CN108682011B - 亚像素级别的实时动态肿瘤图像的定位与匹配方法 - Google Patents

亚像素级别的实时动态肿瘤图像的定位与匹配方法 Download PDF

Info

Publication number
CN108682011B
CN108682011B CN201810461921.6A CN201810461921A CN108682011B CN 108682011 B CN108682011 B CN 108682011B CN 201810461921 A CN201810461921 A CN 201810461921A CN 108682011 B CN108682011 B CN 108682011B
Authority
CN
China
Prior art keywords
image
tumor
matched
coordinate
center point
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
CN201810461921.6A
Other languages
English (en)
Other versions
CN108682011A (zh
Inventor
王春鹏
夏之秋
马宾
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.)
Qilu University of Technology
Original Assignee
Qilu University of Technology
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 Qilu University of Technology filed Critical Qilu University of Technology
Priority to CN201810461921.6A priority Critical patent/CN108682011B/zh
Publication of CN108682011A publication Critical patent/CN108682011A/zh
Application granted granted Critical
Publication of CN108682011B publication Critical patent/CN108682011B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Epidemiology (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种亚像素级别的实时动态肿瘤图像的定位与匹配方法，属于医学图像处理领域，要解决的技术问题为如何快速精确的对实时动态图像中的肿瘤组织进行匹配和定位；包括如下步骤：对获取的肿瘤图像进行预处理，肿瘤图像包括原图像和待匹配图像；对预处理后的肿瘤图像进行扫描、并获取肿瘤图像中肿瘤所在区域的边缘坐标，从而对原图像和待匹配图像进行整像素级别匹配，并计算待匹配图像上的肿瘤中心点的整像素级坐标；利用梯度算法对原图像和待匹配图像进行亚像素级别匹配，并计算待匹配图像上的肿瘤中心点的亚像素级坐标。该方法可实现对肿瘤位置的精确匹配及定位。

