專利名稱：基于目標跟蹤的計算機輔助胃癌診斷方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，更進一步涉及一種計算機視覺領(lǐng)域中處理胃癌診斷中的淋巴結(jié)轉(zhuǎn)移識別領(lǐng)域中的基于目標跟蹤的計算機輔助胃癌診斷方法。本發(fā)明可用于胃癌診斷中淋巴結(jié)轉(zhuǎn)移的判斷、識別過程，完成淋巴結(jié)轉(zhuǎn)移的判斷、識別、檢測，更好的輔助醫(yī)學研究中的臨床診斷。
背景技術(shù)：
目前，胃癌影像研究主要是基于傳統(tǒng)的檢測方法將被檢查的樣本通過一系列諸如稀釋、染色等化學處理之后制作成目標涂片；有著豐富經(jīng)驗的兵力醫(yī)生在顯微鏡下自習觀察涂片中目標核、目標漿的形貌、顏色特點，根據(jù)相關(guān)的醫(yī)學標準并結(jié)合自身的經(jīng)驗，對待檢查的樣本作出診斷結(jié)論，在普查中，待檢查人群分布地區(qū)廣、數(shù)量大，要有效地進行健康普查存在以下幾個問題1)工作量非常大，醫(yī)生容易疲勞而引起誤判；幻工作效率低下， 容易延誤診斷結(jié)果；3)檢查結(jié)果往往容易過多加入醫(yī)生的主觀因素，診斷結(jié)果因人而異； 4)我國中小城市一些醫(yī)生缺乏臨床經(jīng)驗和專業(yè)知識，診斷水平仍令人堪憂；因此，為了更好的開展防癌普查工作，盡量做到早期診斷、早期治療、檢查能有效花費，必須研制適合我國國情的輔助診斷系統(tǒng)。希森美康株式會社申請的專利“胃癌淋巴結(jié)轉(zhuǎn)移的判斷方法”(申請?zhí)?200810000445. 4，公開號CN101260428)公開一種胃癌淋巴結(jié)轉(zhuǎn)移的判斷方法，包括1)定量步驟，定量用疑有胃癌轉(zhuǎn)移的淋巴結(jié)組織制備的檢測試樣中的角蛋白19mRNAJ)判斷步驟，根據(jù)所得所述mRNA的定量結(jié)果判斷胃癌的淋巴結(jié)轉(zhuǎn)移，當定量值低于閾值時，判斷胃癌淋巴結(jié)轉(zhuǎn)移陰性，當定量值超過閾值時，判斷胃癌淋巴結(jié)轉(zhuǎn)移陽性。該方法存在的不足是，對于閾值的選取會因為實驗條件、環(huán)境因素、專業(yè)素養(yǎng)等因素而有所差異，會影響診斷結(jié)果的有效性。威里德克斯有限責任公司申請的專利“對胃癌淋巴結(jié)轉(zhuǎn)移的檢測”(申請?zhí)?200710100645. 2，公開號CN101(^9342)公開的胃癌淋巴結(jié)轉(zhuǎn)移檢測方法1)從患者獲取生物學樣品；幻測量樣品中的標記水平，其中該水平高于預(yù)定截止值水平值的認為是胃癌淋巴結(jié)轉(zhuǎn)移。該方法存在的不足是，人工設(shè)定截止水平值限定了這種方法的有效性，而且截止水平值會因為選取的目標樣本不同而有所差異，最終導(dǎo)致結(jié)果不夠準確有效。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)中的不足，提出一種基于目標跟蹤的計算機輔助胃癌診斷方法。該方法運用卡爾曼框架下特征匹配的目標跟蹤方法，用于檢測胃部切片圖當中的淋巴結(jié)，從而輔助胃癌的診斷。