似淋巴结在疑似淋巴结序列图P3中的帧号、区域信息和标记信息进行保存；
否则，不标记；
(17)返回到步骤(11)，将已经跟踪过的疑似淋巴结从疑似淋巴结序列图P3中删除，并判定疑似淋巴结序列图P3中是否有像素为1的区域，如果有，则返回步骤(6)，否则，结束检测。
本发明由于充分利用CT序列图像间不同角度的图片序列信息，对疑似淋巴结序列图中自适应窗口大于11*11的疑似淋巴结，采用行切图和列切图进行首尾帧的确定和面积的求解，使得确定出的疑似淋巴结的首尾帧更加准确有效，进而提高了淋巴结的检测准确率和检测速度。
附图说明
图1是本发明检测系统的框图；
图2是本发明检测方法的总流程图；
图3是本发明获取行切图的示意图；
图4是本发明获取列切图的示意图；
图5是本发明对疑似淋巴结跟踪处理最终判定为淋巴结的行列切示意图；
图6是本发明对疑似淋巴结跟踪处理最终判定为淋巴结的结果图；
图7是本发明对疑似淋巴结跟踪处理最终判定为非淋巴结的行列切示意图；
图8是本发明对疑似淋巴结跟踪处理最终判定为非淋巴结的结果图。
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、脏器序列图获取模块2、面积排序模块3、基于行列切图的淋巴结检测模块4、低秩分解模块5、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13。
该预处理子模块11，对原始CT序列图中的每一帧图像otsu分类算法分为2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像素，用标签为1的像素组成图像P1；
该边缘检测子模块12，对图像P1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，非闭合区域点的像素值设置为零，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区域。
所述脏器序列图获取模块2，将原始CT序列图像的每一帧通过otsu分类算法分为4类，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；并用脏器图组成脏器序列图，将当前要跟踪的疑似淋巴结在脏器图序列图中所在的帧称之为当前帧。
所述面积排序模块3，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。
所述基于行列切图的淋巴结检测模块4，包括：原始行列切序列获取子模块41、行切图构造子模块42、行切图确定首尾帧子模块43、列切图构造子模块44、列切图确定首尾帧子模块45、淋巴结判定子模块46。
该原始行列切序列获取子模块41，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，构建原始行列切序列：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；
该行切图构造子模块42，在原始行列切序列D中，按照顺序依次取出第1副图像到第(2l+1)副图像的第i行，并构造行切图Ri，即将第1副图像的第i行作为新图像的第1行，将第2副图像的第i行作为新图像的第2行，依次类推，将第j副图像的第i行作为新图像的第j行，一直到取完序列图D中所有图像的第i行，并将其放到新图像合适的位置，得到新图像为序列图D的第i行对应的行切图Ri，其中i＝1～m，m为序列图D中每一副图像的行数；
该行切图确定首尾帧子模块43，对行切图R(z-1)求点(l+1,ceny)所在区域最上面一行的横坐标l1、最下面一行的横坐标l4；对行切图Rz求点(l+1,ceny)所在区域最上面一行的横坐标l2、最下面一行的横坐标l5；对行切图R(z+1)求点(l+1,ceny)所在区域最上面一行的横坐标l3、最下面一行的横坐标l6；计算序列D中疑似淋巴结的首帧位置s和尾帧位置e：
s＝min(min(l1,l2),l3)
e＝max(max(l4,l5),l6)，
其中z＝m/2+1，ceny为当前跟踪的疑似淋巴结质心的纵坐标；
该列切图构造子模块44，在原始行列切序列D中，按照顺序依次取出第一副图像到第41副图像的第k列，并构造行切图Ck，即将第1副图像的第k列作为新图像的第1行，将第2副图像的第k列作为新图像的第2列，依次类推，将第j副图像的第k列作为新图像的第j列，一直到取完序列图D中所有图像的第k列，并将其放到新图像合适的位置，得到新图像为序列图D的第k列对应的列切图Ck，其中k＝1～n，n为序列图D中每一副图像的列数；
该列切图确定首尾帧子模块45，对列切图C(z-1)求点(cenx,l+1)所在区域最左边一列的纵坐标h1、最右边一列的纵坐标h4；对列切图Cz求点(cenx,l+1)所在区域最左边一列的纵坐标h2、最右边一列的纵坐标h5；对列切图C(z+1)，求点(cenx,l+1)所在区域最左边一列的纵坐标h3、求最下面一行的横坐标h6，并更新序列D中疑似淋巴结的首帧位置s和尾帧位置e：
s＝min(s,st)
e＝max(e,et)，
其中st＝min(min(h1,h2),h3)，et＝max(max(h4,h5),h6)，z＝n/2+1，cenx为当前跟踪的疑似淋巴结质心的横坐标；
该淋巴结判定子模块46，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c、首帧疑似淋巴结面积s1和尾帧疑似淋巴结面积e1标记其是否是淋巴结：