Description

亚像素级别的实时动态肿瘤图像的定位与匹配方法
技术领域
本发明涉及医学图像处理领域，具体地说是一种亚像素级别的实时动态肿 瘤图像的定位与匹配方法。
背景技术
借助计算机视觉技术，对获得的肿瘤图像进行分析、识别与匹配，可以快 速精确的检测肿瘤，帮助医疗专家进行诊疗。目前对于肿瘤的识别与匹配的主 要三大类方法有神经网络学习法、传统滑窗方法、特征值法等。
现在普遍的肿瘤识别技术是利用神经网络提前进行肿瘤组织的外观学习， 之后应用于肿瘤识别上。这种方法的弊端如下：1)需要大量的肿瘤组织数据 来供神经网络进行学习，学习过程需要花费大量时间；2)如果数据样本不够， 在识别的过程中也会遇到识别结果不理想等困难；3)在学习过程中，需要一 定的存储空间来进行数据的存储；4)由于肿瘤的个体差异，对于神经网络的 学习也起到一定阻碍作用；5)其识别与匹配结果的精确度为整像素级别。
对于传统滑窗法和特征值法，虽然可以避免神经网络的学习过程，但如果 直接在癌症识别与匹配中进行应用，其弊端如下：1)滑窗方法匹配结果相对 准确，但其算法的时间复杂度和空间复杂度很高，导致图像匹配时间较长。2) 对于一些辅助诊疗的设备，若精度只能匹配到整像素点，会导致辅助判断结果 不好。3)特征值法是一种较为快速的匹配方法，但需要保证两组匹配图像的 大小一致。等上述问题会大大降低对于癌症的诊疗效率；并加大医生的诊疗压 力和患者的痛苦。
基于上述，如何快速精确的对实时动态图像中的肿瘤组织进行定位，是需 要解决的技术问题。
发明内容
本发明的技术任务是针对以上不足，提供一种亚像素级别的实时动态肿瘤 图像的定位与匹配方法，来解决如何快速精确的对实时动态图像中的肿瘤组织 进行匹配和定位的问题。
本发明的技术任务是按以下方式实现的：
亚像素级别的实时动态肿瘤图像的定位与匹配方法，包括如下步骤：
S1、对获取的肿瘤图像进行预处理，肿瘤图像包括原图像和待匹配图像， 原图像为具有肿瘤组织的图像，待匹配图像为通过仪器观察到的动态图像；
S2、对预处理后的肿瘤图像进行扫描、并获取肿瘤图像中肿瘤所在区域的 边缘坐标，从而对原图像和待匹配图像进行整像素级别匹配，并计算待匹配图 像上的肿瘤中心点的整像素级坐标；
S3、通过构建原图像中肿瘤的整像素级中心点与待匹配图像中肿瘤的整像 素级中心点之间的梯度公式，对原图像和待匹配图像进行亚像素级别匹配，并 计算待匹配图像上的肿瘤中心点的亚像素级坐标。
进一步的，原图像为从诊断过程中拍摄的带有肿瘤组织的图像中截取的肿 瘤组织图像。
进一步的，步骤S1中对获取的肿瘤图像进行预处理为对获取的肿瘤图像 依次进行边缘检测、去边处理和纵-横成像处理，得到肿瘤组织明显的肿瘤图 像。
进一步的，去边处理包括如下步骤：从肿瘤图像的边缘开始，对肿瘤图像 中的像素逐一进行像素值计算，直至遇到像素值为255的像素；并在上述过程 中对像素值为0的像素进行改变，将其像素值由0变为255。
进一步的，纵-横成像处理包括如下步骤：
对肿瘤图像进行初次扫描，并在初次扫描过程中对肿瘤图像中的黑色区域 逐一进行判断优化，得到初次扫描图像；
对初次扫描图像进行二次扫描，并在二次扫描过程中对肿瘤图像中的黑色 区域逐一进行判断优化，得到纵-横成像处理后的肿瘤图像；
上述初次扫描和二次扫描中其中一次扫描为纵向扫描、另一次扫描为横向 扫描；
对肿瘤图像中的黑色区域逐一进行判断优化，包括如下步骤：
对肿瘤图像中当前黑色区域的像素总量值与阈值H进行比对，如果当前黑 色区域的像素总量值小于阈值H，将所述黑色区域变为白色区域，如果当前黑 色区域的像素总量大于或等于阈值H，保留所述黑色区域。
进一步的，步骤S2包括如下步骤：
S21、对预处理后的肿瘤图像进行纵向扫描和横向扫描，在每次扫描过程 中依据像素量对肿瘤图像中黑色连续区域逐一进行优选、并记肿瘤图像中优选 的黑色连续区域的坐标，得到肿瘤图像中肿瘤的行坐标组和列坐标组；
S22、计算肿瘤图像中肿瘤所在区域的边缘坐标：从肿瘤图像中肿瘤所在 区域的行坐标组中选取坐标值最大的行坐标以及坐标值最小的行坐标，得到肿 瘤图像中肿瘤所在区域的行边缘坐标，并从肿瘤图像中肿瘤所在区域的列坐标 组中选取坐标值最大的列坐标以及坐标值最小的列坐标，得到肿瘤图像中肿瘤 所在区域的列边缘坐标；
S23、根据肿瘤图像中肿瘤所在区域的行边缘坐标和肿瘤图像中肿瘤所在 区域的列边缘坐标在肿瘤图像中构建矩形区域；
S24、通过分析计算原图像中矩形区域与待匹配图像中矩形区域之间的长 度比值和宽度比值实现对原图像中肿瘤与待匹配图像中肿瘤进行整像素级匹 配，并得到待匹配图像的整像素级中心点坐标；
所述肿瘤图像中黑色连续区域为肿瘤图像中连续排布的黑色区域组成的 区域。
步骤S21中在每次扫描过程中依据像素量对肿瘤图像中黑色连续区域逐一 进行优选、并记录肿瘤图像中优选的黑色连续区域的坐标，包括如下步骤：
对肿瘤图像进行纵向扫描，在扫描过程中对肿瘤图像中当前黑色连续区域 的像素总量值与阈值Z进行比对，如果当前黑色连续区域的像素总量值大于阈 值Z，则记录当前黑色连续区域对应的列坐标；
对肿瘤图像进行横向扫描，在扫描过程中对肿瘤图像中当前黑色连续区域 的像素总量值与阈值进行比对，如果当前黑色连续区域的像素总量值大于阈值 Z，则记录当前黑色连续区域对应的行坐标。
步骤S24包括如下步骤：
计算原图像中矩形区域的宽度与待匹配图像中矩形区域的宽度之间的宽 度比值，并记为宽度比值Ky，计算原图像中矩形区域的长度与待匹配图像中 矩形区域的长度之间的长度比值，并记为长度比值Kx；
