CN108230284A - 一种运动轨迹确定方法及装置 - Google Patents
一种运动轨迹确定方法及装置 Download PDFInfo
- Publication number
- CN108230284A CN108230284A CN201611156581.3A CN201611156581A CN108230284A CN 108230284 A CN108230284 A CN 108230284A CN 201611156581 A CN201611156581 A CN 201611156581A CN 108230284 A CN108230284 A CN 108230284A
- Authority
- CN
- China
- Prior art keywords
- block
- blocks
- brightness
- match
- carotid artery
- 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
-
- 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
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
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)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Analysis (AREA)
Abstract
一种运动轨迹确定方法及装置,包括:获取N帧图像;从第一帧图像中选取一个颈动脉血管壁块作为第一参考块;从第一帧图像中的搜索区域中选取与第一参考块相似度最高的颈动脉血管壁块为第一匹配块;将第一匹配块确定为第二帧图像中的第二参考块,从第二帧图像中的搜索区域中选取与第二参考块相似度最高的颈动脉血管壁块为第二匹配块;根据第一参考块、第c参考块和第c匹配块确定第c+1帧图像中的第c+1参考块,从第c+1帧图像中的搜索区域中选取与第c+1参考块相似度最高的颈动脉血管壁块为第c+1匹配块;将第d匹配块确定为颈动脉血管壁块的运动轨迹,d为大于0且小于N+1的整数。本发明实施例,可以通过颈动脉血管壁块运动轨迹对颈动脉的功能异常进行检查。
Description
技术领域
本发明涉及医学图像处理技术领域,尤其涉及一种运动轨迹确定方法及装置。
背景技术
动脉硬化是一种常见的医学疾病,可以引发心血管疾病,如心肌梗死、中风等。颈动脉血管检查是筛查心血管疾病的一种重要手段,主要检查颈动脉血管壁形态异常和功能异常。其中,形态异常是指颈动脉血管壁的增厚,主要通过颈动脉内膜厚度来衡量;功能异常是指颈动脉血管壁的弹性发生不正常的变化。在心血管疾病的大规模筛查,往往只对颈动脉的形态异常进行检查,而无法对颈动脉的功能异常进行检查,因此,对颈动脉的功能异常进行检查已成为亟待解决的技术问题。
发明内容
本发明实施例公开了一种运动轨迹确定方法及装置,用于通过颈动脉血管壁块运动轨迹对颈动脉的功能异常进行检查。
第一方面公开一种数据备份方法,包括:
获取N帧图像,所述N帧图像为针对同一区域连续采集的颈动脉超声图像,所述N为大于或等于2的整数;
从第一帧图像中选取一个颈动脉血管壁块作为第一参考块;
从所述第一帧图像中的搜索区域中选取与所述第一参考块相似度最高的颈动脉血管壁块为第一匹配块;
将所述第一匹配块确定为第二帧图像中的第二参考块,并从所述第二帧图像中的搜索区域中选取与所述第二参考块相似度最高的颈动脉血管壁块为第二匹配块;
根据所述第一参考块、第c参考块和第c匹配块确定第c+1帧图像中的第c+1参考块,并从所述第c+1帧图像中的搜索区域中选取与所述第c+1参考块相似度最高的颈动脉血管壁块为第c+1匹配块,所述c为大于或等于2且小于N-1的整数;
将第d匹配块确定为颈动脉血管壁块的运动轨迹,所述d为大于或等于1且小于或等于所述N的整数。
在一个实施例中,所述从所述第一帧图像中的搜索区域中选取与所述第一参考块相似度最高的颈动脉血管壁块为第一匹配块包括:
从所述第一帧图像中的搜索区域中选取与所述第一参考块的亮度相似度最高的亮度对应的颈动脉血管壁块为第一匹配块;
所述从所述第二帧图像中的搜索区域中选取与所述第二参考块相似度最高的颈动脉血管壁块为第二匹配块包括:
从所述第二帧图像中的搜索区域中选取与所述第二参考块的亮度相似度最高的亮度对应的颈动脉血管壁块为第二匹配块;
所述根据所述第一参考块、第c参考块和第c匹配块确定第c+1帧图像中的第c+1参考块包括:
根据所述第一参考块的亮度、第c参考块的亮度和第c匹配块的亮度确定第c+1帧图像中的第c+1参考块的亮度;
所述从所述第c+1帧图像中的搜索区域中选取与所述第c+1参考块相似度最高的颈动脉血管壁块为第c+1匹配块包括:
从所述第c+1帧图像中的搜索区域中选取与所述第c+1参考块的亮度相似度最高的亮度对应的颈动脉血管壁块为第c+1匹配块。
在一个实施例中,所述从所述第c+1帧图像中的搜索区域中选取与所述第c+1参考块的亮度相似度最高的亮度对应的颈动脉血管壁块为第c+1匹配块包括:
将所述第c+1帧图像中的搜索区域划分为M个候选块,所述M个候选块中每个候选块与所述第c+1参考块的大小相同,所述M为大于1的整数;
计算所述第c+1参考块的亮度与所述M个候选块中每个候选块的亮度的相似度;
将所述M个候选块中对应的相似度最大的候选块确定为所述第c+1帧图像中的第c+1匹配块。
在一个实施例中,所述第c+1参考块的亮度与所述M个候选块中每个候选块的亮度的相似度利用如下公式计算:
