CN107874760A - 一种医学影像中的导丝追踪方法、装置、设备及存储介质 - Google Patents
一种医学影像中的导丝追踪方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN107874760A CN107874760A CN201710885851.2A CN201710885851A CN107874760A CN 107874760 A CN107874760 A CN 107874760A CN 201710885851 A CN201710885851 A CN 201710885851A CN 107874760 A CN107874760 A CN 107874760A
- Authority
- CN
- China
- Prior art keywords
- seal wire
- distributed areas
- filiform
- image
- gravity
- 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
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/06—Devices, other than using radiation, for detecting or locating foreign bodies ; determining position of probes within or on the body of the patient
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
Abstract
本发明适用医学影像处理技术领域,提供了一种医学影像中的导丝追踪方法、装置、设备及存储介质,该方法包括:在介入式手术视频的当前图像中截取丝状物分布区域,根据丝状物分布区域的导丝重心和导丝形态点集,确定当前图像的导丝分布区域,输出该导丝分布区域的导丝重心和导丝形态点集,检测当前图像是否为最后一帧图像,当不是时,根据当前图像中导丝分布区域的导丝重心截取下一帧图像的导丝分布区域,提取下一帧图像中导丝分布区域的导丝重心和导丝形态点集,将下一帧图像设置为当前图像,跳转至输出导丝分布区域的导丝重心和导丝形态点集的步骤,从而有效地降低了医学影像中导丝追踪的计算复杂度,有效地提高了导丝追踪的速度和准确度。
Description
技术领域
本发明属于医学影像处理技术领域,尤其涉及一种医学影像中的导丝追踪方法、装置、设备及存储介质。
背景技术
介入式微创手术(例如心血管的介入手术和脑血管的介入手术)在近几年广泛发展,大幅度地降低了患者的痛苦。在介入式微创手术中,医生在医学影像设备的引导下将特制的导丝引入患者体内,对患者体内病态进行诊断和局部治疗,导丝是介入式微创手术治疗任务的最直接执行端。
在国内为介入式微创手术服务的导丝追踪算法还较为欠缺。在介入式微创手术中,医生需要通过影像设备对导丝重心位置进行提取,十分浪费医生的精力。在导丝追踪算法研究方面,有研究者提出了采用B样条曲线基检测导丝、采用传统的光流法检测导丝、基于学习的方法自动侦测导丝等方式,其中,采用B样条曲线基检测导丝的计算复杂度较高,采用传统的光流法检测导丝的方式因导丝目标过小而达不到预期目标,基于学习的方法自动侦测导丝只是针对单帧图像,无法对视频中的导丝进行侦测。
发明内容
本发明的目的在于提供一种医学影像中的导丝追踪方法、装置、设备及存储介质,旨在解决现有技术中对医学影像中的导丝进行追踪的计算复杂度较高、准确度不足的问题。
一方面,本发明提供了一种医学影像中的导丝追踪方法,所述方法包括下述步骤:
接收预设的医学影像设备输入的介入式手术视频,在所述介入式手术视频的当前图像中截取丝状物分布区域;
通过预设的导丝提取算法集合提取所述每个丝状物分布区域的导丝重心和导丝形态点集,根据所述每个丝状物分布区域的导丝形态点集,确定所述当前图像的导丝分布区域;
输出所述当前图像中所述导丝分布区域的导丝重心和导丝形态点集,并检测所述当前图像是否为所述介入式手术视频的最后一帧图像,当所述当前图像不是所述最后一帧图像时,根据所述当前图像中所述导丝分布区域的导丝重心,截取下一帧图像的所述导丝分布区域;
通过所述导丝提取算法集合提取所述下一帧图像中所述导丝分布区域的导丝重心和导丝形态点集,将所述下一帧图像设置为所述当前图像,跳转至输出所述当前图像中所述导丝分布区域的导丝重心和导丝形态点集的步骤。
另一方面,本发明提供了一种医学影像中的导丝追踪装置,所述装置包括:
图像区域截取单元,用于接收预设的医学影像设备输入的介入式手术视频,在所述介入式手术视频的当前图像中截取丝状物分布区域;
