本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，特別是涉及醫(yī)療檢測系統(tǒng)，可用于醫(yī)學(xué)影像的淋巴結(jié)識別及其輔助診斷，具體涉及一種基于低秩分解的胃部CT圖像淋巴結(jié)識別系統(tǒng)和方法。

背景技術(shù)：
胃癌是我國最常見的惡性腫瘤之一，2010年衛(wèi)生統(tǒng)計年鑒顯示，我國胃癌的發(fā)病率和致死率都僅次于肺癌，位于第二位，每年我國新增胃癌病例有40萬之多，而每年由于胃癌死亡的人數(shù)在30萬，占所有惡性腫瘤死亡人數(shù)的23%，死亡率極高。臨床中，CT影像是胃癌診斷所依靠的一個主要工具。傳統(tǒng)意義上，醫(yī)生得到病人的CT切片后進行分析，通過發(fā)生癌變的淋巴結(jié)數(shù)目以及大小等信息判斷病人的N分期，然后依據(jù)判斷結(jié)果進行手術(shù)制定相應(yīng)的手術(shù)方案，但是這種方式費時費力，而且結(jié)果非常依賴于醫(yī)生的專業(yè)水平和臨床經(jīng)驗。近年來，隨著計算機技術(shù)的發(fā)展，使得我們可以通過計算機來對醫(yī)學(xué)影像進行處理，輔助醫(yī)生的診斷。對于胃部CT影像，我們從中最需要了解的是淋巴結(jié)的分布，大小等信息，因此研究計算機輔助技術(shù)檢測胃部CT圖像的淋巴結(jié)具有很大的應(yīng)用需求。由于CT影像相比于乳腺X線影像等組織更為復(fù)雜，里面包含的組織多樣，各組織之間的邊界模糊，而我們感興趣的淋巴結(jié)相對其他組織非常小，這都給胃部CT影像的研究帶來了很多困難，目前對胃部CT影像的研究工作仍然處于初期階段。西安電子科技大學(xué)申請的專利“無監(jiān)督分割的胃部CT圖像淋巴結(jié)自動輔助檢測系統(tǒng)”(申請?zhí)枺篊N201310029539，公開號CN103106408A)公開了一種無監(jiān)督分割的胃部CT圖像淋巴結(jié)自動輔助檢測系統(tǒng)，主要解決了胃部CT圖像中感興趣區(qū)域和疑似淋巴結(jié)區(qū)域自動獲取存在漏檢區(qū)域或遺留無關(guān)信息過多的問題。該系統(tǒng)的不足在于跟蹤所采用的質(zhì)心跟蹤過于簡單，不能有效的跟蹤到所有提取出的疑似淋巴結(jié)，而且對于淋巴結(jié)的判別依賴于長度并不準(zhǔn)確，同時也沒有進行淋巴結(jié)和血管的區(qū)分。

技術(shù)實現(xiàn)要素：
本發(fā)明的目的在于針對現(xiàn)有的胃部CT淋巴結(jié)識別系統(tǒng)中目標(biāo)跟蹤不準(zhǔn)確以及淋巴結(jié)血管區(qū)分沒有區(qū)分等問題，提出一種基于低秩分解的胃部CT圖像淋巴結(jié)識別系統(tǒng)和方法，可以準(zhǔn)確的完成目標(biāo)的跟蹤并將淋巴結(jié)和血管區(qū)分開來。為實現(xiàn)上述目的，本發(fā)明提一種基于低秩分解的胃部CT圖像淋巴結(jié)識別系統(tǒng)，包括：單幀目標(biāo)提取模塊，用于在序列圖的每一幀上提取出疑似淋巴結(jié)，并對所有疑似淋巴結(jié)構(gòu)造局部自適應(yīng)窗口；與單幀目標(biāo)提取模塊鏈接的局部自適應(yīng)窗口排序模塊，用于對序列圖上的所有疑似淋巴結(jié)的局部自適應(yīng)窗口依據(jù)面積排序；與局部自適應(yīng)窗口排序模塊鏈接的低秩跟蹤模塊和區(qū)域重疊跟蹤模塊，其中，低秩跟蹤模塊用于對大疑似淋巴結(jié)在局部區(qū)域構(gòu)造觀測矩陣，利用低秩模型進行矩陣分解，得到背景序列和前景序列，在背景序列中快速確定序列首尾幀位置，并對首尾幀位置進行細微調(diào)整，最后基于首尾幀和當(dāng)前幀的區(qū)域面積變化來進行淋巴結(jié)的判斷，區(qū)域重疊跟蹤模塊用于對小疑似淋巴結(jié)通過區(qū)域重疊匹配跟蹤來得到小疑似淋巴結(jié)的完整跟蹤序列，然后對于長序列依據(jù)面積和位移特征識別血管，對于短序列依據(jù)面積變化識別淋巴結(jié)；與低秩跟蹤模塊和區(qū)域重疊跟蹤模塊鏈接的結(jié)果輸出模塊，用于將識別出的結(jié)果在原序列圖上標(biāo)注輸出。