如果则标记为淋巴结，并将该疑似淋巴结在疑似淋巴结序列图P3中的帧号、区域信息和标记信息进行保存；
否则，标记为非淋巴结。
所述低秩分解模块模块5，包括：观测矩阵构建子模块51、decolor分解子模块52、初始首尾帧确定子模块53。
该观测矩阵构建子模块51，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52，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53，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。
所述质心跟踪模块6，包括：前向质心跟踪子模块61、后向质心跟踪子模块62、淋巴结和血管区分子模块63。
该前向质心跟踪子模块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的疑似淋巴结根据疑似淋巴结完整序列的序列长度l、首帧疑似淋巴结的面积s3、尾帧疑似淋巴结的面积e3、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、初始首帧疑似淋巴结的面积s2、初始尾帧疑似淋巴结的面积e2，对淋巴结和血管进行区分：
如果l>＝20,s3>＝s2,e3>＝e2,d>10,a<＝5，则标记为是血管，并将该疑似淋巴结在疑似淋巴结序列图P3中的帧号、区域信息和标记信息进行保存；
如果l<20,l>＝6,s3<＝s2,e3<＝e2,d<10,a>5，则标记为是淋巴结，并将该疑似淋巴结在疑似淋巴结序列图P3中的帧号、区域信息和标记信息进行保存；
否则，不标记。
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，本发明基于多角度图片序列的胃部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像素，用标签为1的像素组成脏器淋巴结图P1。
步骤3，对脏器淋巴结图P1进行处理，获取疑似淋巴结图P2。
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3的处理，得到疑似淋巴结序列图P3。
步骤5，获取脏器图序列图P4。
对原始CT序列图像的每一帧通过otsu分类算法分为4类，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，并用脏器图组成脏器序列图P4；
将当前要跟踪的疑似淋巴结在脏器图序列图P4中所在的帧作为当前帧。
步骤6，对疑似淋巴结序列图P3中的所有疑似淋巴结按照面积大小进行递减排序。
步骤7，判定疑似淋巴结自适应窗口的大小。
输入步骤6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8，否则，跳转到步骤14。
步骤8，构建原始行列切序列图。
输入脏器序列图P4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，如图5(a)中的白色框图是淋巴结的固定区域，图7(a)中的白色框图是非淋巴结的固定区域；
在脏器序列图P4上以当前帧为中心，向前向后各取l帧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，其中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，如图5(b)是淋巴结的原始行列切序列图，图7(b)是非淋巴结的原始行列切序列图，图中五角星标记的位置为当前帧的疑似淋巴结。
步骤9，计算当前跟踪的疑似淋巴结的首尾帧面积。
9.1)输入步骤8得到的原始行列切序列图D，按照顺序依次取出第1副图像到第(2l+1)副图像的第i行，并构造行切图Ri，即将第1副图像的第i行作为新图像的第1行，将第2副图像的第i行作为新图像的第2行，依次类推，将第j副图像的第i行作为新图像的第j行，一直到取完序列图D中所有图像的第i行，并将其放到新图像合适的位置，得到新图像为序列图D的第i行对应的行切图Ri，如图3所示，其中i＝1～m，m为序列图D中每一副图像的行数；
9.2)计算行切图在点(l+1,ceny)所在区域的上下边界信息：
在行切图R(z-1)中求点(l+1,ceny)所在区域上边界的横坐标l1和下边界的横坐标l4；
在行切图Rz中求点(l+1,ceny)所在区域上边界的横坐标l2和下边界的横坐标l5；
在行切图R(z+1)中求点(l+1,ceny)所在区域上边界的横坐标l3和下边界的横坐标l6；
其中z＝m/2+1，ceny为当前跟踪的疑似淋巴结质心的纵坐标；
如图5(c)和7(c)中的白色框图为点(l+1,ceny)所在的区域；
9.3)根据步骤9.2)的结果，计算原始行列切序列图D中疑似淋巴结的首帧位置s和尾帧位置e：
s＝min(min(l1,l2),l3)
e＝max(max(l4,l5),l6)，
9.4)在原始行列切序列D中，按照顺序依次取出第一副图像到第(2l+1)副图像的第k列，并构造行切图Ck，即将第1副图像的第k列作为新图像的第1行，将第2副图像的第k列作为新图像的第2列，依次类推，将第j副图像的第k列作为新图像的第j列，一直到取完序列图D中所有图像的第k列，并将其放到新图像合适的位置，得到新图像为序列图D的第k列对应的列切图Ck，如图4所示，其中k＝1～n，n为序列图D中每一副图像的列数；