第一导丝提取单元,用于通过预设的导丝提取算法集合提取所述每个丝状物分布区域的导丝重心和导丝形态点集,根据所述每个丝状物分布区域的导丝形态点集,确定所述当前图像的导丝分布区域;
导丝分布截取单元,用于输出所述当前图像中所述导丝分布区域的导丝重心和导丝形态点集,并检测所述当前图像是否为所述介入式手术视频的最后一帧图像,当所述当前图像不是所述最后一帧图像时,根据所述当前图像中所述导丝分布区域的导丝重心,截取下一帧图像的所述导丝分布区域;以及
第二导丝提取单元,用于通过所述导丝提取算法集合提取所述下一帧图像中所述导丝分布区域的导丝重心和导丝形态点集,将所述下一帧图像设置为所述当前图像,由所述导丝区域截取单元执行输出所述当前图像中所述导丝分布区域的导丝重心和导丝形态点集的操作。
另一方面,本发明还提供了一种医学影像处理设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述一种医学影像中的导丝追踪方法所述的步骤。
另一方面,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述一种医学影像的导丝追踪方法所述的步骤。
本发明通过导丝提取算法集合提取介入式手术视频当前图像中每个丝状物分布区域的导丝重心和导丝形态点集,有效地降低了导丝位置信息提取的算法复杂度、提高了导丝信息提取的速度和准确度,在丝状物分布区域中确定当前图像的导丝分布区域,输出该导丝分布区域的导丝重心和导丝形态点集,当当前图像不是最后一帧图像时,根据该导丝分布区域的导丝重心截取下一帧图像的导丝分布区域,通过导丝提取算法集合提取下一帧图像中导丝分布区域的导丝重心和导丝形态点集,将下一帧图像设置为当前图像,并跳转至输出该导丝分布区域的导丝重心和导丝形态点集的步骤,从而有效地解决了不同帧图像上导丝发生移动导致无法对导丝准确跟踪的问题,有效地提高了医学影像中导丝追踪的速度和准确度。
附图说明
图1是本发明实施例一提供的一种医学影像中的导丝追踪方法的实现流程图;
图2是本发明实施例二提供的一种医学影像中的导丝追踪装置的结构示意图;
图3是本发明实施例二提供的一种医学影像中的导丝追踪装置的优选结构示意图;以及
图4是本发明实施例三提供的一种医学影像处理设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述:
实施例一:
图1示出了本发明实施例一提供的一种医学影像中的导丝追踪方法的实现流程,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
在步骤S101中,接收预设的医学影像设备输入的介入式手术视频,在介入式手术视频的当前图像中截取丝状物分布区域。
本发明实施例适用于对介入式手术视频中的导丝进行实时追踪的场景。在接收医学影像设备(例如X射线影像设备)拍摄得到的介入式手术视频时,对介入式手术视频中的每帧图像进行导丝实时跟踪,以便医生根据输出的导丝分布位置和导丝重心进行手术。
在本发明实施例中,可通过预设的SURF(Speeded-Up Robust Features,加速稳健特征)算法对介入式手术视频的当前图像进行关键点检测,检测到的关键点分布在导丝和其它丝状物周围,根据这些关键点的分布状况在当前图像截取图像区域,为了便于区分,将这些图像区域称为丝状物分布区域。具体地,SURF算法的输入为当前图像和预设阈值,在SURF算法中阈值用来判断图像像素点是否为感兴趣点(即关键点),阈值越大SURF算法检测到的关键点越少,在通过SURF算法对介入式手术视频的整帧图像进行关键点检测时,可将阈值设置为较大的值(例如1000),以检测出整帧图像中导丝所在的大致区域。
在步骤S102中,通过预设的导丝提取算法集合提取每个丝状物分布区域的导丝重心和导丝形态点集,根据每个丝状物分布区域的导丝形态点集,确定当前图像的导丝分布区域。
在本发明实施例中,导丝提取算法集合中可包括多尺度滤波算法、SURF算法和层级聚类算法。通过导丝提取算法集合提取当前图像中每个丝状物分布区的导丝重心和导丝形态点集的过程,可通过下述步骤实现:
(1)对每个丝状物分布区域进行多尺度滤波。
在本发明实施例中,对每个丝状物分布区域进行多尺度滤波,可增强每个丝状物分布区域的丝状物形态,抑制其它形态。优选地,在多尺度滤波中使用到图像像素点Hessian矩阵的两个特征值λ1和λ2,|λ1|<|λ2|,当λ2>0时,图像中像素点经过多尺度滤波的输出为vo(s)=0,否则输出为其中,β和c为预设参数,从而增强每个丝状物分布区域的丝状物形态,抑制其它形态。
(2)通过SURF算法对每个丝状物分布区域进行关键点检测。