其中,所述Ii是所述第c+1参考块与第i个候选块的相似度,所述i为大于或等于1且小于或等于所述M的整数,所述p表示所述候选块的高度,所述q表示所述候选块的宽度,为所述第c+1个参考块中坐标为(a,b)的像素点的亮度,为第i个候选块中坐标为(a,b)的像素点的亮度,为所述第c+1参考块的亮度平均值,为第i个候选块的亮度平均值。
在一个实施例中,所述第c+1帧图像中的第c+1参考块的亮度利用如下公式计算:
H1=Ip×pH2=Op×p
其中,为所述第c+1参考块的亮度,为所述第c参考块的亮度,为所述第c匹配块的亮度,为所述第一匹配块的亮度,所述Ip×p是p×p的单位矩阵,所述Op×p是p×p的零矩阵, 为参数,所述T为两帧图像的采集间隔。
第二方面公开一种运动轨迹确定装置,该装置包括用于执行第一方面或第一方面的任一种可能实现方式所提供的运动轨迹确定方法的单元。
第三方面公开一种运动轨迹确定装置,该装置包括处理器和存储器,其中:
存储器中存储有一组程序代码,处理器用于调用存储器中存储的程序代码控制收发器执行以下操作:
获取N帧图像,所述N帧图像为针对同一区域连续采集的颈动脉超声图像,所述N为大于或等于2的整数;
从第一帧图像中选取一个颈动脉血管壁块作为第一参考块;
从所述第一帧图像中的搜索区域中选取与所述第一参考块相似度最高的颈动脉血管壁块为第一匹配块;
将所述第一匹配块确定为第二帧图像中的第二参考块,并从所述第二帧图像中的搜索区域中选取与所述第二参考块相似度最高的颈动脉血管壁块为第二匹配块;
根据所述第一参考块、第c参考块和第c匹配块确定第c+1帧图像中的第c+1参考块,并从所述第c+1帧图像中的搜索区域中选取与所述第c+1参考块相似度最高的颈动脉血管壁块为第c+1匹配块,所述c为大于或等于2且小于N-1的整数;
将第d匹配块确定为颈动脉血管壁块的运动轨迹,所述d为大于或等于1且小于或等于所述N的整数。
第四方面公开一种可读存储介质,该可读存储介质存储了运动轨迹确定装置用于执行第一方面或第一方面的任一种可能实现方式所公开的运动轨迹确定方法的程序代码。
本发明实施例中,获取N帧图像,从第一帧图像中选取一个颈动脉血管壁块作为第一参考块,从第一帧图像中的搜索区域中选取与第一参考块相似度最高的颈动脉血管壁块为第一匹配块,将第一匹配块确定为第二帧图像中的第二参考块,从第二帧图像中的搜索区域中选取与第二参考块相似度最高的颈动脉血管壁块为第二匹配块,根据第一参考块、第c参考块和第c匹配块确定第c+1帧图像中的第c+1参考块,从第c+1帧图像中的搜索区域中选取与第c+1参考块相似度最高的颈动脉血管壁块为第c+1匹配块,将第d匹配块确定为颈动脉血管壁块的运动轨迹,因此,可以通过颈动脉血管壁块运动轨迹对颈动脉的功能异常进行检查。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种运动轨迹确定方法的流程示意图;
图2是本发明实施例公开的一种运动轨迹确定装置的结构示意图;
图3是本发明实施例公开的另一种运动轨迹确定装置的结构示意图;
图4是本发明实施例公开的一种跟踪连续帧之间的颈动脉壁的运动的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种运动轨迹确定方法及装置,用于通过颈动脉血管壁块运动轨迹对颈动脉的功能异常进行检查。以下分别进行详细说明。
请参阅图1,图1是本发明实施例公开的一种运动轨迹确定方法的流程示意图。如图1所示,该运动轨迹确定方法可以包括以下步骤。
101、获取N帧图像。
本实施例中,当需要对颈动脉的功能异常进行检查时,将获取N帧图像,N帧图像为针对同一用户的同一区域连续采集的颈动脉超声图像,N为大于或等于2的整数。其中,这N帧图像可以是运动轨迹确定装置获取的,也可以是其它设备或装置获取的。
102、从第一帧图像中选取一个颈动脉血管壁块作为第一参考块。
本实施例中,获取到N帧图像之后,将从第一帧图像中选取一个颈动脉血管壁块作为第一参考块,以便以选取的这个颈动脉血管壁块为参考确定颈动脉血管壁块运动轨迹。其中,第一参考块是用户通过操作运动轨迹确定装置选取的。
103、从第一帧图像中的搜索区域中选取与第一参考块相似度最高的颈动脉血管壁块为第一匹配块。
本实施例中,从第一帧图像中选取一个颈动脉血管壁块作为第一参考块之后,将从第一帧图像中的搜索区域中选取与第一参考块相似度最高的颈动脉血管壁块为第一匹配块,即将第一帧图像中的搜索区域划分为M个候选块,计算第一参考块的亮度与这M个候选块中每个候选块的亮度的相似度,将这M个候选块中对应的相似度最大的候选块确定为第一帧图像中的第一匹配块。其中,这M个候选块中每个候选块与第一参考块的大小均相同,M为大于1的整数。其中,上述由第一参考块确定第一匹配块的方法即块匹配(BlockMatching,BM)方法。
104、将第一匹配块确定为第二帧图像中的第二参考块,并从第二帧图像中的搜索区域中选取与第二参考块相似度最高的颈动脉血管壁块为第二匹配块。
本实施例中,从第一帧图像中的搜索区域中选取得到与第一参考块相似度最高的颈动脉血管壁块为第一匹配块之后,将第一匹配块确定为第二帧图像中的第二参考块,并从第二帧图像中的搜索区域中选取与第二参考块相似度最高的颈动脉血管壁块为第二匹配块将由第一匹配块预测第二帧图像中的第二匹配块,即将第一匹配块的亮度确定为第二参考块的亮度,将第二帧图像中的搜索区域划分为M个候选块,计算第二参考块的亮度与这M个候选块中每个候选块的亮度的相似度,将这M个候选块中对应的相似度最大的候选块确定为第二帧图像中的第二匹配块。