實現(xiàn)本發(fā)明目的的技術(shù)思路是，對胃部切片圖序列中每幅圖進行感興趣區(qū)域提取、分割，去除其他不相關(guān)區(qū)域，得到的切片圖中僅存在淋巴結(jié)、血管和雜點，運用目標跟蹤的方法，對連續(xù)切片圖中的目標進行逐個跟蹤，得到每個目標的運動軌跡段，前后幀面積變化較大且其中心位置變化小于一定閾值的目標判定為淋巴結(jié)，將前后幀面積變化很小且中心位置變化較大的目標判定為血管，其余判定為雜點，從而實現(xiàn)淋巴結(jié)轉(zhuǎn)移的判斷。本發(fā)明的具體實現(xiàn)步驟包括如下1、一種基于目標跟蹤的計算機輔助胃癌診斷方法，其具體實現(xiàn)步驟如下(1)分割圖像la)采用KSVD字典學習的方法提取胃壁周圍感興趣區(qū)域；lb)運用字典學習的稀疏表示方法檢測每幀切片圖中的目標。(2)提取被跟蹤目標2a)采用四鄰域連通標記算法，對所有待跟蹤的胃部切片圖像中的目標區(qū)域依次進行中心標記；2b)提取每個目標區(qū)域中心標記，得到每個目標的中心位置，將每一幀中所有目標的中心位置確定為被跟蹤目標的中心位置。⑶預(yù)測跟蹤3a)按照中心標記的先后順序依次從切片圖中提取被跟蹤目標；3b)采用卡爾曼預(yù)測方法，對被跟蹤目標進行預(yù)測，得到該目標在下一幀胃部切片圖像的預(yù)測坐標點，如果預(yù)測坐標點在下一幀切片圖某個區(qū)域的內(nèi)部，則將此區(qū)域目標的坐標作為被跟蹤目標在下一幀切片圖中的坐標，記錄到目標軌跡段中；如果預(yù)測坐標點不在下一幀切片圖某個區(qū)域的內(nèi)部，則返回步驟3a)。(4)判斷是否全部目標預(yù)測跟蹤完畢，如果全部目標預(yù)測跟蹤完畢，則進行下一步驟；否則，返回步驟(3)。(5)特征匹配5a)將記錄的每個目標軌跡段中的起始和終止坐標分別存于起始坐標集合和終止坐標集合中；5b)將被跟蹤目標在當前胃部切片序列圖像中的坐標作為中心，在下一幀胃部切片序列圖像中建立一個矩形區(qū)域，將該矩陣區(qū)域作為被跟蹤目標的鄰域匹配區(qū)域；將當前胃部切片序列圖像中軌跡終止坐標代表的目標作為待匹配目標；5c)利用相似度計算公式計算被跟蹤目標與每個待匹配目標的相似度，將相似度最大的待匹配目標與被跟蹤目標確定為同一個目標，再將其跟蹤軌跡連接到被跟蹤目標的跟蹤軌跡后；5d)重復(fù)執(zhí)行步驟5a)、步驟5b)、步驟5c)，直到最后一幀圖像，完成對所有目標的特征匹配，將屬于同一目標的跟蹤軌跡，按順序連接，形成完整的跟蹤軌跡。(6)淋巴結(jié)識別6a)依次對每個目標軌跡中目標前后幀面積差求其平均值，如果平均值大于10， 則將此目標標記為候選淋巴結(jié)，若小于5，則標記為候選血管，其余判定為雜點目標；6b)對候選淋巴結(jié)依次計算其跟蹤軌跡段中心的前后幀歐氏距離，計算每個目標中心歐氏距離的平均值，如果平均值小于3，則判定為淋巴，否則，判定為血管；6c)對候選血管目標查看其對應(yīng)的跟蹤軌跡，如果其出現(xiàn)的幀數(shù)大于10幀則判定為血管，否則，判定為雜點。本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點
1、由于本發(fā)明采用了基于目標跟蹤的方法用于檢測胃部切片圖的淋巴結(jié)，加入計算機輔助診斷之后，較之傳統(tǒng)的人工檢測淋巴結(jié)的方法提高了檢測速度及正確率；2、由于本發(fā)明首次使用計算機輔助檢測識別的方法用于檢測胃部切片圖的淋巴結(jié)，可以很好的區(qū)分切片圖中的血管和淋巴結(jié)，解決了現(xiàn)有技術(shù)中存在的血管和淋巴難以區(qū)分的問題。


圖1為本發(fā)明的流程圖；圖2為未經(jīng)處理的胃部切片圖；圖3為經(jīng)本發(fā)明圖像分割步驟后獲得的切片圖；圖4為經(jīng)本發(fā)明預(yù)測跟蹤步驟后獲得的切片圖。