在本发明实施例中,通过SURF算法对每个丝状物分布区域进行关键点检测,此时,可将SURF算法中的阈值设置为较小的值(例如10),以在当前图像截取的丝状物分布区域中进一步查找到能够对导丝进行描述的关键点。在多尺度滤波算法的基础上使用SURF算法,有效地降低了导丝提取的算法复杂度、提高了导丝提取的准确度。
(3)通过层级聚类算法对每个丝状物分布区域检测出来的关键点进行聚类,生成每个丝状物分布区域的导丝重心和导丝形态点集。
在本发明实施例中,先将每个丝状物分布区域的每个关键点分别归为一个类别,可通过计算每两个类别间的距离获得每两个类别间的相似度,将所有类别中相似度最高的两个类别合并为一类,这样类别的数量就减少了一个,重新计算新生成的这个类与剩余每个类别的相似度,直至所有的关键点都归为一个类别,最后这个类别中的关键点构成丝状物分布区域对应的导丝形态点集。根据每个丝状物分布区域的导丝形态点集,可计算得到这些导丝形态点集的重心,即每个丝状分布区域对应的导丝重心。
可选地,在聚类过程中设置一个聚类阈值,在丝状物分布区域的所有类别中检测包含关键点数量最多的类别,判断该类别的关键点总数目是否超出丝状物分布区域上关键点总数目与聚类阈值的乘积,当超出时,结束聚类迭代过程,由该类别中的关键点构成丝状物分布区域对应的导丝形态点集。
在本发明实施例中,在获得每个丝状物分布区域的导丝重心和导丝形态点集后,对每个丝状物分布区域的导丝形态点集进行主成分分析,生成每个丝状物分布区域中导丝形态点集的主成分方向、以及每个主成分的特征值,计算每个丝状物分布区域中导丝形态点集中最大的两个特征值的比值,将该比值作为每个丝状物分布区域中导丝形态点集与导丝拟合程度的度量,将该度量称为主成分分析分数。在所有丝状物分布区域中选取主成分分析分数最大的丝状物分布区域设置为当前图像的导丝分布区域,即认为当前图像中的导丝位于主成分分析分数最大的丝状物分布区域。
在步骤S103中,输出当前图像中导丝分布区域的导丝重心和导丝形态点集。
在本发明实施例中,输出当前图像中导丝分布区域的导丝重心和导丝形态点集,以便医生根据输出的导丝重心和导丝形态点集对导丝进行操作。
在步骤S104中,检测当前图像是否为介入式手术视频的最后一帧图像。
在本发明实施例中,当当前图像为介入式手术视频的最后一帧图像时,执行步骤S107,否则执行步骤S105。
在步骤S105中,根据当前图像中导丝分布区域的导丝重心,截取下一帧图像的导丝分布区域。
在本发明实施例中,介入式手术视频中每帧图像上导丝的位置可能发生变化,但相邻帧图像间导丝移动的距离很小,所以以当前图像中导丝分布区域的导丝重心为中心,在下一帧图像上截取预设大小的导丝分布区域,当截取的大小合适时,可有效地解决相邻帧图像间导丝移动带来的问题。作为示例地,当下一帧图像的尺寸为512×512时,以当前图像中导丝分布区域的导丝重心为中心,在下一帧图像中截取128×128~192×192尺寸的矩形区域为该下一帧图像的导丝分布区域,当截取的尺寸小于128×128时,导丝可能运动超出截取的导丝分布区域的边界,当截取的尺寸大于192×192时,可能会减慢导丝跟踪的计算速度。
在步骤S106中,通过导丝提取算法集合提取下一帧图像中导丝分布区域的导丝重心和导丝形态点集,将下一帧图像设置为当前图像。
在本发明实施例中,在得到下一帧图像的导丝分布区域后,可通过导丝提取算法集合在下一帧图像的导丝分布区域进行导丝提取,即计算出下一帧图像中导丝分布区域的导丝重心和导丝形态点集,将下一帧图像设置为当前图像,跳转至步骤S103中执行输出当前图像中导丝分布区域的导丝重心和导丝形态点集,并检测当前图像是否为介入式手术视频的最后一帧图像的步骤。
在步骤S107中,结束介入式手术视频的导丝跟踪。
在本发明实施例中,通过导丝提取算法集合在介入式手术视频的每帧图像的导丝分布区域提取导丝重心和导丝形态点集,有效地降低了导丝提取的算法复杂度、提高了导丝提取的准确度,在一开始通过导丝提取算法集合和主成分分析算法确定了图像的导丝分布区域后,后面每帧图像的导丝分布区域都可依赖上一帧图像的导丝分布区域的导丝重心进行确定,有效地降低了导丝追踪的计算复杂度,并解决了介入式手术视频中每帧图像上导丝发生移动导致导丝跟踪的准确度不足的问题,从而有效地提高了医学影像中导丝追踪的速度和准确度。
实施例二:
图2示出了本发明实施例二提供的一种医学影像中的导丝追踪装置的结构,为了便于说明,仅示出了与本发明实施例相关的部分,其中包括:
图像区域截取单元21,用于接收预设的医学影像设备输入的介入式手术视频,在介入式手术视频的当前图像中截取丝状物分布区域。