如果宽度比值Ky和长度比值Kx均为1或均近似为1，待匹配图像中矩形 区域的中心点坐标为：
Figure BDA0001661110730000031
其中，BXk为待匹配图像中矩形区域的最小行坐标，BX1为待匹配图像中 矩形区域的最大行坐标，BYk为待匹配图像中矩形区域的最小列坐标，BY1为 待匹配图像的中矩形区域的最大列坐标；
如果宽度比值Ky≥2或长度比值Kx≥2，将待匹配图像中矩形区域划分为L 个子矩形区域，且待匹配图像中每个子矩形区域的宽度与原图像中矩形区域的 宽度之间的宽度比值为1或近似为1，待匹配图像中每个子矩形区域的长度与 原图像中矩形区域的长度之间的长度比值为1或近似为1，计算待匹配图像中 每个子矩形区域的中心点坐标，得到待匹配图像的中心点坐标组，待匹配图像 中第i个子矩形区域的中心点坐标为：
Figure BDA0001661110730000041
其中，0＜i＜L，BXki为待匹配图像中第i个子矩形区域的最小行坐标，BX1i为待匹配图像中第i个子矩形区域的最大行坐标，BYki为待匹配图像中第i个子 矩形区域的最小列坐标，BY1i为待匹配图像中第i个子矩形区域的最大列坐标。
步骤S3中包括如下步骤：
构建待匹配图像中矩形区域的整像素级中心点坐标与原图像中矩形区域 的整像素级中心点坐标之间的梯度公式，并计算待匹配图像中矩形区域的中心 点相对于原图像中矩形区域的中心点的亚像素位移，得到待匹配图像中矩形区 域的亚像素级中心点坐标；
待匹配图像中矩形区域的中心点坐标与原图像中矩形区域的中心点坐标 之间的梯度公式为：
X1＝X+u+dx
Y1＝Y+v+dy
其中，X1为待匹配图像中矩形区域的中心点在x轴方向上的坐标， X1＝(BXk-BX1)/2，Y1为待匹配图像中矩形区域的中心点在y轴方向上的坐标， Y1＝(BYk-BY1)/2，X为原图像中矩形区域的中心点在x轴方向上的坐标， X＝(AXk-AX1)/2，Y为原图像中矩形区域的中心点在y轴方向上的坐标， Y＝(AYk-AY1)/2，u为待匹配图像中矩形区域的中心点相对于原图像中矩形区 域的中心点的在x轴方向上的坐标偏移量，v为待匹配图像中矩形区域的中心 点相对于原图像中矩形区域的中心点的在y轴方向上的坐标偏移量，X+u为待 匹配图像中矩形区域的中心点相对于原图像中矩形区域的中心点的在x轴方向 上的整像素坐标偏移量，Y+v为待匹配图像中矩形区域的中心点相对于原图像 中矩形区域的中心点的在y轴方向上的整像素坐标偏移量，dx为待匹配图像中 矩形区域的中心点相对于原图像中矩形区域的中心点的在x轴方向上的亚像素 坐标偏移量，dy为待匹配图像中矩形区域的中心点相对于原图像中矩形区域的 中心点的在y轴方向上的亚像素坐标偏移量；
或者，构建待匹配图像中每个子矩形区域的整像素级中心点坐标以及原图 像中矩形区域的整像素级中心点坐标之间的梯度公式，并计算待匹配图像中每 个子矩形区域的中心点的亚像素位移，得到待匹配图像中每个子矩形区域的亚 像素级中心点坐标；
待匹配图像中第i个子矩形区域的中心点坐标与原图像中矩形区域的中心 点坐标之间的梯度公式为：
X1i＝X+ui+dxi
Y1i＝Y+vi+dyi
其中，X1i为待匹配图像中第i个子矩形区域的中心点在x轴方向上的坐标， X1i＝(BXki-BX1i)/2，Y1i为待匹配图像中第i个子矩形区域的中心点在y轴方向 上的坐标，Y1＝(BYk-BY1i)/2，X为原图像中矩形区域的中心点在x轴方向上 的坐标，X＝(AXk-AX1)/2，Y为原图像中矩形区域的中心点在y轴方向上的坐 标，Y＝(AYk-AY1)/2，ui为待匹配图像中第i个子矩形区域的中心点相对于原图 像中矩形区域的中心点的在x轴方向上的坐标偏移量，vi为待匹配图像中第i个 子矩形区域的中心点相对于原图像中矩形区域的中心点的在y轴方向上的坐 标偏移量，X+ui为待匹配图像中第i个子矩形区域的中心点相对于原图像中矩形区域的中心点的在x轴方向上的整像素坐标偏移量，Y+vi为待匹配图像中第 i个子矩形区域的中心点相对于原图像中矩形区域的中心点的在y轴方向上的 整像素坐标偏移量，dxi为待匹配图像中第i个子矩形区域的中心点相对于原图 像中矩形区域的中心点的在x轴方向上的亚像素坐标偏移量，dyi为待匹配图像 中第i个子矩形区域的中心点相对于原图像中矩形区域的中心点的在y轴方向 上的亚像素坐标偏移量。
本发明的亚像素级别的实时动态肿瘤图像的定位与匹配方法具有以下优 点：
1、对肿瘤图像进行预处理，提高了匹配效率，通过特殊的区块定位方法 对预处理后的肿瘤图像进行整像素级别匹配，避免了肿瘤图像图片大小的限 制，并避免了数据训练和时间复杂度高的问题，基于梯度算法对整像素级别匹 配后的肿瘤图像进行亚像素级别匹配，提高了匹配精度；
2、该方法可应用于对实时性要求较高的计算机辅助诊疗，远程诊疗，自 主诊疗设备中，以及远程手术，机器人手术过程中，同时也可以应用于肿瘤细 胞的放疗化疗定位，实时的帮助医师更加快速准确识别出肿瘤位置，找到进行 放化疗的靶区，使药物得到更加充分合理的运用，减少病人的痛感和治疗成本。
附图说明
下面结合附图对本发明进一步说明。
附图1为亚像素级别的实时动态肿瘤图像的定位与匹配方法的流程框图。
具体实施方式
参照说明书附图和具体实施例对本发明的亚像素级别的实时动态肿瘤图 像的定位与匹配方法作以下详细地说明。
实施例：
如附图1所示，本发明的亚像素级别的实时动态肿瘤图像的定位与匹配方 法，包括如下步骤：