所述的單幀目標(biāo)提取模塊依次包括：預(yù)處理子模塊，用于對初始圖像進行預(yù)處理，去掉無關(guān)區(qū)域，得到預(yù)處理圖；與預(yù)處理子模塊鏈接的基于最大類間方差的多閾值分割子模塊，用于將預(yù)處理圖分為4類，得到背景圖，脂肪圖，臟器淋巴結(jié)圖，高亮圖；與基于最大類間方差的多閾值分割子模塊鏈接的區(qū)域特征計算子模塊，用于對臟器淋巴結(jié)區(qū)域圖中的每一個區(qū)域R，計算區(qū)域面積A，區(qū)域浸潤于脂肪區(qū)域的浸潤率I，區(qū)域的圓形性E，區(qū)域的凹凸度C，其中，區(qū)域浸潤于脂肪區(qū)域的浸潤率I定義為區(qū)域R的外邊界與脂肪區(qū)域交集像素個數(shù)除以外邊界總像素個數(shù)，區(qū)域的圓形性E定義為區(qū)域質(zhì)心到邊界的平均距離除以區(qū)域質(zhì)心到邊界點距離的均方差，區(qū)域的凹凸度C定義為區(qū)域面積除以區(qū)域外接凸多邊形的面積；與區(qū)域特征計算子模塊鏈接的疑似淋巴結(jié)提取子模塊，用于在臟器淋巴結(jié)圖中將同時滿足區(qū)域面積A＞5，區(qū)域浸潤率I＝1，區(qū)域圓形性E＞t1，區(qū)域凹凸度C＞t2的區(qū)域提出出來，得到待跟蹤的目標(biāo)圖，其中t1由所有區(qū)域進行直方圖統(tǒng)計得到，t2取經(jīng)驗值0.8；與疑似淋巴結(jié)提取子模塊鏈接的局部自適應(yīng)窗口構(gòu)造子模塊，用于對疑似淋巴結(jié)以質(zhì)心為中心，外接矩形為邊界構(gòu)造局部自適應(yīng)窗口。所述的低秩跟蹤模塊包括：觀測矩陣構(gòu)建子模塊，用于以當(dāng)前幀為中心在固定的局部區(qū)域向前向后各取長度為l的局部圖像構(gòu)建觀測矩陣D，D＝[Dleft,Dcur,Dright]，其中Dleft由在當(dāng)前幀向前連續(xù)取l幀，截取局部區(qū)域，拉成一列后構(gòu)成，Dcur由將當(dāng)前幀局部區(qū)域拉成一列復(fù)制cl份后構(gòu)成，Dright由在當(dāng)前幀向后連續(xù)取l幀，截取局部區(qū)域，拉成一列后構(gòu)成，l取值15，cl取值30；與觀測矩陣構(gòu)建子模塊鏈接的基于低秩模型的矩陣分解子模塊，用于通過低秩模型對觀測矩陣D進行低秩分解，得到背景序列B和前景序列S，其中，所用的低秩模型為D為觀測矩陣，B是低秩的背景部分，S是前景支撐，ε是一個圖結(jié)構(gòu)，ε＝(V,E)，其中V是所有像素點構(gòu)成的點，E為同在前景上的像素連接成的邊；與基于低秩模型的矩陣分解子模塊鏈接的初始首尾幀確定子模塊，用于對背景序列B中計算每一列的方差，得到v＝[vleft,vcur,vright]，計算vleft中方差小于t的幀序號，將序號最大的標(biāo)記為初始起始幀start，計算vright中方差小于t的幀序號，將序號最小的標(biāo)記為初始終止幀end；與初始首尾幀確定子模塊鏈接的首尾幀調(diào)整子模塊，用于計算start附近3幀的區(qū)域面積，選取其中最小的為調(diào)整后的起始幀start，計算end附近3幀的區(qū)域面積，選取其中最小的為調(diào)整后的終止幀；與首尾幀調(diào)整子模塊鏈接的淋巴結(jié)識別子模塊，用于對跟蹤的疑似淋巴結(jié)依據(jù)首尾幀與當(dāng)前幀的局部區(qū)域面積變化來判別其是否是淋巴結(jié)。所述的區(qū)域重疊跟蹤模塊依次包括：前向跟蹤子模塊，用于通過兩次區(qū)域重疊的方式從當(dāng)前幀向前進行目標(biāo)的匹配，第一次匹配是作用于單幀目標(biāo)提取模塊提取出的疑似淋巴結(jié)目標(biāo)圖上，如果第一次匹配成功，則更新目標(biāo)，如果不成功則進行第二次匹配，第二次匹配是作用于單幀目標(biāo)提取模塊所得到的臟器淋巴結(jié)圖像上，如果第二次匹配成功則進行判斷目標(biāo)是否可信，不可信的話給出預(yù)測值，如果第二次匹配失敗則終止跟蹤，通過迭代最終得到待跟蹤目標(biāo)向前的序列；與前向跟蹤子模塊鏈接的后向跟蹤子模塊，用于通過兩次區(qū)域重疊的方式從當(dāng)前幀向后進行目標(biāo)的匹配，第一次匹配是作用于單幀目標(biāo)提取模塊提取出的疑似淋巴結(jié)目標(biāo)圖上，如果第一次匹配成功，則更新目標(biāo)，如果不成功則進行第二次匹配，第二次匹配是作用于單幀目標(biāo)提取模塊所得到的臟器淋巴結(jié)圖像上，如果第二次匹配成功則進行判斷目標(biāo)是否可信，不可信的話給出預(yù)測值，如果第二次匹配失敗則終止跟蹤，通過迭代最終得到待跟蹤目標(biāo)向后的序列，結(jié)合前向跟蹤子模塊得到目標(biāo)的完整跟蹤序列。