在本发明实施例中,接收医学影像设备拍摄到的介入式手术视频,可通过预设的SURF算法对介入式手术视频的当前图像进行关键点检测,可根据关键点的分布状况在当前图像中截取丝状物分布区域,SURF算法检测到的这些关键点分布在导丝和其它丝状物周围。SURF算法的输入为当前图像和预设阈值,在SURF算法中阈值用来判断图像像素点是否为感兴趣点(即关键点),阈值越大SURF算法检测到的关键点越少,在通过SURF算法对整帧图像进行关键点检测时,可将阈值设置为较大的值,以检测出整帧图像中导丝所在的大致区域。
第一导丝提取单元22,用于通过预设的导丝提取算法集合提取每个丝状物分布区域的导丝重心和导丝形态点集,根据每个丝状物分布区域的导丝形态点集,确定当前图像的导丝分布区域。
在本发明实施例中,导丝提取算法集合中可包括多尺度滤波算法、SURF算法和层级聚类算法。可先通过多尺度滤波算法对当前图像的每个丝状物分布区域进行处理,以增强每个丝状物分布区域中的丝状物形态,抑制其它形态。接着,可通过SURF算法在每个丝状物分布区域中进行关键点的检测,此时SURF算法的阈值可设置为较小的值,以在每个丝状物分布区域查找到能够对导丝进行描述的关键点。接着,可通过层级聚类算法对每个丝状物分布区域的关键点进行聚类,得到每个丝状物分布区域的导丝重心和导丝形态点集,从而在导丝提取集合中在多尺度滤波算法的基础上使用SURF算法,有效地降低了导丝提取的算法复杂度,同时提高了导丝提取的准确度。
在本发明实施例中,对每个丝状物分布区域的导丝形态点集进行主成分分析,生成每个丝状物分布区域中导丝形态点集的主成分方向、以及每个主成分的特征值,计算每个丝状物分布区域中导丝形态点集中最大的两个特征值的比值,将该比值作为每个丝状物分布区域中导丝形态点集与导丝拟合程度的度量,可将该度量称为主成分分析分数。在所有丝状物分布区域中选取主成分分析分数最大的丝状物分布区域设置为当前图像的导丝分布区域,即认为当前图像中的导丝位于主成分分析分数最大的丝状物分布区域。
导丝分布截取单元23,用于输出当前图像中导丝分布区域的导丝重心和导丝形态点集,并检测当前图像是否为介入式手术视频的最后一帧图像,当当前图像不是最后一帧图像时,根据当前图像中导丝分布区域的导丝重心,截取下一帧图像的导丝分布区域。
在本发明实施例中,输出当前图像中导丝分布区域的导丝重心和导丝形态点集,以便医生根据输出的导丝重心和导丝形态点集对导丝进行操作。当当前图像为介入式手术视频的最后一帧图像时,结束介入式手术视频的导丝跟踪,否则,以当前图像中导丝分布区域的导丝重心为中心,在下一帧图像上截取预设大小的导丝分布区域,当截取的大小合适时,可有效地解决相邻帧图像间导丝移动带来的问题。作为示例地,当下一帧图像的尺寸为512×512时,以当前图像中导丝分布区域的导丝重心为中心,在下一帧图像中截取128×128~192×192尺寸的矩形区域为该下一帧图像的导丝分布区域,当截取的尺寸小于128×128时,导丝可能运动超出截取的导丝分布区域的边界,当截取的尺寸大于192×192时,可能会减慢导丝跟踪的计算速度。
第二导丝提取单元24,用于通过导丝提取算法集合提取下一帧图像中导丝分布区域的导丝重心和导丝形态点集,将下一帧图像设置为当前图像。
在本发明实施例中,在得到下一帧图像的导丝分布区域后,可通过导丝提取算法集合在下一帧图像的导丝分布区域进行导丝提取,即计算出下一帧图像中导丝分布区域的导丝重心和导丝形态点集,将下一帧图像设置为当前图像,并由导丝区域截取单元输出当前图像中导丝分布区域的导丝重心和导丝形态点集,并检测当前图像是否为介入式手术视频的最后一帧图像的操作。
优选地,如图3所示,第一导丝提取单元22包括图像滤波单元321、区域关键点检测单元322和关键点聚类单元323,其中:
图像滤波单元321,用于对每个丝状物分布区域进行多尺度滤波,以增强每个丝状物分布区域的丝状物形态。
在本发明实施例中,在多尺度滤波中使用到图像像素点Hessian矩阵的两个特征值λ1和λ2,|λ1|<|λ2|,当λ2>0时,图像中像素点经过多尺度滤波的输出为vo(s)=0,否则输出为其中, β和c为预设参数,从而增强每个丝状物分布区域中的丝状物形态,抑制其它形态。
区域关键点检测单元322,用于通过预设的SURF算法对每个丝状物分布区域进行关键点检测。
关键点聚类单元323,用于通过预设的层级聚类算法对每个丝状物分布区域检测出来的关键点进行聚类,生成每个丝状物分布区域的导丝重心和导丝形态点集。
在本发明实施例中,先将每个丝状物分布区域的每个关键点分别归为一个类别,可通过计算每两个类别间的距离获得每两个类别间的相似度,将所有类别中相似度最高的两个类别合并为一类,这样类别的数量就减少了一个,重新计算新生成的这个类与剩余每个类别的相似度,直至所有的关键点都归为一个类别,最后这个类别中的关键点构成丝状物分布区域对应的导丝形态点集。根据每个丝状物分布区域的导丝形态点集,可计算得到这些导丝形态点集的重心,即每个丝状分布区域对应的导丝重心。