105、根据第一参考块、第c参考块和第c匹配块确定第c+1帧图像中的第c+1参考块,并从第c+1帧图像中的搜索区域中选取与第c+1参考块相似度最高的颈动脉血管壁块为第c+1匹配块。
本实施例中,从第二帧图像中的搜索区域中选取与第二参考块相似度最高的颈动脉血管壁块为第二匹配块之后,将预测第三帧图像到第N帧图像中的匹配块,即先根据第一参考块、第c参考块和第c匹配块确定第c+1帧图像中的第c+1参考块,之后从第c+1帧图像中的搜索区域中选取与第c+1参考块相似度最高的颈动脉血管壁块为第c+1匹配块。也即先根据第一参考块的亮度、第c参考块的亮度和第c匹配块的亮度确定第c+1帧图像中的第c+1参考块的亮度,之后从第c+1帧图像中的搜索区域中选取与第c+1参考块的亮度相似度最高的亮度对应的颈动脉血管壁块为第c+1匹配块。其中,c为大于或等于2且小于N-1的整数。
本实施例中,从第c+1帧图像中的搜索区域中选取与第c+1参考块的亮度相似度最高的亮度对应的颈动脉血管壁块为第c+1匹配块,即将第c+1帧图像中的搜索区域划分为M个候选块,计算第c+1参考块的亮度与M个候选块中每个候选块的亮度的相似度,将M个候选块中对应的相似度最大的候选块确定为第c+1帧图像中的第c+1匹配块。其中,M个候选块中每个候选块与第c+1参考块的大小相同,即本实施例中所有的参考块和所有的匹配块的大小均相同。
本实施例中,第c+1参考块的亮度与M个候选块中每个候选块的亮度的相似度可以利用如下公式计算:
其中,Ii是第c+1参考块与第i个候选块的相似度,i为大于或等于1且小于或等于M的整数,p表示候选块的高度,q表示候选块的宽度,为第c+1个参考块中坐标为(a,b)的像素点的亮度,为第i个候选块中坐标为(a,b)的像素点的亮度,为第c+1参考块的亮度平均值,为第i个候选块的亮度平均值。而第c+1帧图像中的第c+1参考块的亮度可以利用如下公式计算:
H1=Ip×pH2=Op×p (9)
其中,为第c+1参考块的亮度,为第c参考块的亮度,为第c匹配块的亮度,为第一匹配块的亮度,Ip×p是p×p的单位矩阵,Op×p是p×p的零矩阵, 为参数,T为两帧图像的采集间隔。
本实施例中,提出了基于状态空间的弹性模型(elasticity-model based state-space approach,EBS)跟踪颈动脉血管壁的运动,即采用线性弹性模型来描述颈动脉血管壁块亮度的变化,由于超声序列受噪声干扰,在系统中加入系统噪声wc和环境噪声vc,其模型如下方程所示:
其中,xc是第c参考块的亮度的矩阵,是第c参考块中坐标为(a,b)的像素点的亮度,yc第c匹配块的亮度的矩阵,是第c匹配块中坐标为(a,b)的像素点的亮度,u是独立于时间的状态空间方程的输入,并且被指定为在第一帧中手动选择的第一参考块的亮度,它的元素uab是第一参考块中坐标为(a,b)的像素点的亮度,是通过反向差分法计算的一阶导数。因此,得到
为了解方程(12),需要找到的最佳估计这个估计可以通过H∞滤波器最大限度地降低成本函数J来实现:
其中,是x1的先验估计,P0和Lc是用户指定的对称正定矩阵,Qc和Rc分别是噪声项wc和vc的协方差矩阵。在EBS中,Qc、Rc和Lc被设置为与帧索引c无关的对角矩阵,即 和由于J直接最小化不易处理,通过使成本函数J满足用户指定的上限,开发出一个产生的最佳估计的策略。通过表示上界的倒数为即然后P表示估计误差的协方差,可以由公式(11)计算,滤波器增益K可以由公式(10)定义,第c+1帧的最佳状态估计可以通过以下公式获取:
在实践中,对应于第c参考块的形状外观,yc对应于第c匹配块的形状外观,因此,公式(16)相当于公式(4),即通过当前帧中的匹配块和参考块之间的加权和来计算下一帧中的参考块。请参阅图4,图4是本发明实施例公开的一种跟踪连续帧之间的颈动脉壁的运动的示意图。
本实施例中,为了得到块高度p、块宽度q、候选块数量M、 在EBS中,以下十个参数需要事先确定:块高度p,块宽度与块高度的比值搜索区域高度与块高度的比值搜索区域宽度与块宽度的比值系数和开销函数J上限的倒数矩阵Q、R、L的系数因此,可以将所有参数标准化到区间[0,1],用s表示这些标准化参数,即s=[s1,s2,…,sA](A=10)对应于集具体训练策略如下。
在初始化步骤,将s初始化为s0,s0的每个元素在区间[0,1]内通过均匀分布分配一个随机值。然后,定义方向矩阵D并初始化为
其中,D是一个对角矩阵,Dj代表矩阵D的第j行矢量。
然后,在迭代步骤中,在第j次循环通过
最大限度地减小评估函数f来计算最佳的学习率α。其中,评估函数f测量从EBS得出的结果和手动跟踪的结果之间的误差。R1是学习率α的变化范围,定义如下:
其中,s(j-1)k是矢量s(j-1)的第k个元素,Djk是Dj的第k个元素,元素集s可以根据方程
sj=sj-1+αjDj (20)
更新。当j=A,让
sA+1=s0+αA+1DA+1 (21)
其中,
R2由下式定义:
其中,s0k是矢量s0的第k个元素,D(A+1)k是D(A+1)的第k个元素。
在收敛步骤中,误差定义如下:
e=||αA+1DA+1|| (24)
当e小于预定义的阈值ε=0.1(e在这个时候由e+表示)时,循环将停止,最佳参数向量s+=sA+1。当e大于或等于预定义的阈值ε=0.1时,矩阵D将更新为
之后从方程(18)到(24)继续进行循环。
为了减少参数集的初始化的随机误差,上述的训练过程重复C次(C=10),即在每次训练过程中的参数集s应重新初始化。因此,对于任意的g∈{1,2,…,C},可以计算最佳参数集和对应的第g次训练误差之后可以通过方程组在C次训练过程中计算最佳参数集s*:
训练后,s*的每个参数将会从区间[0,1]转换到一开始预定义的初始间隔。
本实施例中,假设O1为计算机辅助方法所追踪的块,O2为手动跟踪方法所获得的块。O1、O2间的距离f定义如下:
f(O1,O2)=E1+E2 (27)
f(O1,O2)的值小表明O1和O2之间的差别小。在公式(27)中,E1是两个中心O1和O2之间的加权欧氏距离:
E1(h1,h2)=(1-β1+β2)||h1-h||2 (28)
h1和h2分别是中心点O1、O2的坐标。然后,E2是O1、O2之间的最小距离,定义如下:
其中,β1是O1、O2之间的重叠率,即
操作符|*|是集合的基数,β2指通过NCC标准的块匹配方法所消耗的计算开销,假设hs、ws为搜索区域的高度和宽度,hm、wm为超声图像的高度和宽度,定义β2为:
γ设定为50,以使β1和β2为同一数量级,p1对应BM方法的当前计算开销。在BM方法中,参考块和搜索区域的大小可以在参数训练的迭代过程中从当前参数集sj得到,或者从EBS性能评估得到的最佳参数集中获得。根据NCC计算,p1可以用公式表述如下:
然后,让p2等于BM方法的最大计算开销,计算p2的过程中,搜索区域是超声图像的整个区域,定义p2为:
106、将第d匹配块确定为颈动脉血管壁块的运动轨迹。
本实施例中,得到N帧图像中每帧图像对应的匹配块之后,将第d匹配块确定为颈动脉血管壁块的运动轨迹,即将这N帧图像中每帧图像对应的匹配块确定为颈动脉血管壁块的运动轨迹。其中,d为大于或等于1且小于或等于N的整数。
在图1所描述的运动轨迹确定方法中,获取N帧图像,从第一帧图像中选取一个颈动脉血管壁块作为第一参考块,从第一帧图像中的搜索区域中选取与第一参考块相似度最高的颈动脉血管壁块为第一匹配块,将第一匹配块确定为第二帧图像中的第二参考块,从第二帧图像中的搜索区域中选取与第二参考块相似度最高的颈动脉血管壁块为第二匹配块,根据第一参考块、第c参考块和第c匹配块确定第c+1帧图像中的第c+1参考块,从第c+1帧图像中的搜索区域中选取与第c+1参考块相似度最高的颈动脉血管壁块为第c+1匹配块,将第d匹配块确定为颈动脉血管壁块的运动轨迹,因此,可以通过颈动脉血管壁块运动轨迹对颈动脉的功能异常进行检查。
请参阅图2,图2是本发明实施例公开的一种运动轨迹确定装置的结构示意图。如图2所示,该运动轨迹确定装置可以包括:
获取单元201,用于获取N帧图像,N帧图像为针对同一区域连续采集的颈动脉超声图像,N为大于或等于2的整数;
选取单元202,用于从201获取单元获取的第一帧图像中选取一个颈动脉血管壁块作为第一参考块;
选取单元202,还用于从第一帧图像中的搜索区域中选取与第一参考块相似度最高的颈动脉血管壁块为第一匹配块;
确定单元203,用于将选取单元202选取的第一匹配块确定为获取单元201获取的第二帧图像中的第二参考块;
选取单元202,还用于从第二帧图像中的搜索区域中选取与第二参考块相似度最高的颈动脉血管壁块为第二匹配块;
确定单元203,还用于根据第一参考块、第c参考块和第c匹配块确定第c+1帧图像中的第c+1参考块,c为大于或等于2且小于N-1的整数;
选取单元202,还用于从第c+1帧图像中的搜索区域中选取与第c+1参考块相似度最高的颈动脉血管壁块为第c+1匹配块;
确定单元203,还用于将第d匹配块确定为颈动脉血管壁块的运动轨迹,d为大于或等于1且小于或等于N的整数。
作为一种可能的实施方式,选取单元202从第一帧图像中的搜索区域中选取与第一参考块相似度最高的颈动脉血管壁块为第一匹配块包括:
从第一帧图像中的搜索区域中选取与第一参考块的亮度相似度最高的亮度对应的颈动脉血管壁块为第一匹配块;
选取单元202从第二帧图像中的搜索区域中选取与第二参考块相似度最高的颈动脉血管壁块为第二匹配块包括:
从第二帧图像中的搜索区域中选取与第二参考块的亮度相似度最高的亮度对应的颈动脉血管壁块为第二匹配块;
确定单元203根据第一参考块、第c参考块和第c匹配块确定第c+1帧图像中的第c+1参考块包括:
根据第一参考块的亮度、第c参考块的亮度和第c匹配块的亮度确定第c+1帧图像中的第c+1参考块的亮度;
选取单元202从第c+1帧图像中的搜索区域中选取与第c+1参考块相似度最高的颈动脉血管壁块为第c+1匹配块包括:
从第c+1帧图像中的搜索区域中选取与第c+1参考块的亮度相似度最高的亮度对应的颈动脉血管壁块为第c+1匹配块。
作为一种可能的实施方式,选取单元202从第c+1帧图像中的搜索区域中选取与第c+1参考块的亮度相似度最高的亮度对应的颈动脉血管壁块为第c+1匹配块包括:
将第c+1帧图像中的搜索区域划分为M个候选块,M个候选块中每个候选块与第c+1参考块的大小相同,M为大于1的整数;
计算第c+1参考块的亮度与M个候选块中每个候选块的亮度的相似度;
将M个候选块中对应的相似度最大的候选块确定为第c+1帧图像中的第c+1匹配块。
作为一种可能的实施方式,第c+1参考块的亮度与M个候选块中每个候选块的亮度的相似度利用如下公式计算:
其中,Ii是第c+1参考块与第i个候选块的相似度,i为大于或等于1且小于或等于M的整数,p表示候选块的高度,q表示候选块的宽度,为第c+1个参考块中坐标为(a,b)的像素点的亮度,为第i个候选块中坐标为(a,b)的像素点的亮度,为第c+1参考块的亮度平均值,为第i个候选块的亮度平均值。
作为一种可能的实施方式,第c+1帧图像中的第c+1参考块的亮度利用如下公式计算:
H1=Ip×pH2=Op×p
其中,为第c+1参考块的亮度,为第c参考块的亮度,为第c匹配块的亮度,为第一匹配块的亮度,Ip×p是p×p的单位矩阵,Op×p是p×p的零矩阵, 为参数,T为两帧图像的采集间隔。