具體實施例方式下面結(jié)合附圖對本發(fā)明做進一步的詳細描述。參照圖1，本發(fā)明的具體實施步驟如下步驟1、分割圖像首先，采用KSVD字典學習的方法提取胃壁周圍感興趣區(qū)域第一步采用KSVD字典學習的方法對脂肪組織和非脂肪組織進行學習，生成脂肪組織Dl和非脂肪組織D2兩個字典；第二步以原始圖像的每個像素點為中心取5X5的鄰域得到像素塊Q，對像素塊Q 提取15維的梯度特征值和25維的灰度特征值，組成一個40維的特征向量v，用字典D1和字典D2分別逼近特征向量v，得到逼近誤差ei和％，如果ei < e2則認為該像素點為感興趣像素點，標記類標為1，如果ei ^ e2則該像素點為不感興趣點，標記類標為0 ；對于類標為0 的像素點，將原始圖像中該像素點的灰度值賦值為0，對于類標為1的像素點，保持該像素點的灰度值為原始圖像中的灰度值，得到脂肪圖；第三步檢測脂肪圖中人體組織的最外層邊緣，以脂肪圖中心點處為基準，將最外層邊緣向中心點縮進30個像素的半徑，得到感興趣脂肪圖；第四步以感興趣脂肪圖的每個像素點為中心，將0°到360°方向均分為32個方向，如果32個方向中有超過觀個方向上存在灰度值非0的像素點，則判定該像素點為感興趣點，將該像素點灰度值賦值為原始圖像中對應(yīng)的灰度值，得到感興趣區(qū)域檢測結(jié)果圖。然后，運用字典學習的稀疏表示方法檢測每幀切片圖中的目標第一步，在感興趣區(qū)域檢測結(jié)果圖中分別為疑似淋巴結(jié)類和非目標類(包括脂肪區(qū)域和脂肪邊界區(qū)域)選取5*5大小的圖像塊作為訓練樣本；第二步，對訓練樣本提取紋理和灰度特征；使用字典學習的稀疏表示(SRC)方法對每一幅圖像中的圖像塊進行測試，標記目標類；第三步，刪去一像素點個數(shù)小于10的非目標區(qū)域并輸出最終分割圖像。步驟2、提取被跟蹤目標首先，采用四鄰域連通標記算法，對所有待跟蹤的切片圖像中的目標區(qū)域依次進行中心標記。四鄰域標記算法按照如下方法實現(xiàn)判斷此點四鄰域中的最左，最上有沒有點，如果都沒有點，則表示一個新的區(qū)域的開始；如果此點四鄰域中的最左有點，最上沒有 點，則標記此點為最左點的值，如果此點四鄰域中的最左沒有點，最上有點，則標記此點為 最上點的值；如果此點四鄰域中的最左有點，最上都有點，則標記此點為這兩個中的最小標 記點，并修改大標記為小標記；然后，提取每個目標區(qū)域中心標記，得到每個目標的中心位置，將每一幀中所有目 標的中心位置確定為被跟蹤目標的中心位置。步驟3、預(yù)測跟蹤首先，按照中心標記的先后順序依次從切片圖中提取被跟蹤目標，然后采用卡爾 曼預(yù)測方法，對被跟蹤的目標進行預(yù)測，得到該目標在下一幀切片圖像的預(yù)測坐標點。本發(fā)明采用先基于卡爾曼濾波進行整體跟蹤，然后采用特征匹配來連接未跟蹤上 的片段，這樣正確率得到了很大的提升。具體步驟如下第一歩根據(jù)被跟蹤目標的運動特點，為每個目標建立勻速運動動力學模型，并對 模型中的狀態(tài)向量和誤差協(xié)方差進行初始化，狀態(tài)向量定義為乂= (x y ~^)\量測向量定 義為Z = (x y)T，x, y分別為目標中心橫坐標和縱坐標，xv, yv分別為目標在x軸方向和y 軸方向的速度，狀態(tài)轉(zhuǎn)移矩陣和量測矩陣分別定義為
權(quán)利要求