與后向跟蹤子模塊鏈接的基于面積變化的淋巴結(jié)識別子模塊和基于位移和面積特征的血管識別子模塊，其中，基于面積變化的淋巴結(jié)識別子模塊用于對長度小于等于10的跟蹤序列，計算序列中相鄰幀之間的面積變化，求取所有的面積變化平均值，將平均變化值大于5的序列確定為淋巴結(jié)序列，將相應(yīng)的疑似淋巴結(jié)標(biāo)記為淋巴結(jié)，基于位移和面積特征的血管識別子模塊用于對長度大于10的跟蹤序列，計算其序列中首尾幀之間的位移變化，計算序列中相鄰幀之間的面積變化，求取所有的面積變化平均值，將位移變化大于5并且面積變化平均值小于等于5的序列確定為血管序列，將相應(yīng)的疑似淋巴結(jié)標(biāo)記為血管；一種基于低秩分解的胃部CT圖像淋巴結(jié)識別系統(tǒng)的識別方法，包括如下步驟：步驟1，單幀目標(biāo)提取1.1)輸入一幅待檢測圖像F，預(yù)處理去掉無關(guān)區(qū)域，然后進行多閾值分割，得到背景圖，脂肪圖，臟器淋巴結(jié)圖F1，高亮圖；1.2)對F1中每一個區(qū)域R，計算區(qū)域面積A，區(qū)域浸潤于脂肪區(qū)域的浸潤率I，區(qū)域的圓形性E，區(qū)域的凹凸度C，其中，區(qū)域浸潤于脂肪區(qū)域的浸潤率I定義為區(qū)域R的外邊界與脂肪區(qū)域交集像素個數(shù)除以外邊界總像素個數(shù)，區(qū)域的圓形性E定義為區(qū)域質(zhì)心到邊界的平均距離除以區(qū)域質(zhì)心到邊界點距離的均方差，區(qū)域的凹凸度C定義為區(qū)域面積除以區(qū)域外接凸多邊形的面積；1.3)將F1中同時滿足A＞5，I＝1，E＞t1，C＞0.8的區(qū)域作為疑似淋巴結(jié)區(qū)域，得到待跟蹤的目標(biāo)圖像F2，其中t1由F1中所有區(qū)域的圓形性經(jīng)過直方圖統(tǒng)計得出；1.4)對每一個疑似淋巴結(jié)以其質(zhì)心為中心，外接矩形為邊界構(gòu)造局部自適應(yīng)窗口；1.5)若序列圖處理完畢，則轉(zhuǎn)步驟2，否則，轉(zhuǎn)1.1)；步驟2，局部自適應(yīng)窗口排序2.1)將所有幀的所有疑似淋巴結(jié)的局部自適應(yīng)窗口依據(jù)面積從大到小排序，得到待跟蹤的疑似淋巴結(jié)集合Objs＝(O1,O2,...On)，其中目標(biāo)集合Objs按區(qū)域大小降序排列；步驟3，基于低秩模型的淋巴結(jié)跟蹤識別3.1)從Objs中取一個未跟蹤疑似淋巴結(jié)O，記O所在幀號為cur，若O局部自適應(yīng)窗口大小大于11×11，轉(zhuǎn)3.2)，否則轉(zhuǎn)步驟4；3.2)記待跟蹤目標(biāo)O所在局部窗口為W，在原圖上向前取l幀，即取cur-l到cur-1幀，在每一幀上截取同樣的窗口W，將局部窗口像素拉成一列，得到Dleft，將當(dāng)前幀的窗口像素拉成一列，并復(fù)制cl份，得到Dcur，向后取l幀，即取cur+1到cur+l幀，在每一幀上截取同樣的窗口W，將局部窗口像素拉成一列，得到Dright，3部分共同組成觀測矩陣D，實驗中l(wèi)取值15，cl取值30；3.3)通過低秩模型對觀測矩陣D進行分解，得到背景序列B和前景序列S，其中，所用的低秩模型為D為觀測矩陣，B是低秩的背景部分，S是前景支撐，ε是一個圖結(jié)構(gòu)，ε＝(V,E)，其中V是所有像素點構(gòu)成的點，E為同在前景上的像素連接成的邊；3.4)對于背景序列B，計算每一列元素的方差，得到v＝[vleft,vcur,vright]，計算vleft中方差小于t的幀序號，將序號最大的標(biāo)記為初始起始幀start，計算vright中方差小于t的幀序號，將序號最小的標(biāo)記為初始終止幀end；3.5)在起始幀start