可选地,设置一个聚类阈值,在聚类过程中检测包含关键点数量最多的类别中的关键点总数目是否超出丝状物分布区域上关键点总数目与聚类阈值的乘积,当超出时,结束聚类迭代过程,由包含关键点数量最多的类别中的关键点构成丝状物分布区域对应的导丝形态点集。
优选地,第一导丝提取单元22还包括主成分分析单元324和导丝区域设置单元325,其中:
主成分分析单元324,用于对每个丝状物分布区域的导丝形态点集进行主成分分析,获得每个丝状物分布区域对应的主成分分析分数;以及
导丝区域设置单元325,将主成分分析分数最高的丝状物分布区域设置为当前图像的导丝分布区域。
在本发明实施例中,通过导丝提取算法集合在介入式手术视频的每帧图像的导丝分布区域提取导丝重心和导丝形态点集,有效地降低了导丝提取的算法复杂度、提高了导丝提取的准确度,在一开始通过导丝提取算法集合和主成分分析算法确定了图像的导丝分布区域后,后面每帧图像的导丝分布区域都可依赖上一帧图像的导丝分布区域的导丝重心进行确定,有效地降低了导丝追踪的计算复杂度,并解决了介入式手术视频中每帧图像上导丝发生移动导致导丝跟踪的准确度不足的问题,从而有效地提高了医学影像中导丝追踪的速度和准确度。
在本发明实施例中,一种医学影像中的导丝追踪装置的各单元可由相应的硬件或软件单元实现,各单元可以为独立的软、硬件单元,也可以集成为一个软、硬件单元,在此不用以限制本发明。
实施例三:
图4示出了本发明实施例三提供的一种医学影像处理设备的结构,为了便于说明,仅示出了与本发明实施例相关的部分。
本发明实施例的医学影像处理设备4包括处理器40、存储器41以及存储在存储器41中并可在处理器40上运行的计算机程序42。该处理器40执行计算机程序42时实现上述方法实施例中的步骤,例如图1所示的步骤S101至S107。或者,处理器40执行计算机程序42时实现上述装置实施例中各单元的功能,例如图2所示单元21至24的功能。
在本发明实施例中,通过导丝提取算法集合在介入式手术视频的每帧图像的导丝分布区域提取导丝重心和导丝形态点集,有效地降低了导丝提取的算法复杂度、提高了导丝提取的准确度,在一开始通过导丝提取算法集合和主成分分析算法确定了图像的导丝分布区域后,后面每帧图像的导丝分布区域都可依赖上一帧图像的导丝分布区域的导丝重心进行确定,有效地降低了导丝追踪的计算复杂度,并解决了介入式手术视频中每帧图像上导丝发生移动导致导丝跟踪的准确度不足的问题,从而有效地提高了医学影像中导丝追踪的速度和准确度。
实施例四:
在本发明实施例中,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述方法实施例中的步骤,例如,图1所示的步骤S101至S107。或者,该计算机程序被处理器执行时实现上述装置实施例中各单元的功能,例如图2所示单元21至24的功能。
在本发明实施例中,通过导丝提取算法集合在介入式手术视频的每帧图像的导丝分布区域提取导丝重心和导丝形态点集,有效地降低了导丝提取的算法复杂度、提高了导丝提取的准确度,在一开始通过导丝提取算法集合和主成分分析算法确定了图像的导丝分布区域后,后面每帧图像的导丝分布区域都可依赖上一帧图像的导丝分布区域的导丝重心进行确定,有效地降低了导丝追踪的计算复杂度,并解决了介入式手术视频中每帧图像上导丝发生移动导致导丝跟踪的准确度不足的问题,从而有效地提高了医学影像中导丝追踪的速度和准确度。
本发明实施例的计算机可读存储介质可以包括能够携带计算机程序代码的任何实体或装置、记录介质,例如,ROM/RAM、磁盘、光盘、闪存等存储器。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种医学影像中的导丝追踪方法,其特征在于,所述方法包括下述步骤:
接收预设的医学影像设备输入的介入式手术视频,在所述介入式手术视频的当前图像中截取丝状物分布区域;
通过预设的导丝提取算法集合提取所述每个丝状物分布区域的导丝重心和导丝形态点集,根据所述每个丝状物分布区域的导丝形态点集,确定所述当前图像的导丝分布区域;
输出所述当前图像中所述导丝分布区域的导丝重心和导丝形态点集,并检测所述当前图像是否为所述介入式手术视频的最后一帧图像,当所述当前图像不是所述最后一帧图像时,根据所述当前图像中所述导丝分布区域的导丝重心,截取下一帧图像的所述导丝分布区域;
通过所述导丝提取算法集合提取所述下一帧图像中所述导丝分布区域的导丝重心和导丝形态点集,将所述下一帧图像设置为所述当前图像,跳转至输出所述当前图像中所述导丝分布区域的导丝重心和导丝形态点集的步骤。