在图2所描述的运动轨迹确定装置中,获取N帧图像,从第一帧图像中选取一个颈动脉血管壁块作为第一参考块,从第一帧图像中的搜索区域中选取与第一参考块相似度最高的颈动脉血管壁块为第一匹配块,将第一匹配块确定为第二帧图像中的第二参考块,从第二帧图像中的搜索区域中选取与第二参考块相似度最高的颈动脉血管壁块为第二匹配块,根据第一参考块、第c参考块和第c匹配块确定第c+1帧图像中的第c+1参考块,从第c+1帧图像中的搜索区域中选取与第c+1参考块相似度最高的颈动脉血管壁块为第c+1匹配块,将第d匹配块确定为颈动脉血管壁块的运动轨迹,因此,可以通过颈动脉血管壁块运动轨迹对颈动脉的功能异常进行检查。
请参阅图3,图3是本发明实施例公开的另一种运动轨迹确定装置的结构示意图。如图3所示,该运动轨迹确定装置可以包括处理器301、存储器302和总线303。处理器301可以是一个通用中央处理器(CPU),多个CPU,微处理器,特定应用集成电路(application-specific integrated circuit,ASIC),或一个或多个用于控制本发明方案程序执行的集成电路。存储器302可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(ElectricallyErasable Programmable Read-Only Memory,EEPROM)、只读光盘(Compact Disc Read-Only Memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器302可以是独立存在,总线303与处理器301相连接。存储器302也可以和处理器301集成在一起。总线303可包括一通路,在上述组件之间传送信息。其中:
存储器302中存储有一组程序代码,处理器301用于调用存储器302中存储的程序代码执行以下操作:
获取N帧图像,N帧图像为针对同一区域连续采集的颈动脉超声图像,N为大于或等于2的整数;
从第一帧图像中选取一个颈动脉血管壁块作为第一参考块;
从第一帧图像中的搜索区域中选取与第一参考块相似度最高的颈动脉血管壁块为第一匹配块;
将第一匹配块确定为第二帧图像中的第二参考块,并从第二帧图像中的搜索区域中选取与第二参考块相似度最高的颈动脉血管壁块为第二匹配块;
根据第一参考块、第c参考块和第c匹配块确定第c+1帧图像中的第c+1参考块,并从第c+1帧图像中的搜索区域中选取与第c+1参考块相似度最高的颈动脉血管壁块为第c+1匹配块,c为大于或等于2且小于N-1的整数;
将第d匹配块确定为颈动脉血管壁块的运动轨迹,d为大于或等于1且小于或等于N的整数。
作为一种可能的实施方式,处理器301从第一帧图像中的搜索区域中选取与第一参考块相似度最高的颈动脉血管壁块为第一匹配块包括:
从第一帧图像中的搜索区域中选取与第一参考块的亮度相似度最高的亮度对应的颈动脉血管壁块为第一匹配块;
处理器301从第二帧图像中的搜索区域中选取与第二参考块相似度最高的颈动脉血管壁块为第二匹配块包括:
从第二帧图像中的搜索区域中选取与第二参考块的亮度相似度最高的亮度对应的颈动脉血管壁块为第二匹配块;
处理器301根据第一参考块、第c参考块和第c匹配块确定第c+1帧图像中的第c+1参考块包括:
根据第一参考块的亮度、第c参考块的亮度和第c匹配块的亮度确定第c+1帧图像中的第c+1参考块的亮度;
处理器301从第c+1帧图像中的搜索区域中选取与第c+1参考块相似度最高的颈动脉血管壁块为第c+1匹配块包括:
从第c+1帧图像中的搜索区域中选取与第c+1参考块的亮度相似度最高的亮度对应的颈动脉血管壁块为第c+1匹配块。
作为一种可能的实施方式,处理器301从第c+1帧图像中的搜索区域中选取与第c+1参考块的亮度相似度最高的亮度对应的颈动脉血管壁块为第c+1匹配块包括:
将第c+1帧图像中的搜索区域划分为M个候选块,M个候选块中每个候选块与第c+1参考块的大小相同,M为大于1的整数;
计算第c+1参考块的亮度与M个候选块中每个候选块的亮度的相似度;
将M个候选块中对应的相似度最大的候选块确定为第c+1帧图像中的第c+1匹配块。
作为一种可能的实施方式,第c+1参考块的亮度与M个候选块中每个候选块的亮度的相似度利用如下公式计算:
其中,Ii是第c+1参考块与第i个候选块的相似度,i为大于或等于1且小于或等于M的整数,p表示候选块的高度,q表示候选块的宽度,为第c+1个参考块中坐标为(a,b)的像素点的亮度,为第i个候选块中坐标为(a,b)的像素点的亮度,为第c+1参考块的亮度平均值,为第i个候选块的亮度平均值。
作为一种可能的实施方式,第c+1帧图像中的第c+1参考块的亮度利用如下公式计算:
H1=Ip×pH2=Op×p
其中,为第c+1参考块的亮度,为第c参考块的亮度,为第c匹配块的亮度,为第一匹配块的亮度,Ip×p是p×p的单位矩阵,Op×p是p×p的零矩阵, 为参数,T为两帧图像的采集间隔。
在图3所描述的运动轨迹确定装置中,获取N帧图像,从第一帧图像中选取一个颈动脉血管壁块作为第一参考块,从第一帧图像中的搜索区域中选取与第一参考块相似度最高的颈动脉血管壁块为第一匹配块,将第一匹配块确定为第二帧图像中的第二参考块,从第二帧图像中的搜索区域中选取与第二参考块相似度最高的颈动脉血管壁块为第二匹配块,根据第一参考块、第c参考块和第c匹配块确定第c+1帧图像中的第c+1参考块,从第c+1帧图像中的搜索区域中选取与第c+1参考块相似度最高的颈动脉血管壁块为第c+1匹配块,将第d匹配块确定为颈动脉血管壁块的运动轨迹,因此,可以通过颈动脉血管壁块运动轨迹对颈动脉的功能异常进行检查。