前3幀計算每一幀中的目標(biāo)面積，選取其中最小的作為調(diào)整后的起始幀start，在終止幀end后3幀計算每一幀中的目標(biāo)面積，選取其中最小的作為調(diào)整后的終止幀end；3.6)計算起始幀start和當(dāng)前幀cur在疑似淋巴結(jié)O所在區(qū)域的面積變化率r1，計算終止幀end和當(dāng)前幀cur在O所在區(qū)域的面積變化率r2，若r1＜0.5并且r2＜0.5，則標(biāo)記疑似淋巴結(jié)O為淋巴結(jié)；3.7)在集合Objs中將已經(jīng)被O所跟蹤到的元素標(biāo)記為已跟蹤；3.8)如果集合Objs中還有未跟蹤的元素，轉(zhuǎn)3.1)，否則轉(zhuǎn)步驟5；步驟4，基于區(qū)域重疊的淋巴結(jié)跟蹤識別4.1)前向跟蹤4.1.1)初始化一個不可信的區(qū)域集temp＝{}，初始化前向序列長度lfore＝0，初始化前向跟蹤序列seqfore＝{}；4.1.2)取前一幀對應(yīng)的目標(biāo)區(qū)域圖Fpre，對Fpre與O做與運算，得到重疊的區(qū)域Dinsect，若Dinsect非空，通過形態(tài)學(xué)重構(gòu)得到Dinsect在Fpre中的完整區(qū)域，若得到多個連通區(qū)域，計算每一個區(qū)域質(zhì)心到O的質(zhì)心的距離，選其中距離最小的一個區(qū)域，即為前一幀中與O對應(yīng)的疑似淋巴結(jié)Opre，向前加入序列seqfore，seqfore＝{Opre,seqfore}，轉(zhuǎn)4.1.6)，若Dinsect為空，轉(zhuǎn)4.1.3)；4.1.3)取前一幀對應(yīng)的二值臟器淋巴結(jié)圖Gpre，對Gpre與O做與運算，得到重疊的區(qū)域Iinsect，若Iinsect非空，通過形態(tài)學(xué)重構(gòu)得到Iinsect在Fpre中的完整區(qū)域，若得到多個區(qū)域，計算每一個區(qū)域質(zhì)心到O的質(zhì)心的距離，選其中距離最小的一個區(qū)域，暫記為前一幀中與O對應(yīng)的目標(biāo)Opre；4.1.4)計算O的面積，記為Area(O)，計算O的質(zhì)心，記為(x,y)，計算Opre的面積，記為Area(Opre)，計算Opre的質(zhì)心，記為(xpre,ypre)，計算面積比例a＝max(Area(O),Area(Opre))/min(Area(O),Area(Opre))，計算位移變化若a＜4并且d＜3,將Opre向前加入序列seqfore，seqfore＝{Opre,seqfore}，清空temp，temp＝{}，若a≥4或者d≥3，認為Opre與其他區(qū)域發(fā)生粘連，屬于不可信的區(qū)域，將Opre加入不可信的區(qū)域集temp前面，temp＝{Opre,temp}，用當(dāng)前的目標(biāo)區(qū)域O來代替Opre，Opre＝O，向前加入序列seqfore，seqfore＝{Opre,seqfore}；4.1.5)記temp長度為ltemp，若ltemp大于等于3，清空temp，temp＝{}，刪除seqfore中最開始的ltemp幀，轉(zhuǎn)4.2)，否則轉(zhuǎn)4.1.6)，4.1.6)更新O為Opre，更新lfore＝lfore+1，若lfore＞＝30，轉(zhuǎn)4.2)，否則，轉(zhuǎn)4.1.2)；4.2)后向跟蹤4.2.1)初始化一個不可信的區(qū)域集temp＝{}，初始化后向序列長度lback＝0，初始化后向跟蹤序列seqback＝{}；4.2.2)取后一幀對應(yīng)的二值疑似淋巴結(jié)區(qū)域圖Fback，對Fback與O做與運算，得到重疊的區(qū)域Dinsect，若Dinsect非空，通過形態(tài)學(xué)重構(gòu)得到Dinsect在Fback中的完整區(qū)域，若得到多個連通區(qū)域，計算每一個區(qū)域質(zhì)心到O的質(zhì)心的距離，選其中距離最小的一個區(qū)域，即為后一幀中與O對應(yīng)的疑似淋巴結(jié)Onext，向后加入序列seqback，seqback＝{seqback,Onext}，轉(zhuǎn)4.2.6)，若Dinsect為空，轉(zhuǎn)4.2.3)；4.2.3)取后一幀對應(yīng)的二值臟器淋巴結(jié)圖Gnext，對Gnext與O做與運算，得到重疊的區(qū)域Iinsect，若Iinsect非空，通過形態(tài)學(xué)重構(gòu)得到Iinsect在Gnext中的完整區(qū)域，若得到多個區(qū)域，計算每一個區(qū)域質(zhì)心到O的質(zhì)心的距離，選其中距離最小的一個區(qū)域，暫記為后一幀中與O對應(yīng)的目標(biāo)Onext；4.2.4)計算O的面積，記為Area(O)，計算O的質(zhì)心，記為(x,y)，計算Onext的面積，記為Area{Onext}，計算Onext的質(zhì)心，記為(xnext,ynext)，計算面積比例a＝max(Area(O),Area(Onext))/min(Area(O),Area(Onext))，計算位移變化若a＜4并且d＜3,將Onext向后加入序列seqback，seqback＝{seqback,Onext}，清空temp，temp＝{}，若a≥4或者d≥3，認為Onext與其他區(qū)域發(fā)生粘連，屬于不可信的區(qū)域，將Onext加入不可信的區(qū)域集temp前面，temp＝{temp,Onext}，用當(dāng)前的目標(biāo)O來代替Onext，Onext＝O，向后加入序列seqback，seqback＝{seqback,Onext}；4.2.5)若temp長度為ltemp，若ltemp大于等于3，清空temp，temp＝{}，刪除seqfore中最后面的ltemp幀，轉(zhuǎn)4.2)，否則轉(zhuǎn)4.2.6)；4.2.6)更新O為Opre，更新lfore＝lfore+1，若lfore＞＝30，轉(zhuǎn)4.3)，否則，轉(zhuǎn)4.2.2)；4.3)合并跟蹤序列，將4.1)和4.2)得到的序列合并，得到目標(biāo)O的完整跟蹤序列seq，seq＝{seqfore,O,seqback}；4.4)如果序列seq長度大于10，轉(zhuǎn)4.5)，否則轉(zhuǎn)4.6)；4.5)記序列seq長度為n，計算seq起始幀疑似淋巴結(jié)的質(zhì)心坐標(biāo)(x1,y1)，計算終止幀疑似淋巴結(jié)質(zhì)心坐標(biāo)(x2,y2)，計算首尾幀的位移變化計算每一幀的疑似淋巴結(jié)面積得到面積序列areaseq＝{a1,a2,...an}，從第二幀到終止幀依次計算其與前一幀的面積差，得到面積差序列areaDifSeq＝{a2-a1,a3-a2,...an-an-1}，求取面積平均變化值averAreaDif＝sum(abs(areaDifSeq))/n，若dist＞5并且averAreaDif≤5，確定seq為血管序列，相應(yīng)的疑似淋巴結(jié)標(biāo)記為血管；4.6)記序列seq長度為n，計算每一幀的疑似淋巴結(jié)面積得到面積序列areaseq＝{a1,a2,...an}，從第二幀到終止幀依次計算其與前一幀的面積差，得到面積差序列areaDifSeq＝{a2-a1,a3-a2,...an-an-1}，求取面積平均變化值averAreaDif＝sum(abs(areaDifSeq))/n，若averAreaDif大于5，確定seq為淋巴結(jié)序列，相應(yīng)的疑似淋巴結(jié)標(biāo)記為淋巴結(jié)；4.7)如果集合Objs中還有未跟蹤的元素，轉(zhuǎn)4.1)，否則轉(zhuǎn)步驟5；步驟5，結(jié)果輸出5.1)將低秩跟蹤和區(qū)域重疊跟蹤識別出的所有淋巴結(jié)在原圖相應(yīng)幀相應(yīng)位置進行標(biāo)注，然后輸出。本發(fā)明具有以下優(yōu)點:第一，本發(fā)明在單幀目標(biāo)檢測階段除了利用疑似淋巴結(jié)的空間位置信息及灰度特征，還結(jié)合了其形狀特征，去除了盡可能多的無關(guān)區(qū)域，極大的方便了后續(xù)的跟蹤處理；第二，本發(fā)明在跟蹤階段沒有從第一幀開始依次向后跟蹤，而是采用了從最大區(qū)域開始跟蹤的方式，這種跟蹤方式更符合醫(yī)生的習(xí)慣。