S100、对获取的肿瘤图像进行预处理，肿瘤图像包括原图像和待匹配图像， 原图像为具有肿瘤组织的图像，待匹配图像为通过仪器观察到的动态图像；
S200、对预处理后的肿瘤图像进行扫描、并获取肿瘤图像中肿瘤所在区域 的边缘坐标，对原图像和待匹配图像进行整像素级别匹配，并计算待匹配图像 上的肿瘤中心点的整像素级坐标；
S300、通过构建原图像中肿瘤的整像素级中心点与待匹配图像中肿瘤的整 像素级中心点之间的梯度公式，对原图像和待匹配图像进行亚像素级别匹配， 并计算待匹配图像上的肿瘤中心点的亚像素级坐标。
其中，在执行步骤S100之前，需要获取肿瘤图像，具体为：在治疗前对 肿瘤区域进行排片诊断观察，获得带有肿瘤组织的图像，并对图像进行截取， 获得带有肿瘤组织的原图像，记为原图像A，在治疗过程中，医生通过仪器可 以观察到肿瘤的位置，此时通过仪器观察到的动态图像为待匹配图像，记为待 匹配图像B，肿瘤图像包括上述原图像A和待匹配图像B。
步骤S100对肿瘤图像进行预处理，即分别对原图像A和待匹配图像B进行 预处理，包括如下分步骤：
S110、分别对原图像A和待匹配图像B进行边缘检测，获得对应原图像A的 结果图像A1和对应待匹配图像B的结果图像B1；
S120、分别对结果图像A1和结果图像B1进行去边处理，得到对应原图像A 的结果图像A2和对应待匹配图像B的结果图像B2，去边处理方法为：从肿瘤 图像的边缘开始，对肿瘤图像中的像素逐一进行像素值计算，直至遇到像素值 为255的像素；并在上述过程中对像素值为0的像素进行改变，将其像素值由 0变为255，该像素计算公式为：
f(σ,e)＝σUe
其中，σ：黑＝0；白＝255
e：非边＝0；边＝255；
S130、分别对结果图像A2和结果图像B2进行纵-横成像处理，具体为：
S131、对结果图像A2进行纵向扫描，并在扫描过程中对结果图像A2中的 黑色区域逐一进行判断优化，得到结果图像A2-1，并对结果图像B2进行纵向 扫描，并在扫描过程中对结果图像B2中的黑色区域逐一进行判断优化，得到 结果图像B2-1；
S132、对结果图像A2-1进行横向扫描，并在扫描过程中对结果图像A2-1中 的黑色区域逐一进行判断优化，得到结果图像A3，并对结果图像B2-1进行横 向扫描，并在扫描过程中对结果图像B2-1中的黑色区域逐一进行判断优化， 得到结果图像B3。
上述步骤S130中判断优化方式为：对肿瘤图像中当前黑色区域的像素总 量值与阈值H进行比对，如果当前黑色区域的像素总量值小于阈值H，将所述 黑色区域变为白色区域，如果当前黑色区域的像素总量大于或等于阈值H，保 留所述黑色区域。对应的计算公式为：
Figure RE-GDA0001747430180000071
其中，像素值xi和xn代表白色，像素值xk代表黑色。
步骤S200对预处理后的肿瘤图像进行扫描、并获取肿瘤图像中肿瘤所在 区域的边缘坐标类似于区块定位方法，该步骤具体包括如下分步骤：
S210、对结果图像A3进行纵向扫描，在扫描过程中对结果图像A3中当前 黑色连续区域的像素总量值与阈值Z进行比对，如果当前黑色连续区域的像素 总量值大于阈值Z，则记录当前黑色连续区域对应的列坐标，并对结果图像A3 进行横向扫描，在扫描过程中对结果图像A3中当前黑色连续区域的像素总量值 与阈值Z进行比对，如果当前黑色连续区域的像素总量值大于阈值Z，则记录 当前黑色连续区域对应的行坐标，从而可得到结果图像A3中肿瘤所在区域的行 边缘坐标组和列边缘坐标组；
对结果图像B3进行纵向扫描，在扫描过程中对结果图像B3中当前黑色连 续区域的像素总量值与阈值Z进行比对，如果当前黑色连续区域的像素总量值 大于阈值Z，则记录当前黑色连续区域对应的列坐标，并对结果图像B3进行横 向扫描，在扫描过程中对结果图像B3中当前黑色连续区域的像素总量值与阈值Z进行比对，如果当前黑色连续区域的像素总量值大于阈值Z，则记录当前黑 色连续区域对应的行坐标，从而可得到结果图像B3中肿瘤所在区域的行边缘坐 标组和列边缘坐标组；
S220、计算肿瘤图像中肿瘤所在区域的边缘坐标，从结果图像A3中肿瘤所 在区域的行边缘坐标组中选取坐标值最小的行坐标AXmin以及坐标值最大的行 坐标AXmax，上述行坐标AXmin和行坐标AXmax作为原图像A中肿瘤所在区域的行 边缘坐标，从结果图像A3的列坐标组中选取坐标值最小的列坐标AYmin以及坐 标值最大的列坐标AYmax，上述列坐标AYmin和列坐标AYmax作为原图像A中肿瘤 所在区域的列边缘坐标，从而得到原图像A中肿瘤所在区域的边缘坐标；
从结果图像B3中肿瘤所在区域的行边缘坐标组中选取坐标值最小的行坐 标BXmin以及坐标值最大的行坐标BXmax，上述行坐标BXmin和行坐标BXmax作为 待匹配图像B中肿瘤所在区域的行边缘坐标，从结果图像B3的列坐标组中选取 坐标值最小的列坐标BYmin以及坐标值最大的列坐标BYmax，上述列坐标BYmin和 列坐标BYmax作为待匹配图像B中肿瘤所在区域的列边缘坐标，得到待匹配图像 B中肿瘤所在区域的边缘坐标；
S230、根据原图像A中肿瘤所在区域的边缘坐标对应的四个坐标值，在原 图像A中构建矩形区域，根据待匹配图像B中肿瘤所在区域的边缘坐标对应的 四个坐标值，在待匹配图像B中构建矩形区域；
S240、根据原图像A中矩形区域与待匹配图像B中矩形区域之间的长度比 值和宽度比值，计算待匹配图像B的整像素级中心点坐标；