9.5)计算列切图在点(cenx,l+1)所在区域的左右边界信息：
在列切图C(z-1)中求点(cenx,l+1)所在区域左边界的纵坐标h1和右边界的纵坐标h4；
在列切图Cz中求点(cenx,l+1)所在区域左边界的纵坐标h2和右边界的纵坐标h5；
在列切图C(z+1)中求点(cenx,l+1)所在区域左边界的纵坐标h3和右边界的纵坐标h4；
其中z＝n/2+1，cenx为当前跟踪的疑似淋巴结质心的横坐标；
如图5(d)和7(d)中白色框图为点(cenx,l+1)所在的区域；
9.6)根据步骤9.5)的结果，计算原始行列切序列图D中疑似淋巴结的首帧位置s和尾帧位置e：
s＝min(s,x)
e＝max(e,y)，
其中x＝min(min(h1,h2),h3)，y＝max(max(h4,h5),h6)，z＝n/2+1，cenx为当前跟踪的疑似淋巴结质心的横坐标；
9.7)根据步骤9.6)确定出的疑似淋巴结首尾帧，计算出首帧疑似淋巴结的面积s1、尾帧疑似淋巴结的面积e1及当前跟踪的疑似淋巴结的面积c。
步骤10，对疑似淋巴结进行标记和保存。
根据步骤9中求出的首帧疑似淋巴结的面积s1、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进行淋巴结的标记：
如果则标记为淋巴结，如图6中白色矩形为跟踪到的淋巴结，五角星标记的位置为当前帧的疑似淋巴结，左边菱形标记的位置为首帧，右边菱形标记的位置为尾帧；并将该疑似淋巴结在疑似淋巴结序列图P3中的帧号、区域信息和标记信息进行保存；
否则，标记为非淋巴结，如图8中白色矩形为跟踪到的非淋巴结，五角星标记的位置为当前帧的疑似淋巴结，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11，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P3，在疑似淋巴结序列图P3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12，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图P3，在疑似淋巴结序列图P3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13，对疑似淋巴结进行删除处理。
输入疑似淋巴结序列图P3、步骤11和步骤12中已将标记的疑似淋巴结的区域信息，将步骤11和步骤12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P3中是否有像素为1的区域，如果有，则返回步骤6，否则结束。
步骤14，计算自适应窗口不大于11*11的疑似淋巴结的初始首尾帧的面积。
14.1)输入步骤6排序后面积最大的疑似淋巴结；
14.2)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，向前向后各取l帧的固定区域的局部图像，构成序列图F1，其中l＝20；
14.3)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；
14.4)将序列图F2中的每一副图像拉成一列，构成观测矩阵M；
14.5)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；
14.6)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s2；
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e2，计算当前跟踪的疑似淋巴结的面积c；
步骤15，获取疑似淋巴结的其完整序列。
输入脏器序列图P4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序列图P4中所在的帧之为当前帧，在脏器序列图P4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；
步骤16，进行淋巴结和血管的区分。
输入步骤15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s3、尾帧疑似淋巴结的面积e3、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14求出的初始首帧疑似淋巴结的面积s2、初始尾帧疑似淋巴结的面积e2，对淋巴结和血管进行区分：
如果l>＝20,s3>＝s2,e3>＝e2,d>10,a<＝5，则标记为是淋巴结，并将该疑似淋巴结在疑似淋巴结序列图P3中的帧号、区域信息和标记信息进行保存；
如果l<20,l>＝6,s3<＝s2,e3<＝e2,d<10,a>5，则标记为是血管，并将该疑似淋巴结在疑似淋巴结序列图P3中的帧号、区域信息和标记信息进行保存；
否则，不标记。
步骤17，返回到步骤11，将已经跟踪过的疑似淋巴结从疑似淋巴结序列图P3中删除，并判定疑似淋巴结序列图P3中是否有像素为1的区域，如果有，则返回步骤6，否则，结束检测。
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 (3)