第三，本發(fā)明在跟蹤階段根據(jù)淋巴結(jié)和血管的特性，將所有待跟蹤疑似淋巴結(jié)依據(jù)大小采用不同的方法進行跟蹤，對于大于11×11的疑似淋巴結(jié)采用了在局部區(qū)域中運用低秩模型進行建模分析，能夠快速的確定其首尾幀位置，得到跟蹤序列，對于小于11×11的疑似淋巴結(jié)采用了區(qū)域重疊的方式進行跟蹤，得到其跟蹤序列，兩種跟蹤方法都在一定程度上可以解決由于前期提取失敗導(dǎo)致的跟蹤中斷問題；第四，本發(fā)明在淋巴結(jié)和血管的分類識別階段沒有依賴于長度，對于大于11×11的疑似淋巴結(jié)是依據(jù)首尾幀與當(dāng)前幀的區(qū)域變化進行淋巴結(jié)判別，對于小于11×11的疑似淋巴結(jié)按跟蹤序列長度分別處理，對于長序列依據(jù)位移變化識別血管，對于短序列依據(jù)面積變化識別出淋巴結(jié)。仿真實驗結(jié)果表明，本發(fā)明提出的基于低秩分解的胃部CT圖像淋巴結(jié)識別系統(tǒng)和方法能在有效地對所有疑似淋巴結(jié)進行準(zhǔn)確的跟蹤，進而較為準(zhǔn)確的識別出其中的淋巴結(jié)。附圖說明圖1是本發(fā)明的結(jié)構(gòu)框圖；圖2是本發(fā)明實現(xiàn)方法單幀檢測部分的流程圖；圖3是本發(fā)明實現(xiàn)方法跟蹤部分的流程圖；圖4是本發(fā)明的一幅待檢測圖像F；圖5是本發(fā)明對待檢測圖像進行單幀目標(biāo)提取后得到的圖像；圖6是本發(fā)明一個待跟蹤大目標(biāo)對應(yīng)的初始局部序列圖S1；圖7是本發(fā)明對初始局部序列圖S1中當(dāng)前幀復(fù)制后得到的局部序列圖S2；圖8是本發(fā)明對圖7中的局部序列圖S2進行低秩分解后得到的背景序列圖；圖9是本發(fā)明對圖7中的局部序列圖S2進行低秩分解后得到的前景序列圖；圖10是本方面對圖8的背景序列基于方差求出的初始首尾幀示意圖；圖11是本發(fā)明對初始首尾幀進行調(diào)整后得到的新的首尾幀示意圖；圖12是本發(fā)明通過低秩跟蹤得到的一個面積較大的淋巴結(jié)的序列圖；圖13是本發(fā)明通過區(qū)域重疊跟蹤得到的一個面積較小的淋巴結(jié)的序列圖；圖14是本發(fā)明得到的一個血管的跟蹤序列圖；圖15是本發(fā)明的最終識別結(jié)果圖。具體實施方式下面結(jié)合附圖對本發(fā)明做進一步描述。參照圖1，本發(fā)明基于低秩分解的胃部CT圖像淋巴結(jié)識別系統(tǒng)，包括單幀目標(biāo)檢測模塊、局部自適應(yīng)窗口排序模塊、低秩跟蹤模塊、區(qū)域重疊跟蹤模塊、結(jié)果輸出模塊，其中：單幀目標(biāo)提取模塊，用于在序列圖的每一幀上提取出疑似淋巴結(jié)，并對所有疑似淋巴結(jié)構(gòu)造局部自適應(yīng)窗口；局部自適應(yīng)窗口排序模塊，用于對序列圖上的所有疑似淋巴結(jié)的局部自適應(yīng)窗口依據(jù)面積排序；低秩跟蹤模塊，用于對大疑似淋巴結(jié)在局部區(qū)域構(gòu)造觀測矩陣，利用低秩模型進行矩陣分解，得到背景序列和前景序列，在背景序列中快速確定序列首尾幀位置，并對首尾幀位置進行細微調(diào)整，最后基于首尾幀和當(dāng)前幀的區(qū)域變化來進行淋巴結(jié)的判斷；區(qū)域重疊跟蹤模塊，用于對小疑似淋巴結(jié)通過區(qū)域重疊匹配跟蹤來得到小疑似淋巴結(jié)的完整跟蹤序列，然后對于長序列依據(jù)位移變化識別血管，對于短序列依據(jù)面積變化識別淋巴結(jié)；結(jié)果輸出模塊，用于將識別出的結(jié)果在原序列圖上標(biāo)注輸出。參照圖1，所述的單幀目標(biāo)檢測模塊，包括預(yù)處理子模塊，基于最大類間方差的多閾值分割子模塊，區(qū)域特征計算子模塊，疑似淋巴結(jié)提取子模塊，局部自適應(yīng)窗口構(gòu)造子模塊，其中：該預(yù)處理子模塊，用于通過形態(tài)學(xué)填充保留圖像中面積最大的區(qū)域來去掉檢查床區(qū)域，通過半徑為的圓盤算子腐蝕邊界去掉皮下脂肪區(qū)域，通過窗口為3*3的中值濾波操作來去掉噪點，得到預(yù)處理圖；該基于最大類間方差的多閾值分割子模塊，用于通過最大類間方差多閾值分割算法將預(yù)處理圖分為4類，按灰度從小到大依次為背景區(qū)域，脂肪區(qū)域，臟器淋巴結(jié)區(qū)域，高亮區(qū)域；該區