1.一種基于目標跟蹤的計算機輔助胃癌診斷方法，其具體實現(xiàn)步驟如下(1)分割圖像la)采用KSVD字典學習的方法提取胃壁周圍感興趣區(qū)域；lb)運用字典學習的稀疏表示方法檢測每幀切片圖中的目標；(2)提取被跟蹤目標2a)采用四鄰域連通標記算法，對所有待跟蹤的胃部切片圖像中的目標區(qū)域依次進行中心標記；2b)提取每個目標區(qū)域中心標記，得到每個目標的中心位置，將每一幀中所有目標的中心位置確定為被跟蹤目標的中心位置(3)預(yù)測跟蹤3a)按照中心標記的先后順序依次從切片圖中提取被跟蹤目標；3b)采用卡爾曼預(yù)測方法，對被跟蹤目標進行預(yù)測，得到該目標在下一幀胃部切片圖像的預(yù)測坐標點，如果預(yù)測坐標點在下一幀切片圖某個區(qū)域的內(nèi)部，則將此區(qū)域目標的坐標作為被跟蹤目標在下一幀切片圖中的坐標，記錄到目標軌跡段中；如果預(yù)測坐標點不在下一幀切片圖某個區(qū)域的內(nèi)部，則返回步驟3a)；(4)判斷是否全部目標預(yù)測跟蹤完畢，如果全部目標預(yù)測跟蹤完畢，則進行下一步驟； 否則，返回步驟⑶；(5)特征匹配5a)將記錄的每個目標軌跡段中的起始和終止坐標分別存于起始坐標集合和終止坐標集合中；5b)將被跟蹤目標在當前胃部切片序列圖像中的坐標作為中心，在下一幀胃部切片序列圖像中建立一個矩形區(qū)域，將該矩陣區(qū)域作為被跟蹤目標的鄰域匹配區(qū)域；將當前胃部切片序列圖像中軌跡終止坐標代表的目標作為待匹配目標；5c)利用相似度計算公式計算被跟蹤目標與每個待匹配目標的相似度，將相似度最大的待匹配目標與被跟蹤目標確定為同一個目標，再將其跟蹤軌跡連接到被跟蹤目標的跟蹤軌跡后；5d)重復(fù)執(zhí)行步驟5a)、步驟5b)、步驟5c)，直到最后一幀圖像，完成對所有目標的特征匹配，將屬于同一目標的跟蹤軌跡，按順序連接，形成完整的跟蹤軌跡；(6)淋巴結(jié)識別6a)依次對每個目標軌跡中目標前后幀面積差求其平均值，如果平均值大于10，則將此目標標記為候選淋巴結(jié)，若小于5，則標記為候選血管，其余判定為雜點目標；6b)對候選淋巴結(jié)依次計算其跟蹤軌跡段中心的前后幀歐氏距離，計算每個目標中心歐氏距離的平均值，如果平均值小于3，則判定為淋巴，否則，判定為血管；6c)對候選血管目標查看其對應(yīng)的跟蹤軌跡，如果其出現(xiàn)的幀數(shù)大于10幀則判定為血管，否則，判定為雜點。
2.根據(jù)權(quán)利要求1所述的基于目標跟蹤的計算機輔助胃癌診斷方法，其特征在于步驟la)所訴的KSVD字典學習的方法是按照以下步驟求感興趣區(qū)域第一步采用KSVD字典學習的方法對脂肪組織和非脂肪組織進行學習，生成脂肪組織 Dl和非脂肪組織D2兩個字典；第二步以原始圖像的每個像素點為中心取5X5的鄰域得到像素塊Q，對像素塊Q提取15維的梯度特征值和25維的灰度特征值，組成一個40維的特征向量v，用字典D1和字典D2分別逼近特征向量v，得到逼近誤差ei和％，如果ei < e2則認為該像素點為感興趣像素點，標記類標為1，如果ei ^ e2則該像素點為不感興趣點，標記類標為0 ；對于類標為0的像素點，將原始圖像中該像素點的灰度值賦值為0，對于類標為1的像素點，保持該像素點的灰度值為原始圖像中的灰度值，得到脂肪圖；第三步檢測脂肪圖中人體組織的最外層邊緣，以脂肪圖中心點處為基準，將最外層邊緣向中心點縮進30個像素的半徑，得到感興趣脂肪圖；第四步以感興趣脂肪圖的每個像素點為中心，將0°到360°方向均分為32個方向， 如果32個方向中有超過觀個方向上存在灰度值非0的像素點，則判定該像素點為感興趣點，將該像素點灰度值賦值為原始圖像中對應(yīng)的灰度值，得到感興趣區(qū)域檢測結(jié)果圖。