1.一种基于多角度图片序列的胃部CT图像淋巴结检测系统，包括：
疑似淋巴结提取模块，用于对原始CT序列图中每一副CT图像进行疑似淋巴结的提取，得到疑似淋巴结图，并用疑似淋巴结图组成疑似淋巴结序列图，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；
脏器序列图获取模块，用于通过otsu分类算法将原始CT序列图中的每一副CT图像分为四类，将这四类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，并用脏器图组成脏器序列图，将当前要跟踪的疑似淋巴结在脏器序列图中所在的帧作为当前帧；
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；
基于行列切图的淋巴结检测模块，用于对自适应窗口大于11*11的疑似淋巴结作行切和列切处理，利用得到的行切图和列切图，确定当前跟踪的疑似淋巴结的首尾帧位置和面积；
低秩分解模块，用于对自适应窗口不大于11*11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；
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；
标记删除模块，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和删除处理。
2.根据权利要求1所述的基于多角度图片序列的胃部CT图像淋巴结检测系统，其中基于行列切图的淋巴结检测模块，包括：
原始行列切序列获取子模块，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，构建原始行列切序列：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；
行切图构造子模块，用于在原始行列切序列D中，按照顺序依次取出第1副图像到第(2l+1)副图像的第i行，并按照如下规则构造行切图Ri：
将第1副图像的第i行作为新图像的第1行，将第2副图像的第i行作为新图像的第2行，依次类推，将第j副图像的第i行作为新图像的第j行，一直到取完原始行列切序列D中第(2l+1)副图像的第i行，并将其放到新图像的最后一行的位置，得到新图像为原始行列切序列D的第i行对应的行切图Ri，其中i＝1～m，m为原始行列切序列D中每一副图像的行数；
行切图确定首尾帧子模块，用于对行切图R(z-1)求点(l+1,ceny)所在区域最上面一行的横坐标l1、最下面一行的横坐标l4；对行切图Rz求点(l+1,ceny)所在区域最上面一行的横坐标l2、最下面一行的横坐标l5；对行切图R(z+1)求点(l+1,ceny)所在区域最上面一行的横坐标l3、最下面一行的横坐标l6；计算为原始行列切序列D中疑似淋巴结的首帧位置s和尾帧位置e：
s＝min(min(l1,l2),l3)
e＝max(max(l4,l5),l6)
其中z＝m/2+1，ceny为当前跟踪的疑似淋巴结质心的纵坐标；
列切图构造子模块，用于在原始行列切序列D中，按照顺序依次取出第一副图像到第(2l+1)副图像的第k列，并按照如下规则构造行切图Ck：
将第1副图像的第k列作为新图像的第1列，将第2副图像的第k列作为新图像的第2列，依次类推，将第j副图像的第k列作为新图像的第j列，一直到取完原始行列切序列D中第(2l+1)副图像的第k列，并将其放到新图像的最后一列的位置，得到新图像为原始行列切序列D的第k列对应的列切图Ck，其中k＝1～n，n为原始行列切序列D中每一副图像的列数；
列切图确定首尾帧子模块，用于对列切图C(z-1)求点(cenx,l+1)所在区域最左边一列的纵坐标h1、最右边一列的纵坐标h4；对列切图Cz求点(cenx,l+1)所在区域最左边一列的纵坐标h2、最右边一列的纵坐标h5；对列切图C(z+1)，点求(cenx,l+1)所在区域最左边一列的纵坐标h3、最右边一列的纵坐标h6，并更新序列D中疑似淋巴结的首帧位置sc和尾帧位置ec：
sc＝min(s,s')
ec＝max(e,e'),
其中s'＝min(min(h1,h2),h3)，e'＝max(max(h4,h5),h6)，z＝n/2+1，cenx为当前跟踪的疑似淋巴结质心的横坐标；
淋巴结判定子模块，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c、首帧疑似淋巴结面积s1和尾帧疑似淋巴结面积e1标记其是否是淋巴结：
如果则标记为淋巴结，并对该疑似淋巴结在疑似淋巴结序列图中的帧号、区域信息和标记信息进行保存，
否则，标记为非淋巴结。
3.一种基于多角度图片序列的胃部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，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；
(2)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；