本发明实施例还公开了一种可读存储介质,该可读存储介质存储了服务器用于执行图1所示的运动轨迹确定方法的程序代码。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(read-only memory,ROM)、随机存取器(random accessmemory,RAM)、磁盘或光盘等。
尽管在此结合各实施例对本发明进行了描述,然而,在实施所要求保护的本发明过程中,本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书,可理解并实现所述公开实施例的其他变化。在权利要求中,“包括”(comprising)一词不排除其他组成部分或步骤,“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施,但这并不表示这些措施不能组合起来产生良好的效果。
以上对本发明实施例公开的运动轨迹确定方法及装置进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种运动轨迹确定方法,其特征在于,包括:
获取N帧图像,所述N帧图像为针对同一区域连续采集的颈动脉超声图像,所述N为大于或等于2的整数;
从第一帧图像中选取一个颈动脉血管壁块作为第一参考块;
从所述第一帧图像中的搜索区域中选取与所述第一参考块相似度最高的颈动脉血管壁块为第一匹配块;
将所述第一匹配块确定为第二帧图像中的第二参考块,并从所述第二帧图像中的搜索区域中选取与所述第二参考块相似度最高的颈动脉血管壁块为第二匹配块;
根据所述第一参考块、第c参考块和第c匹配块确定第c+1帧图像中的第c+1参考块,并从所述第c+1帧图像中的搜索区域中选取与所述第c+1参考块相似度最高的颈动脉血管壁块为第c+1匹配块,所述c为大于或等于2且小于N-1的整数;
将第d匹配块确定为颈动脉血管壁块的运动轨迹,所述d为大于或等于1且小于或等于所述N的整数。
2.根据权利要求1所述的方法,其特征在于,所述从所述第一帧图像中的搜索区域中选取与所述第一参考块相似度最高的颈动脉血管壁块为第一匹配块包括:
从所述第一帧图像中的搜索区域中选取与所述第一参考块的亮度相似度最高的亮度对应的颈动脉血管壁块为第一匹配块;
所述从所述第二帧图像中的搜索区域中选取与所述第二参考块相似度最高的颈动脉血管壁块为第二匹配块包括:
从所述第二帧图像中的搜索区域中选取与所述第二参考块的亮度相似度最高的亮度对应的颈动脉血管壁块为第二匹配块;
所述根据所述第一参考块、第c参考块和第c匹配块确定第c+1帧图像中的第c+1参考块包括:
根据所述第一参考块的亮度、第c参考块的亮度和第c匹配块的亮度确定第c+1帧图像中的第c+1参考块的亮度;
所述从所述第c+1帧图像中的搜索区域中选取与所述第c+1参考块相似度最高的颈动脉血管壁块为第c+1匹配块包括:
从所述第c+1帧图像中的搜索区域中选取与所述第c+1参考块的亮度相似度最高的亮度对应的颈动脉血管壁块为第c+1匹配块。
3.根据权利要求2所述的方法,其特征在于,所述从所述第c+1帧图像中的搜索区域中选取与所述第c+1参考块的亮度相似度最高的亮度对应的颈动脉血管壁块为第c+1匹配块包括:
将所述第c+1帧图像中的搜索区域划分为M个候选块,所述M个候选块中每个候选块与所述第c+1参考块的大小相同,所述M为大于1的整数;
计算所述第c+1参考块的亮度与所述M个候选块中每个候选块的亮度的相似度;
将所述M个候选块中对应的相似度最大的候选块确定为所述第c+1帧图像中的第c+1匹配块。
4.根据权利要求3所述的方法,其特征在于,所述第c+1参考块的亮度与所述M个候选块中每个候选块的亮度的相似度利用如下公式计算:
其中,所述Ii是所述第c+1参考块与第i个候选块的相似度,所述i为大于或等于1且小于或等于所述M的整数,所述p表示所述候选块的高度,所述q表示所述候选块的宽度,为所述第c+1个参考块中坐标为(a,b)的像素点的亮度,为第i个候选块中坐标为(a,b)的像素点的亮度,为所述第c+1参考块的亮度平均值,为第i个候选块的亮度平均值。
5.根据权利要求4所述的方法,其特征在于,所述第c+1帧图像中的第c+1参考块的亮度利用如下公式计算:
H1=Ip×pH2=Op×p
其中,为所述第c+1参考块的亮度,为所述第c参考块的亮度,为所述第c匹配块的亮度,为所述第一匹配块的亮度,所述Ip×p是p×p的单位矩阵,所述Op×p是p×p的零矩阵, 为参数,所述T为两帧图像的采集间隔。
6.一种运动轨迹确定装置,其特征在于,包括:
获取单元,用于获取N帧图像,所述N帧图像为针对同一区域连续采集的颈动脉超声图像,所述N为大于或等于2的整数;
选取单元,用于从所述获取单元获取的第一帧图像中选取一个颈动脉血管壁块作为第一参考块;
所述选取单元,还用于从所述第一帧图像中的搜索区域中选取与所述第一参考块相似度最高的颈动脉血管壁块为第一匹配块;
确定单元,用于将所述选取单元选取的第一匹配块确定为所述获取单元获取的第二帧图像中的第二参考块;
所述选取单元,还用于从所述第二帧图像中的搜索区域中选取与所述第二参考块相似度最高的颈动脉血管壁块为第二匹配块;
所述确定单元,还用于根据所述第一参考块、第c参考块和第c匹配块确定第c+1帧图像中的第c+1参考块,所述c为大于或等于2且小于N-1的整数;
所述选取单元,还用于从所述第c+1帧图像中的搜索区域中选取与所述第c+1参考块相似度最高的颈动脉血管壁块为第c+1匹配块;
所述确定单元,还用于将第d匹配块确定为颈动脉血管壁块的运动轨迹,所述d为大于或等于1且小于或等于所述N的整数。