3.根據(jù)權(quán)利要求1所述的基于目標跟蹤的計算機輔助胃癌診斷方法，其特征在于步驟lb)所述字典學習的稀疏表示方法是按照下面步驟進行分割第一步，在感興趣區(qū)域檢測結(jié)果圖中分別為疑似淋巴結(jié)類和非目標類(包括脂肪區(qū)域和脂肪邊界區(qū)域)選取5*5大小的圖像塊作為訓練樣本；第二步，對訓練樣本提取紋理和灰度特征；使用字典學習的稀疏表示(SRC)方法對每一幅圖像中的圖像塊進行測試，標記目標類；第三步，刪去一像素點個數(shù)小于10的非目標區(qū)域并輸出最終分割圖像。
4.根據(jù)權(quán)利要求1所述的基于目標跟蹤的計算機輔助胃癌診斷方法，其特征在于步驟3b)所述卡爾曼預(yù)測方法的具體步驟如下步驟1，根據(jù)被跟蹤目標的運動特點，為每個目標建立勻速運動動力學模型； 步驟2，建立目標運動模型； Xi (k+1) = FiXi (^ + TiWi (k)其中，Xi(k+1)是第i個目標在下一幀中的狀態(tài)向量，k是幀數(shù),Fi是第i個目標的狀態(tài)轉(zhuǎn)移矩陣，Xi (k)是第i個目標在當前幀中的狀態(tài)向量，Γ i是第i個目標的噪聲矩陣，WiGO 是與第i個目標關(guān)聯(lián)的系統(tǒng)噪聲； 步驟3，建立量測向量模型 ZiGO = HiXiGO+ViGO其中，Zi (k)是第i個目標的量測向量，Hi是第i個目標的量測矩陣，Xi (k)是第i個目標的狀態(tài)向量，ViGO是與第i個目標關(guān)聯(lián)的量測噪聲，k是幀數(shù)，； 步驟4，對狀態(tài)向量及其誤差協(xié)方差矩陣進行初始化； 步驟5，按照步驟3中的量測向量模型求預(yù)測值。
5.根據(jù)權(quán)利要求1所述的基于目標跟蹤的計算機輔助胃癌診斷方法，其特征在于所述步驟5c)計算被跟蹤目標與每個待匹配目標的相似度按照下式計算求得sim(L j)=---aD(iJ)+PA(iJ)+YE(iJ)其中，sim(i，j)表示相似度，i表示被跟蹤目標，j表示待匹配目標，α表示距離特征， D(i,j)表示待匹配目標與被跟蹤目標的距離相似度，β表示面積特征，A(i，j)表示待匹配目標與被跟蹤目標的面積相似度，Y表示偏心率特征的權(quán)值，E(i，j)表示待匹配目標與被跟蹤目標的偏心率相似度。
全文摘要
本發(fā)明公開了一種基于目標跟蹤的計算機輔助胃癌診斷方法，主要解決醫(yī)學影像領(lǐng)域中胃癌診斷過程中存在的淋巴結(jié)轉(zhuǎn)移判定問題問題。其實現(xiàn)步驟為(1)分割圖像；(2)提取被跟蹤目標；(3)預(yù)測跟蹤；(4)判斷是否全部目標預(yù)測跟蹤完畢，如果全部目標預(yù)測跟蹤完畢，則進行下一步驟；否則，返回步驟(3)；(5)特征匹配；(6)淋巴結(jié)識別。本發(fā)明是將計算機輔助醫(yī)學診斷的方法用于胃癌淋巴結(jié)轉(zhuǎn)移的檢測，可以在很短的時間內(nèi)處理大量胃部切片圖，較之傳統(tǒng)的胃癌淋巴結(jié)轉(zhuǎn)移的檢測提高了檢測速率和正確率，實現(xiàn)胃部切片圖淋巴結(jié)的自動識別，極大的縮短臨床診斷時間，為患者爭取更好的治療時機。
文檔編號G06F19/00GK102436551SQ20111035608
公開日2012年5月2日 申請日期2011年11月10日 優(yōu)先權(quán)日2011年11月10日
發(fā)明者公茂果, 劉芳, 周治國, 焦李成, 王爽, 高婷婷 申請人:西安電子科技大學