2.如权利要求1所述的方法,其特征在于,通过预设的导丝提取算法集合提取所述每个丝状物分布区域的导丝重心和导丝形态点集的步骤,包括:
对所述每个丝状物分布区域进行多尺度滤波,以增强所述每个丝状物分布区域的丝状物形态;
通过预设的SURF算法对所述每个丝状物分布区域进行关键点检测;
通过预设的层级聚类算法对所述每个丝状物分布区域检测出来的关键点进行聚类,生成所述每个丝状物分布区域的导丝重心和导丝形态点集。
3.如权利要求1所述的步骤,其特征在于,根据所述每个丝状物分布区域的导丝形态点集,确定所述当前图像的导丝分布区域的步骤,包括:
对所述每个丝状物分布区域的导丝形态点集进行主成分分析,获得所述每个丝状物分布区域对应的主成分分析分数;
将所述主成分分析分数最高的所述丝状物分布区域设置为所述当前图像的所述导丝分布区域。
4.如权利要求1所述的方法,其特征在于,根据所述当前图像中所述导丝分布区域的导丝重心,截取下一帧图像的所述导丝分布区域的步骤,包括:
以所述当前图像中所述导丝分布区域的导丝重心为中心,在所述下一帧图像中截取预设大小的所述导丝分布区域。
5.如权利要求1所述的方法,其特征在于,在所述介入式手术视频的当前图像中截取丝状物分布区域的步骤,包括:
通过所述SURF算法对所述当前图像进行关键点检测,根据所述当前图像中检测出来的关键点,在所述当前图像中截取所述丝状物分布区域。
6.一种医学影像中的导丝追踪装置,其特征在于,所述装置包括:
图像区域截取单元,用于接收预设的医学影像设备输入的介入式手术视频,在所述介入式手术视频的当前图像中截取丝状物分布区域;
第一导丝提取单元,用于通过预设的导丝提取算法集合提取所述每个丝状物分布区域的导丝重心和导丝形态点集,根据所述每个丝状物分布区域的导丝形态点集,确定所述当前图像的导丝分布区域;
导丝分布截取单元,用于输出所述当前图像中所述导丝分布区域的导丝重心和导丝形态点集,并检测所述当前图像是否为所述介入式手术视频的最后一帧图像,当所述当前图像不是所述最后一帧图像时,根据所述当前图像中所述导丝分布区域的导丝重心,截取下一帧图像的所述导丝分布区域;以及
第二导丝提取单元,用于通过所述导丝提取算法集合提取所述下一帧图像中所述导丝分布区域的导丝重心和导丝形态点集,将所述下一帧图像设置为所述当前图像,由所述导丝区域截取单元执行输出所述当前图像中所述导丝分布区域的导丝重心和导丝形态点集的操作。
7.如权利要求6所述的装置,其特征在于,所述第一导丝提取单元包括:
图像滤波单元,用于对所述每个丝状物分布区域进行多尺度滤波,以增强所述每个丝状物分布区域的丝状物形态;
区域关键点检测单元,用于通过预设的SURF算法对所述每个丝状物分布区域进行关键点检测;以及
关键点聚类单元,用于通过预设的层级聚类算法对所述每个丝状物分布区域检测出来的关键点进行聚类,生成所述每个丝状物分布区域的导丝重心和导丝形态点集。
8.如权利要求6所述的方法,其特征在于,所述第一导丝提取单元还包括:
主成分分析单元,用于对所述每个丝状物分布区域的导丝形态点集进行主成分分析,获得所述每个丝状物分布区域对应的主成分分析分数;以及
导丝区域设置单元,将所述主成分分析分数最高的所述丝状物分布区域设置为所述当前图像的所述导丝分布区域。
9.一种医学影像处理设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710885851.2A CN107874760B (zh) | 2017-09-27 | 2017-09-27 | 一种医学影像中的导丝追踪方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710885851.2A CN107874760B (zh) | 2017-09-27 | 2017-09-27 | 一种医学影像中的导丝追踪方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107874760A true CN107874760A (zh) | 2018-04-06 |
CN107874760B CN107874760B (zh) | 2020-12-25 |
Family
ID=61780863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710885851.2A Active CN107874760B (zh) | 2017-09-27 | 2017-09-27 | 一种医学影像中的导丝追踪方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107874760B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110288631A (zh) * | 2019-05-15 | 2019-09-27 | 中国科学院深圳先进技术研究院 | 追踪导丝尖端的方法、系统及存储介质 |
CN110610511A (zh) * | 2018-06-15 | 2019-12-24 | 刘军 | 一种导丝移动侦测的装置和方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102081801A (zh) * | 2011-01-26 | 2011-06-01 | 上海交通大学 | 多特征自适应融合船舶跟踪和航迹检测方法 |
CN102903115A (zh) * | 2012-10-12 | 2013-01-30 | 中国科学院深圳先进技术研究院 | 一种管状物体中心线的提取方法 |
US8423121B2 (en) * | 2008-08-11 | 2013-04-16 | Siemens Aktiengesellschaft | Method and system for guidewire tracking in fluoroscopic image sequences |
CN104519793A (zh) * | 2012-05-08 | 2015-04-15 | 安吉奥梅特里克斯公司 | 用于内腔的线性映射的系统 |
US20160247276A1 (en) * | 2015-02-19 | 2016-08-25 | Sony Corporation | Method and system for surgical tool localization during anatomical surgery |
WO2016146380A1 (en) * | 2015-03-16 | 2016-09-22 | Koninklijke Philips N.V. | Automatic movement detection |
CN106067269A (zh) * | 2016-05-13 | 2016-11-02 | 中国科学院自动化研究所 | 虚拟心血管介入手术培训系统中反馈力的确定方法及系统 |
CN106815859A (zh) * | 2017-01-13 | 2017-06-09 | 大连理工大学 | 基于尺度自适应相关滤波和特征点匹配的目标跟踪算法 |
-
2017
- 2017-09-27 CN CN201710885851.2A patent/CN107874760B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8423121B2 (en) * | 2008-08-11 | 2013-04-16 | Siemens Aktiengesellschaft | Method and system for guidewire tracking in fluoroscopic image sequences |
CN102081801A (zh) * | 2011-01-26 | 2011-06-01 | 上海交通大学 | 多特征自适应融合船舶跟踪和航迹检测方法 |
CN104519793A (zh) * | 2012-05-08 | 2015-04-15 | 安吉奥梅特里克斯公司 | 用于内腔的线性映射的系统 |
CN102903115A (zh) * | 2012-10-12 | 2013-01-30 | 中国科学院深圳先进技术研究院 | 一种管状物体中心线的提取方法 |
US20160247276A1 (en) * | 2015-02-19 | 2016-08-25 | Sony Corporation | Method and system for surgical tool localization during anatomical surgery |
WO2016146380A1 (en) * | 2015-03-16 | 2016-09-22 | Koninklijke Philips N.V. | Automatic movement detection |
CN106067269A (zh) * | 2016-05-13 | 2016-11-02 | 中国科学院自动化研究所 | 虚拟心血管介入手术培训系统中反馈力的确定方法及系统 |
CN106815859A (zh) * | 2017-01-13 | 2017-06-09 | 大连理工大学 | 基于尺度自适应相关滤波和特征点匹配的目标跟踪算法 |
Non-Patent Citations (3)