(qū)域特征計算子模塊，用于對臟器淋巴結(jié)區(qū)域圖中的每一個區(qū)域R，計算區(qū)域面積A，區(qū)域浸潤于脂肪區(qū)域的浸潤率I，區(qū)域的圓形性E，區(qū)域的凹凸度C，其中，區(qū)域浸潤于脂肪區(qū)域的浸潤率I定義為區(qū)域R的外邊界與脂肪區(qū)域交集像素個數(shù)除以外邊界總像素個數(shù)，區(qū)域的圓形性E定義為區(qū)域質(zhì)心到邊界的平均距離除以區(qū)域質(zhì)心到邊界點距離的均方差，區(qū)域的凹凸度C定義為區(qū)域面積除以區(qū)域外接凸多邊形的面積；該疑似淋巴結(jié)提取子模塊，用于在臟器淋巴結(jié)圖中將同時滿足區(qū)域面積A＞5，區(qū)域浸潤率I＝1，區(qū)域圓形性E＞t1，區(qū)域凹凸度C＞t2的區(qū)域提出出來，得到待跟蹤的目標(biāo)圖，其中t1由所有區(qū)域進行直方圖統(tǒng)計得到，t2取經(jīng)驗值0.8；該局部自適應(yīng)窗口構(gòu)造子模塊，用于對疑似淋巴結(jié)以質(zhì)心為中心，外接矩形為邊界構(gòu)造局部自適應(yīng)窗口。參照圖1，所述的低秩跟蹤模塊，包括觀測矩陣構(gòu)建子模塊，基于低秩模型的矩陣分解子模塊，初始首尾幀確定子模塊，首尾幀調(diào)整子模塊，淋巴結(jié)識別子模塊，其中：該觀測矩陣構(gòu)建子模塊，用于以當(dāng)前幀為中心在固定的局部區(qū)域向前向后各取長度為l的局部圖像構(gòu)建觀測矩陣D，D＝[Dleft,Dcur,Dright]，其中Dleft由在當(dāng)前幀向前連續(xù)取l幀，截取局部區(qū)域，拉成一列后構(gòu)成，Dcur由將當(dāng)前幀局部區(qū)域拉成一列復(fù)制cl份后構(gòu)成，Dright由在當(dāng)前幀向后連續(xù)取l幀，截取局部區(qū)域，拉成一列后構(gòu)成，l取值15，cl取值30；該基于低秩模型的矩陣分解子模塊用于通過低秩模型對觀測矩陣D進行低秩分解，得到背景序列B和前景序列S，其中，所用的低秩模型為D為觀測矩陣，B是低秩的背景部分，S是前景支撐，ε是一個圖結(jié)構(gòu)，ε＝(V,E)，其中V是所有像素點構(gòu)成的點，E為同在前景上的像素連接成的邊；該首尾幀確定子模塊用于對背景序列B中計算每一列的方差，得到v＝[vleft,vcur,vright]，計算vleft中方差小于t的幀序號，將序號最大的標(biāo)記為初始起始幀start，計算vright中方差小于t的幀序號，將序號最小的標(biāo)記為初始終止幀end；該首尾幀調(diào)整子模塊用于計算start附近3幀的區(qū)域面積，選取其中最小的為調(diào)整后的起始幀start，計算end附近3幀的區(qū)域面積，選取其中最小的為調(diào)整后的終止幀；該淋巴結(jié)識別子模塊，用于對跟蹤的疑似淋巴結(jié)依據(jù)首尾幀與當(dāng)前幀的局部區(qū)域面積變化來判別其是否是淋巴結(jié)。參照圖1，所述的區(qū)域重疊跟蹤模塊，包括前向跟蹤子模塊，后向跟蹤子模塊，基于面積變化的淋巴結(jié)識別子模塊，基于位移和面積特征的血管識別子模塊，其中：該前向跟蹤子模塊用于通過兩次區(qū)域重疊的方式從當(dāng)前幀向前進行目標(biāo)的匹配，第一次匹配是作用于單幀目標(biāo)檢測模塊提取出的疑似淋巴結(jié)目標(biāo)圖上，如果第一次匹配成功，則更新目標(biāo)，如果不成功則進行第二次匹配，第二次匹配是作用于單幀目標(biāo)檢測模塊所得到的臟器淋巴結(jié)圖像上，如果第二次匹配成功則進行判斷目標(biāo)是否可信，不可信的話給出預(yù)測值，如果第二次匹配失敗則終止跟蹤，通過迭代最終得到待跟蹤目標(biāo)向前的序列；該后向跟蹤子模塊，用于通過兩次區(qū)域重疊的方式從當(dāng)前幀向后進行目標(biāo)的匹配，第一次匹配是作用于單幀目標(biāo)檢測模塊提取出的疑似淋巴結(jié)目標(biāo)圖上，如果第一次匹配成功，則更新目標(biāo)，如果不成功則進行第二次匹配，第二次匹配是作用于單幀目標(biāo)檢測模塊所得到的臟器淋巴結(jié)圖像上，如果第二次匹配成功則進行判斷目標(biāo)是否可信，不可信的話給出預(yù)測