步骤S210中，肿瘤图像中黑色连续区域为肿瘤图像中连续排布的黑色区 域组成的区域。
步骤S240中，计算待匹配图像B的整像素级中心点坐标的方法为：计算 原图像中矩形区域的宽度与待匹配图像中矩形区域的宽度之间的宽度比值，并 记为宽度比值Ky，计算原图像中矩形区域的长度与待匹配图像中矩形区域的 长度之间的长度比值，并记为长度比值Kx，根据宽度比值Ky和长度比值Kx的 取值情况，进行如下计算：
情况一：如果宽度比值Ky和长度比值Kx均为1或均近似为1，待匹配图 像B中矩形区域的中心点坐标为：
Figure BDA0001661110730000081
其中，BXk为待匹配图像中矩形区域的最小行坐标，BX1为待匹配图像中 矩形区域的最大行坐标，BYk为待匹配图像中矩形区域的最小列坐标，BY1为 待匹配图像的中矩形区域的最大列坐标；
情况二：如果宽度比值Ky≥2或长度比值Kx≥2，将待匹配图像中矩形区域 划分为L个子矩形区域，且待匹配图像中每个子矩形区域的宽度与原图像中矩 形区域的宽度之间的宽度比值为1或近似为1，待匹配图像中每个子矩形区域 的长度与原图像中矩形区域的长度之间的长度比值为1或近似为1，计算待匹 配图像中每个子矩形区域的中心点坐标，得到待匹配图像的中心点坐标组，待 匹配图像中第i个子矩形区域的中心点坐标为：
Figure BDA0001661110730000091
其中，0＜i＜L，BXki为待匹配图像中第i个子矩形区域的最小行坐标，BX1i为待匹配图像中第i个子矩形区域的最大行坐标，BYki为待匹配图像中第i个子 矩形区域的最小列坐标，BY1i为待匹配图像中第i个子矩形区域的最大列坐标。
基于上述两种情况，步骤S300也分为两种情况。
情况一：构建待匹配图像中矩形区域的整像素级中心点坐标与原图像中矩 形区域的整像素级中心点坐标之间的梯度公式，计算待匹配图像中矩形区域的 中心点的亚像素位移，得到待匹配图像中矩形区域的亚像素级中心点坐标；
待匹配图像中矩形区域的中心点坐标与原图像中矩形区域的中心点坐标 之间的梯度公式为：
X1＝X+u+dx
Y1＝Y+v+dy
其中，X1为待匹配图像中矩形区域的中心点在x轴方向上的坐标， X1＝(BXk-BX1)/2，Y1为待匹配图像中矩形区域的中心点在y轴方向上的坐标， Y1＝(BYk-BY1)/2，X为原图像中矩形区域的中心点在x轴方向上的坐标， X＝(AXk-AX1)/2，Y为原图像中矩形区域的中心点在y轴方向上的坐标， Y＝(AYk-AY1)/2，u为待匹配图像中矩形区域的中心点相对于原图像中矩形区 域的中心点的在x轴方向上的坐标偏移量，v为待匹配图像中矩形区域的中心 点相对于原图像中矩形区域的中心点的在y轴方向上的坐标偏移量，X+u为待 匹配图像中矩形区域的中心点相对于原图像中矩形区域的中心点的在x轴方向 上的整像素坐标偏移量，Y+v为待匹配图像中矩形区域的中心点相对于原图像 中矩形区域的中心点的在y轴方向上的整像素坐标偏移量，dx为待匹配图像中 矩形区域的中心点相对于原图像中矩形区域的中心点的在x轴方向上的亚像素 坐标偏移量，dy为待匹配图像中矩形区域的中心点相对于原图像中矩形区域的 中心点的在y轴方向上的亚像素坐标偏移量；
求解dx和dy的值后，带入上述梯度公式，可得出待匹配图像B中矩形区域 的中心坐标，从而得到待匹配图像上肿瘤中心点的亚像素级坐标。
情况二：构建根据待匹配图像中每个子矩形区域的整像素级中心点坐标以 及原图像中矩形区域的整像素级中心点坐标之间的梯度公式，计算待匹配图像 中每个子矩形区域的中心点的亚像素位移，得到待匹配图像中每个子矩形区域 的亚像素级中心点坐标；
待匹配图像中第i个子矩形区域的中心点坐标与原图像中矩形区域的中心 点坐标之间的梯度公式为：
X1i＝X+ui+dxi
Y1i＝Y+vi+dyi
其中，X1i为待匹配图像中第i个子矩形区域的中心点在x轴方向上的坐标， X1i＝(BXki-BX1i)/2，Y1i为待匹配图像中第i个子矩形区域的中心点在y轴方向 上的坐标，Y1＝(BYk-BY1i)/2，X为原图像中矩形区域的中心点在x轴方向上 的坐标，X＝(AXk-AX1)/2，Y为原图像中矩形区域的中心点在y轴方向上的坐 标，Y＝(AYk-AY1)/2，ui为待匹配图像中第i个子矩形区域的中心点相对于原图 像中矩形区域的中心点的在x轴方向上的坐标偏移量，vi为待匹配图像中第i个 子矩形区域的中心点相对于原图像中矩形区域的中心点的在y轴方向上的坐 标偏移量，X+ui为待匹配图像中第i个子矩形区域的中心点相对于原图像中矩形区域的中心点的在x轴方向上的整像素坐标偏移量，Y+vi为待匹配图像中第 i个子矩形区域的中心点相对于原图像中矩形区域的中心点的在y轴方向上的 整像素坐标偏移量，dxi为待匹配图像中第i个子矩形区域的中心点相对于原图 像中矩形区域的中心点的在x轴方向上的亚像素坐标偏移量，dyi为待匹配图像 中第i个子矩形区域的中心点相对于原图像中矩形区域的中心点的在y轴方向 上的亚像素坐标偏移量。
求解dxi和dyi的值后，带入上述梯度公式，可得出待匹配图像B中每个子 矩形区域的中心坐标，从而得到待匹配图像上肿瘤中心点的亚像素级坐标。
通过上面具体实施方式，所述技术领域的技术人员可容易的实现本发明。 但是应当理解，本发明并不限于上述的具体实施方式。在公开的实施方式的基 础上，所述技术领域的技术人员可任意组合不同的技术特征，从而实现不同的 技术方案。除说明书所述的技术特征外，均为本专业技术人员的已知技术。