(3)对所有待检测的CT图像进行上述步骤(1)～步骤(2)的处理，得到疑似淋巴结序列图P3；
(4)使用otsu分类算法将待检测的CT图像分为四类，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；
(5)对所有待检测的CT图像进行步骤(4)处理，用所有脏器图组成脏器序列图P4；
(6)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；
(7)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，则执行步骤(8)，否则，跳转到步骤(14)；
(8)输入脏器序列图P4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序列图所在的帧作为当前帧，以当前帧疑似淋巴结的自适应窗口区域为固定区域，得到原始行列切序列图；
(9)输入原始行列切序列图，在原始行列切序列图上，进行行切和列切处理，得到行切图和列切图，根据行切图和列切图的区域信息，得到当前跟踪疑似淋巴结的首帧、首帧疑似淋巴结的面积s1、尾帧、尾帧疑似淋巴结的面积e1和当前跟踪的疑似淋巴结的面积c；
(10)根据步骤(9)中求出的首帧疑似淋巴结的面积s1、尾帧疑似淋巴结的面积e1和当前跟踪的疑似淋巴结的面积c进行淋巴结的标记：
如果则标记为淋巴结，并对该疑似淋巴结在疑似淋巴结序列图P3中的帧号、区域信息和标记信息进行保存，
否则，标记为非淋巴结；
(11)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P3，在疑似淋巴结序列图P3上，以当前帧为开始，以首帧为结束，通过质心信息跟踪的方式，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；
(12)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图P3，在疑似淋巴结序列图P3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，则更新目标质心信息，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；
(13)输入疑似淋巴结序列图P3、步骤(11)和步骤(12)中已标记的疑似淋巴结的区域，并将步骤(11)和步骤(12)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P3中是否有像素为1的区域，如果有，则返回步骤(6)，否则，结束检测；
(14)对步骤(6)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s2、初始尾帧疑似淋巴结的面积e2；
(15)输入脏器序列图P4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序列图P4中所在的帧为当前帧，在脏器序列图P4上，以当前帧开始，以当前帧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；
(16)输入步骤(15)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s3、尾帧疑似淋巴结的面积e3、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(14)求出的初始首帧疑似淋巴结的面积s2、初始尾帧疑似淋巴结的面积e2，对淋巴结和血管进行区分：
如果l>＝20,s3>＝s2,e3>＝e2,d>10,a<＝5，则标记为是血管，并对该疑似淋巴结在疑似淋巴结序列图P3中的帧号、区域信息和标记信息进行保存；
如果l<20,l>＝6,s3<＝s2,e3<＝e2,d<10,a>5，则标记为是淋巴结，并对该疑似淋巴结在疑似淋巴结序列图P3中的帧号、区域信息和标记信息进行保存；
否则，不标记；
(17)返回到步骤(11)，将已经跟踪过的疑似淋巴结从疑似淋巴结序列图P3中删除，并判定疑似淋巴结序列图P3中是否有像素为1的区域，如果有，则返回步骤(6)，否则，结束检测。
CN201410776605.XA 2014-12-15 2014-12-15 基于多角度图片序列的胃部ct图像淋巴结检测系统 Active CN104408737B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410776605.XA CN104408737B (zh) 2014-12-15 2014-12-15 基于多角度图片序列的胃部ct图像淋巴结检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410776605.XA CN104408737B (zh) 2014-12-15 2014-12-15 基于多角度图片序列的胃部ct图像淋巴结检测系统