7.根据权利要求6所述的装置,其特征在于,所述选取单元从所述第一帧图像中的搜索区域中选取与所述第一参考块相似度最高的颈动脉血管壁块为第一匹配块包括:
从所述第一帧图像中的搜索区域中选取与所述第一参考块的亮度相似度最高的亮度对应的颈动脉血管壁块为第一匹配块;
所述选取单元从所述第二帧图像中的搜索区域中选取与所述第二参考块相似度最高的颈动脉血管壁块为第二匹配块包括:
从所述第二帧图像中的搜索区域中选取与所述第二参考块的亮度相似度最高的亮度对应的颈动脉血管壁块为第二匹配块;
所述确定单元根据所述第一参考块、第c参考块和第c匹配块确定第c+1帧图像中的第c+1参考块包括:
根据所述第一参考块的亮度、第c参考块的亮度和第c匹配块的亮度确定第c+1帧图像中的第c+1参考块的亮度;
所述选取单元从所述第c+1帧图像中的搜索区域中选取与所述第c+1参考块相似度最高的颈动脉血管壁块为第c+1匹配块包括:
从所述第c+1帧图像中的搜索区域中选取与所述第c+1参考块的亮度相似度最高的亮度对应的颈动脉血管壁块为第c+1匹配块。
8.根据权利要求7所述的装置,其特征在于,所述选取单元从所述第c+1帧图像中的搜索区域中选取与所述第c+1参考块的亮度相似度最高的亮度对应的颈动脉血管壁块为第c+1匹配块包括:
将所述第c+1帧图像中的搜索区域划分为M个候选块,所述M个候选块中每个候选块与所述第c+1参考块的大小相同,所述M为大于1的整数;
计算所述第c+1参考块的亮度与所述M个候选块中每个候选块的亮度的相似度;
将所述M个候选块中对应的相似度最大的候选块确定为所述第c+1帧图像中的第c+1匹配块。
9.根据权利要求8所述的装置,其特征在于,所述第c+1参考块的亮度与所述M个候选块中每个候选块的亮度的相似度利用如下公式计算:
其中,所述Ii是所述第c+1参考块与第i个候选块的相似度,所述i为大于或等于1且小于或等于所述M的整数,所述p表示所述候选块的高度,所述q表示所述候选块的宽度,为所述第c+1个参考块中坐标为(a,b)的像素点的亮度,为第i个候选块中坐标为(a,b)的像素点的亮度,为所述第c+1参考块的亮度平均值,为第i个候选块的亮度平均值。
10.根据权利要求9所述的装置,其特征在于,所述第c+1帧图像中的第c+1参考块的亮度利用如下公式计算:
H1=Ip×pH2=Op×p
其中,为所述第c+1参考块的亮度,为所述第c参考块的亮度,为所述第c匹配块的亮度,为所述第一匹配块的亮度,所述Ip×p是p×p的单位矩阵,所述Op×p是p×p的零矩阵, 为参数,所述T为两帧图像的采集间隔。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611156581.3A CN108230284B (zh) | 2016-12-14 | 2016-12-14 | 一种运动轨迹确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611156581.3A CN108230284B (zh) | 2016-12-14 | 2016-12-14 | 一种运动轨迹确定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108230284A true CN108230284A (zh) | 2018-06-29 |
CN108230284B CN108230284B (zh) | 2021-09-07 |
Family
ID=62651131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611156581.3A Active CN108230284B (zh) | 2016-12-14 | 2016-12-14 | 一种运动轨迹确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108230284B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401285A (zh) * | 2020-03-23 | 2020-07-10 | 北京迈格威科技有限公司 | 目标跟踪方法、装置及电子设备 |
CN112244887A (zh) * | 2019-07-06 | 2021-01-22 | 西南林业大学 | 一种基于b超图像颈动脉血管壁运动轨迹提取装置与方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6041078A (en) * | 1997-03-25 | 2000-03-21 | Level One Communications, Inc. | Method for simplifying bit matched motion estimation |
CN102779348A (zh) * | 2012-06-20 | 2012-11-14 | 中国农业大学 | 无标识运动目标跟踪测量方法 |
CN105300390A (zh) * | 2015-10-30 | 2016-02-03 | 奇瑞汽车股份有限公司 | 障碍物体运动轨迹的确定方法及装置 |
-
2016
- 2016-12-14 CN CN201611156581.3A patent/CN108230284B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6041078A (en) * | 1997-03-25 | 2000-03-21 | Level One Communications, Inc. | Method for simplifying bit matched motion estimation |