Claims (7)

1.亚像素级别的实时动态肿瘤图像的定位与匹配方法，其特征在于包括如下步骤：
S1、对获取的肿瘤图像进行预处理，肿瘤图像包括原图像和待匹配图像，原图像为具有肿瘤组织的图像，待匹配图像为通过仪器观察到的动态图像；
S2、对预处理后的肿瘤图像进行扫描、并获取肿瘤图像中肿瘤所在区域的边缘坐标，从而对原图像和待匹配图像进行整像素级别匹配，并计算待匹配图像上的肿瘤中心点的整像素级坐标；
S3、通过构建原图像中肿瘤的整像素级中心点与待匹配图像中肿瘤的整像素级中心点之间的梯度公式，对原图像和待匹配图像进行亚像素级别匹配，并计算待匹配图像上的肿瘤中心点的亚像素级坐标；
步骤S1中对获取的肿瘤图像进行预处理为对获取的肿瘤图像依次进行边缘检测、去边处理和纵-横成像处理，得到肿瘤组织明显的肿瘤图像；
纵-横成像处理包括如下步骤：
对肿瘤图像进行初次扫描，并在初次扫描过程中对肿瘤图像中的黑色区域逐一进行判断优化，得到初次扫描图像；
对初次扫描图像进行二次扫描，并在二次扫描过程中对肿瘤图像中的黑色区域逐一进行判断优化，得到纵-横成像处理后的肿瘤图像；
上述初次扫描和二次扫描中其中一次扫描为纵向扫描、另一次扫描为横向扫描；
对肿瘤图像中的黑色区域逐一进行判断优化，包括如下步骤：对肿瘤图像中当前黑色区域的像素总量值与阈值H进行比对，如果当前黑色区域的像素总量值小于阈值H，将所述黑色区域变为白色区域，如果当前黑色区域的像素总量大于或等于阈值H，保留所述黑色区域。
2.根据权利要求1所述的亚像素级别的实时动态肿瘤图像的定位与匹配方法，其特征在于原图像为从诊断过程中拍摄的带有肿瘤组织的图像中截取的肿瘤组织图像。
3.根据权利要求1所述的亚像素级别的实时动态肿瘤图像的定位与匹配方法，其特征在于去边处理包括如下步骤：从肿瘤图像的边缘开始，对肿瘤图像中的像素逐一进行像素值计算，直至遇到像素值为255的像素；并在上述过程中对像素值为0的像素进行改变，将其像素值由0变为255。
4.根据权利要求1所述的亚像素级别的实时动态肿瘤图像的定位与匹配方法，其特征在于步骤S2包括如下步骤：
S21、对预处理后的肿瘤图像进行纵向扫描和横向扫描，在每次扫描过程中依据像素量对肿瘤图像中黑色连续区域逐一进行优选、并记肿瘤图像中优选的黑色连续区域的坐标，得到肿瘤图像中肿瘤的行坐标组和列坐标组；
S22、计算肿瘤图像中肿瘤所在区域的边缘坐标：从肿瘤图像中肿瘤所在区域的行坐标组中选取坐标值最大的行坐标以及坐标值最小的行坐标，得到肿瘤图像中肿瘤所在区域的行边缘坐标，并从肿瘤图像中肿瘤所在区域的列坐标组中选取坐标值最大的列坐标以及坐标值最小的列坐标，得到肿瘤图像中肿瘤所在区域的列边缘坐标；
S23、根据肿瘤图像中肿瘤所在区域的行边缘坐标和肿瘤图像中肿瘤所在区域的列边缘坐标在肿瘤图像中构建矩形区域；
S24、通过分析计算原图像中矩形区域与待匹配图像中矩形区域之间的长度比值和宽度比值实现对原图像中肿瘤与待匹配图像中肿瘤进行整像素级匹配，并得到待匹配图像的中心点的整像素级坐标；
所述肿瘤图像中黑色连续区域为肿瘤图像中连续排布的黑色区域组成的区域。
5.根据权利要求4所述的亚像素级别的实时动态肿瘤图像的定位与匹配方法，其特征在于步骤S21中在每次扫描过程中依据像素量对肿瘤图像中黑色连续区域逐一进行优选、并记录肿瘤图像中优选的黑色连续区域的坐标，包括如下步骤：
对肿瘤图像进行纵向扫描，在扫描过程中对肿瘤图像中当前黑色连续区域的像素总量值与阈值Z进行比对，如果当前黑色连续区域的像素总量值大于阈值Z，则记录当前黑色连续区域对应的列坐标；
对肿瘤图像进行横向扫描，在扫描过程中对肿瘤图像中当前黑色连续区域的像素总量值与阈值Z进行比对，如果当前黑色连续区域的像素总量值大于阈值Z，则记录当前黑色连续区域对应的行坐标。
6.根据权利要求4所述的亚像素级别的实时动态肿瘤图像的定位与匹配方法，其特征在于步骤S24包括如下步骤：
计算原图像中矩形区域的宽度与待匹配图像中矩形区域的宽度之间的宽度比值，并记为宽度比值Ky，计算原图像中矩形区域的长度与待匹配图像中矩形区域的长度之间的长度比值，并记为长度比值Kx；
如果宽度比值Ky和长度比值Kx均为1或均近似为1，待匹配图像中矩形区域的中心点坐标为：
Figure FDA0003080038260000031
其中，BXk为待匹配图像中矩形区域的最小行坐标，BX1为待匹配图像中矩形区域的最大行坐标，BYk为待匹配图像中矩形区域的最小列坐标，BY1为待匹配图像的中矩形区域的最大列坐标；