Title |
---|
彭欣 等: ""基于SURF 目标跟踪算法研究"", 《长春理工大学学报(自然科学版)》 * |
李英 等: ""结合SURF与聚类分析方法实现运动目标的快速跟踪"", 《液晶与显示》 * |
梁成 等: ""基于视频的目标跟踪"", 《科技视界》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110610511A (zh) * | 2018-06-15 | 2019-12-24 | 刘军 | 一种导丝移动侦测的装置和方法 |
CN110288631A (zh) * | 2019-05-15 | 2019-09-27 | 中国科学院深圳先进技术研究院 | 追踪导丝尖端的方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107874760B (zh) | 2020-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | FLYOLOv3 deep learning for key parts of dairy cow body detection | |
CN107341473B (zh) | 手掌特征识别方法、手掌特征识别设备、及存储介质 | |
CN104517104B (zh) | 一种基于监控场景下的人脸识别方法及系统 | |
US20220051405A1 (en) | Image processing method and apparatus, server, medical image processing device and storage medium | |
CN108564026B (zh) | 用于甲状腺肿瘤细胞学涂片图像分类的网络构建方法及系统 | |
CN102903122B (zh) | 基于特征光流与在线集成学习的视频目标跟踪方法 | |
CN108986073A (zh) | 一种基于改进的Faster R-CNN框架的CT图像肺结节检测方法 | |
CN106407958B (zh) | 基于双层级联的面部特征检测方法 | |
CN108564123B (zh) | 一种甲状腺肿瘤细胞学涂片图像分类方法及其装置 | |
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 | |
CN106909909B (zh) | 一种基于共享卷积特征的人脸检测与对齐方法 | |
CN108009472A (zh) | 一种基于卷积神经网络和贝叶斯分类器的指背关节纹识别方法 | |
CN109886170B (zh) | 一种钉螺智能检测识别与统计系统 | |
CN102270308A (zh) | 一种基于五官相关aam模型的面部特征定位方法 | |
KR20190105180A (ko) | 합성곱 신경망 기반의 병변 진단 장치 및 방법 | |
Li et al. | PSENet: Psoriasis severity evaluation network | |
CN105701466A (zh) | 快速的全角度人脸跟踪方法 | |
CN108830842A (zh) | 一种基于角点检测的医学图像处理方法 | |
CN106529441B (zh) | 基于模糊边界分片的深度动作图人体行为识别方法 | |
WO2013075295A1 (zh) | 低分辨率视频的服装识别方法及系统 | |
CN109859222A (zh) | 基于级联神经网络的边缘提取方法及系统 | |
CN109800812A (zh) | 基于仿冒过滤器的ct图像分类特征选择方法及系统 | |
CN107874760A (zh) | 一种医学影像中的导丝追踪方法、装置、设备及存储介质 | |
Dong et al. | An improved YOLOv5 network for lung nodule detection | |
CN104331700B (zh) | 基于轨迹能量扩散图的组行为识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Wang Cheng Inventor after: source Inventor after: Zou Ya Inventor after: Zhou Shoujun Inventor before: Wang Cheng Inventor before: source Inventor before: Zou Ya Inventor before: Shou Jun |