CN102779348A (zh) * | 2012-06-20 | 2012-11-14 | 中国农业大学 | 无标识运动目标跟踪测量方法 |
CN105300390A (zh) * | 2015-10-30 | 2016-02-03 | 奇瑞汽车股份有限公司 | 障碍物体运动轨迹的确定方法及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112244887A (zh) * | 2019-07-06 | 2021-01-22 | 西南林业大学 | 一种基于b超图像颈动脉血管壁运动轨迹提取装置与方法 |
CN111401285A (zh) * | 2020-03-23 | 2020-07-10 | 北京迈格威科技有限公司 | 目标跟踪方法、装置及电子设备 |
CN111401285B (zh) * | 2020-03-23 | 2024-02-23 | 北京迈格威科技有限公司 | 目标跟踪方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108230284B (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242844B (zh) | 基于深度学习的胰腺癌肿瘤自动识别系统、计算机设备、存储介质 | |
US11854703B2 (en) | Simulating abnormalities in medical images with generative adversarial networks | |
Mumford et al. | Bayesian networks for fMRI: a primer | |
CN107358293B (zh) | 一种神经网络训练方法及装置 | |
US20210158543A1 (en) | Motion tracking and strain determination | |
US10410362B2 (en) | Method, device, and non-transitory computer readable storage medium for image processing | |
US10970819B2 (en) | Image processing device, image processing method, and image processing program | |
Arafati et al. | Artificial intelligence in pediatric and adult congenital cardiac MRI: an unmet clinical need | |
Du et al. | Accelerated super-resolution MR image reconstruction via a 3D densely connected deep convolutional neural network | |
CN111462020A (zh) | 心脏图像的运动伪影校正方法、系统、存储介质和设备 | |
CN109633502A (zh) | 磁共振快速参数成像方法及装置 | |
CN109508787A (zh) | 用于超声位移估计的神经网络模型训练方法及系统 | |
CN111784762A (zh) | X光造影图像血管中心线提取方法及装置 | |
CN109146813A (zh) | 一种多任务图像重建方法、装置、设备和介质 | |
CN111160229A (zh) | 基于ssd网络的视频目标检测方法及装置 | |
WO2021217937A1 (zh) | 姿态识别模型的训练方法及设备、姿态识别方法及其设备 | |
CN108230284A (zh) | 一种运动轨迹确定方法及装置 | |
CN113313728B (zh) | 一种颅内动脉分割方法及系统 | |
Bustamante et al. | Using deep learning to emulate the use of an external contrast agent in cardiovascular 4D flow MRI | |
US10540735B2 (en) | Information processing device, information processing method, and recording medium | |
EP4343680A1 (en) | De-noising data | |
US20230401670A1 (en) | Multi-scale autoencoder generation method, electronic device and readable storage medium | |
CN111161330A (zh) | 非刚性图像配准方法、装置、系统、电子设备、存储介质 | |
CN116129124A (zh) | 一种图像分割方法、系统及设备 | |
CN111833395B (zh) | 一种基于神经网络模型的测向体制单目标定位方法和装置 |
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 |