如果宽度比值Ky≥2或长度比值Kx≥2，将待匹配图像中矩形区域划分为L个子矩形区域，且待匹配图像中每个子矩形区域的宽度与原图像中矩形区域的宽度之间的宽度比值为1或近似为1，待匹配图像中每个子矩形区域的长度与原图像中矩形区域的长度之间的长度比值为1或近似为1，计算待匹配图像中每个子矩形区域的中心点坐标，得到待匹配图像的中心点坐标组，待匹配图像中第i个子矩形区域的中心点坐标为：
Figure FDA0003080038260000032
其中，0＜i＜L，BXki为待匹配图像中第i个子矩形区域的最小行坐标，BX1i为待匹配图像中第i个子矩形区域的最大行坐标，BYki为待匹配图像中第i个子矩形区域的最小列坐标，BY1i为待匹配图像中第i个子矩形区域的最大列坐标。
7.根据权利要求6所述的亚像素级别的实时动态肿瘤图像的定位与匹配方法，其特征在于步骤S3包括如下步骤：
构建待匹配图像中矩形区域的整像素级中心点坐标与原图像中矩形区域的整像素级中心点坐标之间的梯度公式，并计算待匹配图像中矩形区域的中心点相对于原图像中矩形区域的中心点的亚像素位移，得到待匹配图像中矩形区域的中心点亚像素级坐标；
待匹配图像中矩形区域的中心点坐标与原图像中矩形区域的中心点坐标之间的梯度公式为：
X1＝X+u+dx
Y1＝Y+v+dy
其中，X1为待匹配图像中矩形区域的中心点在x轴方向上的坐标，X1＝(BXk-BX1)/2，Y1为待匹配图像中矩形区域的中心点在y轴方向上的坐标，Y1＝(BYk-BY1)/2，X为原图像中矩形区域的中心点在x轴方向上的坐标，X＝(AXk-AX1)/2，Y为原图像中矩形区域的中心点在y轴方向上的坐标，Y＝(AYk-AY1)/2，u为待匹配图像中矩形区域的中心点相对于原图像中矩形区域的中心点的在x轴方向上的坐标偏移量，v为待匹配图像中矩形区域的中心点相对于原图像中矩形区域的中心点的在y轴方向上的坐标偏移量，X+u为待匹配图像中矩形区域的中心点相对于原图像中矩形区域的中心点的在x轴方向上的整像素坐标偏移量，Y+v为待匹配图像中矩形区域的中心点相对于原图像中矩形区域的中心点的在y轴方向上的整像素坐标偏移量，dx为待匹配图像中矩形区域的中心点相对于原图像中矩形区域的中心点的在x轴方向上的亚像素坐标偏移量，dy为待匹配图像中矩形区域的中心点相对于原图像中矩形区域的中心点的在y轴方向上的亚像素坐标偏移量；
或者，构建待匹配图像中每个子矩形区域的整形像素级中心点坐标以及原图像中矩形区域的整形像素级中心点坐标之间的梯度公式，并计算待匹配图像中每个子矩形区域的中心点的亚像素位移，得到待匹配图像中每个子矩形区域的亚像素级中心点坐标；
待匹配图像中第i个子矩形区域的中心点坐标与原图像中矩形区域的中心点坐标之间的梯度公式为：
X1i＝X+ui+dxi
Y1i＝Y+vi+dyi
其中，X1i为待匹配图像中第i个子矩形区域的中心点在x轴方向上的坐标，X1i＝(BXki-BX1i)/2，Y1i为待匹配图像中第i个子矩形区域的中心点在y轴方向上的坐标，Y1＝(BYk-BY1i)/2，X为原图像中矩形区域的中心点在x轴方向上的坐标，X＝(AXk-AX1)/2，Y为原图像中矩形区域的中心点在y轴方向上的坐标，Y＝(AYk-AY1)/2，ui为待匹配图像中第i个子矩形区域的中心点相对于原图像中矩形区域的中心点的在x轴方向上的坐标偏移量，vi为待匹配图像中第i个子矩形区域的中心点相对于原图像中矩形区域的中心点的在y轴方向上的坐标偏移量，X+ui为待匹配图像中第i个子矩形区域的中心点相对于原图像中矩形区域的中心点的在x轴方向上的整像素坐标偏移量，Y+vi为待匹配图像中第i个子矩形区域的中心点相对于原图像中矩形区域的中心点的在y轴方向上的整像素坐标偏移量，dxi为待匹配图像中第i个子矩形区域的中心点相对于原图像中矩形区域的中心点的在x轴方向上的亚像素坐标偏移量，dyi为待匹配图像中第i个子矩形区域的中心点相对于原图像中矩形区域的中心点的在y轴方向上的亚像素坐标偏移量。
CN201810461921.6A 2018-05-15 2018-05-15 亚像素级别的实时动态肿瘤图像的定位与匹配方法 Active CN108682011B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810461921.6A CN108682011B (zh) 2018-05-15 2018-05-15 亚像素级别的实时动态肿瘤图像的定位与匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810461921.6A CN108682011B (zh) 2018-05-15 2018-05-15 亚像素级别的实时动态肿瘤图像的定位与匹配方法