Publications (2)

Publication Number Publication Date
CN104408737A CN104408737A (zh) 2015-03-11
CN104408737B true CN104408737B (zh) 2017-05-17

Family

ID=52646366

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410776605.XA Active CN104408737B (zh) 2014-12-15 2014-12-15 基于多角度图片序列的胃部ct图像淋巴结检测系统

Country Status (1)

Country Link
CN (1) CN104408737B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (3)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2414357A (en) * 2004-05-18 2005-11-23 Medicsight Plc Nodule boundary detection

Patent Citations (3)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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
CN104408737A (zh) 2015-03-11

Similar Documents

Publication Publication Date Title
CN110060275B (zh) 一种人体微循环血流速度检测的方法及系统
CN104282020B (zh) 一种基于目标运动轨迹的车辆速度检测方法
CN102175693B (zh) 医用药剂中可见异物的机器视觉检测方法
CN103810491B (zh) 融合深度和灰度图像特征点的头姿估计兴趣点检测方法
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
US20160117797A1 (en) Image Processing Apparatus and Image Processing Method
CN102663416B (zh) 手术规划系统中内脏及其内部血管的分割方法
CN108038513A (zh) 一种肝脏超声图像的特征分类方法
CN105512618B (zh) 视频跟踪方法
CN109215079A (zh) 图像处理方法、手术导航设备、电子设备、存储介质
CN108628306A (zh) 机器人行走障碍检测方法、装置、计算机设备和存储介质
CN108090485A (zh) 基于多视角融合的图像前景自动提取方法
CN107093190A (zh) 一种基于多图谱标签融合的医学图像配准算法
CN110020627A (zh) 一种基于深度图与特征融合的行人检测方法
CN109801276A (zh) 一种计算心胸比的方法及装置
CN108830856A (zh) 一种基于时间序列sd-oct视网膜图像的ga自动分割方法
CN103839048B (zh) 基于低秩分解的胃部ct图像淋巴结识别系统和方法
CN108710879A (zh) 一种基于网格聚类算法的行人候选区域生成方法
CN108154176A (zh) 一种针对单一深度图像的3d人体姿态估计算法
KR101251822B1 (ko) 동적조영증강 폐 전산화단층촬영 영상에서 관류 분석 시스템 및 방법
CN104408737B (zh) 基于多角度图片序列的胃部ct图像淋巴结检测系统
CN105678711A (zh) 一种基于图像分割的衰减校正方法
CN103093481B (zh) 一种基于分水岭分割的静态背景下运动目标检测方法
CN110378333B (zh) 一种sd-oct图像黄斑中央凹中心定位方法
CN104915989A (zh) 基于ct影像的血管三维分割方法

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