Publications (2)

Publication Number Publication Date
CN108682011A CN108682011A (zh) 2018-10-19
CN108682011B true CN108682011B (zh) 2021-07-16

Family

ID=63805301

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810461921.6A Active CN108682011B (zh) 2018-05-15 2018-05-15 亚像素级别的实时动态肿瘤图像的定位与匹配方法

Country Status (1)

Country Link
CN (1) CN108682011B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113158719B (zh) * 2020-11-30 2022-09-06 齐鲁工业大学 一种光伏电站火灾的图像识别方法
CN113160236B (zh) * 2020-11-30 2022-11-22 齐鲁工业大学 一种光伏电池阴影遮挡的图像识别方法
CN112990367A (zh) * 2021-04-25 2021-06-18 杭州晟视科技有限公司 一种图像处理方法、装置、设备以及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2147426A4 (en) * 2007-05-18 2011-03-09 Samsung Electronics Co Ltd PICTURE COLOR BALANCE ADJUSTMENT FOR DISPLAYS WITH 2D SUBPIXEL LAYOUTS
CN102036094A (zh) * 2010-12-30 2011-04-27 浙江大学 一种基于数字分数延时技术的立体匹配方法
CN102164283A (zh) * 2011-05-30 2011-08-24 江苏大学 一种基于avs的亚像素运动估计方法
CN102670234A (zh) * 2012-05-17 2012-09-19 西安一体医疗科技有限公司 一种伽玛辐射摆位验证装置及方法
CN102697561A (zh) * 2012-05-17 2012-10-03 深圳市一体医疗科技股份有限公司 一种无创体外固定标记点肿瘤定位系统及定位方法
CN103136525A (zh) * 2013-02-28 2013-06-05 中国科学院光电技术研究所 一种利用广义Hough变换的异型扩展目标高精度定位方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI356393B (en) * 2005-04-04 2012-01-11 Samsung Electronics Co Ltd Display systems having pre-subpixel rendered image

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2147426A4 (en) * 2007-05-18 2011-03-09 Samsung Electronics Co Ltd PICTURE COLOR BALANCE ADJUSTMENT FOR DISPLAYS WITH 2D SUBPIXEL LAYOUTS
CN102036094A (zh) * 2010-12-30 2011-04-27 浙江大学 一种基于数字分数延时技术的立体匹配方法
CN102164283A (zh) * 2011-05-30 2011-08-24 江苏大学 一种基于avs的亚像素运动估计方法
CN102670234A (zh) * 2012-05-17 2012-09-19 西安一体医疗科技有限公司 一种伽玛辐射摆位验证装置及方法
CN102697561A (zh) * 2012-05-17 2012-10-03 深圳市一体医疗科技股份有限公司 一种无创体外固定标记点肿瘤定位系统及定位方法
CN103136525A (zh) * 2013-02-28 2013-06-05 中国科学院光电技术研究所 一种利用广义Hough变换的异型扩展目标高精度定位方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"Subpixel edge location based on orthogonal Fourier–Mellin moments";T.J.Bin等;《Image and Vision Computing》;20080430;第26卷(第4期);Pages 563-569 *
"一种快速医学图像亚像素边缘检测方法";巴本冬等;《山东大学学报（工学版）》;20051031;第63-67页 *
高素文." 基于亚像素精度的立体图像匹配算法研究".《中国优秀硕士学位论文全文数据库（电子期刊）信息科技辑》.2014, *

Also Published As

Publication number Publication date
CN108682011A (zh) 2018-10-19

Similar Documents

Publication Publication Date Title
Hernandez-Matas et al. FIRE: fundus image registration dataset
CN109785303B (zh) 肋骨标记方法、装置、设备以及图像分割模型的训练方法
CN108682011B (zh) 亚像素级别的实时动态肿瘤图像的定位与匹配方法
US20220230302A1 (en) Three-dimensional automatic location system for epileptogenic focus based on deep learning
CN107610162A (zh) 一种基于互信息与图像分割的三维多模态医学图像自动配准方法
Basavanhally et al. EM-based segmentation-driven color standardization of digitized histopathology
CN109087310B (zh) 睑板腺纹理区域的分割方法、系统、存储介质及智能终端
CN111539956B (zh) 基于脑部辅助图像的脑出血自动检测方法及电子介质
CN103942780B (zh) 基于改进模糊连接度算法的丘脑及其子结构分割方法
CN108171697B (zh) 一种基于簇的wmh自动提取系统
CN113724243B (zh) 图像处理方法、装置、电子设备及存储介质
CN107563996A (zh) 一种新型视神经盘分割方法及系统
CN109949288A (zh) 肿瘤类型确定系统、方法及存储介质
CN111666890A (zh) 脊柱变形人群识别方法、装置、计算机设备及存储介质
CN117237591A (zh) 一种心脏超声影像伪影智能去除方法
CN110930425B (zh) 基于邻域向量内积局部对比度图像增强的损伤目标检测方法
CN111815610A (zh) 一种病变图像的病灶检测方法及装置
Jin et al. Perceptual Gradient Similarity Deviation for Full Reference Image Quality Assessment.
CN111524188A (zh) 腰椎定位点获取方法、设备及介质
CN110598533A (zh) 舌象匹配方法、电子装置、计算机设备及存储介质
CN107729863B (zh) 人体指静脉识别方法
CN113610746A (zh) 一种图像处理方法、装置、计算机设备及存储介质
Baka et al. Confidence of model based shape reconstruction from sparse data
CN114463534A (zh) 一种目标关键点检测方法、装置、设备及存储介质
CN113361633A (zh) 一种医疗图像大数据3d残差网络分类方法

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