值，如果第二次匹配失敗則終止跟蹤，通過迭代最終得到待跟蹤目標(biāo)向后的序列，結(jié)合前向跟蹤子模塊得到目標(biāo)的完整跟蹤序列；該基于面積變化的淋巴結(jié)識別子模塊，用于對長度小于等于10的跟蹤序列，計算序列中相鄰幀之間的面積變化，求取所有的面積變化平均值，將平均變化值大于5的序列確定為淋巴結(jié)序列，將相應(yīng)的疑似淋巴結(jié)標(biāo)記為淋巴結(jié)；該基于位移和面積特征的血管識別子模塊，用于對長度大于10的跟蹤序列，計算其序列中首尾幀之間的位移變化，計算序列中相鄰幀之間的面積變化，求取所有的面積變化平均值，將位移變化大于5并且面積變化平均值小于等于5的序列確定為血管序列，將相應(yīng)的疑似淋巴結(jié)標(biāo)記為血管；參照圖2和圖3，本發(fā)明基于低秩分解的胃部CT圖像淋巴結(jié)識別方法的具體實施步驟如下：步驟1，單幀目標(biāo)提取1.1)輸入一幅待檢測圖像F，如圖4所示；1.2)將F中非零像素置1，填充所有區(qū)域，保留其中面積最大的區(qū)域，記為F2；1.3)構(gòu)建半徑為19的圓盤算子se，用se對F2進行腐蝕運算得到去掉皮下脂肪區(qū)域的圖像F3；1.4)對F3進行中值濾波，去掉其中的一些噪點，得到預(yù)處理后的圖像F4，其中中值濾波選取模版大小為3*3；1.5)在F4中通過最大類間方差計算3個閾值將F4分割為4類區(qū)域，依據(jù)灰度從小到大依次為背景區(qū)域，脂肪區(qū)域，臟器淋巴結(jié)區(qū)域，高亮區(qū)域，記臟器淋巴結(jié)區(qū)域為F6，脂肪區(qū)域為F7；1.6)對F6中每一個區(qū)域R，計算區(qū)域面積A，區(qū)域浸潤于脂肪區(qū)域的浸潤率I，區(qū)域的圓形性E，區(qū)域的凹凸度C，其中，區(qū)域浸潤于脂肪區(qū)域的浸潤率I定義為區(qū)域R的外邊界與脂肪區(qū)域交集像素個數(shù)除以外邊界總像素個數(shù)，區(qū)域的圓形性E定義為區(qū)域質(zhì)心到邊界的平均距離除以區(qū)域質(zhì)心到邊界點距離的均方差，區(qū)域的凹凸度C定義為區(qū)域面積除以區(qū)域外接凸多邊形的面積；1.7)將F6中同時滿足A＞5，I＝1，E＞t1，C＞0.8的區(qū)域作為疑似淋巴結(jié)區(qū)域，得到待跟蹤的目標(biāo)圖像F8，如圖5所示，其中t1由F6中所有區(qū)域的圓形性經(jīng)過直方圖統(tǒng)計得出；1.8)對每一個疑似淋巴結(jié)以其質(zhì)心為中心，外接矩形為邊界構(gòu)造局部自適應(yīng)窗口；1.9)若序列圖處理完畢，則轉(zhuǎn)步驟2，否則，轉(zhuǎn)1.1)；步驟2，局部自適應(yīng)窗口排序2.1)將所有幀的所有疑似淋巴結(jié)的局部自適應(yīng)窗口依據(jù)面積從大到小排序，得到待跟蹤的疑似淋巴結(jié)集合Objs＝(O1,O2,...On)，其中目標(biāo)集合Objs按區(qū)域大小降序排列；步驟3，基于低秩模型的淋巴結(jié)跟蹤識別3.1)從Objs中取一個未跟蹤疑似淋巴結(jié)O，記O所在幀號為cur，若O局部自適應(yīng)窗口大小大于11×11，轉(zhuǎn)3.2)，否則轉(zhuǎn)步驟4；3.2)記待跟蹤目標(biāo)O所在局部窗口為W，在原圖上向前取l幀，即取cur-l到cur-1幀，在每一幀上截取同樣的窗口W，將局部窗口像素拉成一列，得到Dleft，將當(dāng)前幀的窗口像素拉成一列，并復(fù)制cl份，得到Dcur，向后取l幀，即取cur+1到cur+l幀，在每一幀上截取同樣的窗口W，將局部窗口像素拉成一列，得到Dright，3部分共同組成觀測矩陣D，D＝[Dleft,Dcur,Dright]，如圖6和圖7所示，圖6為未進行復(fù)制的初始觀測序列，圖7是當(dāng)前幀復(fù)制后的觀測序列，其中五角星標(biāo)記的位置為當(dāng)前幀位置，實驗中l(wèi)取值15，cl取值30；3.3)通過低秩模型對觀測矩陣D進行分解，得到背景序列B和前景序列S，其中，所用的低秩模型為D為觀測矩陣，B是低秩的背景部分，S是前景支撐，ε是一個圖結(jié)構(gòu)，ε＝(V,E)，其中V是所有像素點構(gòu)成的點，E為同在前景上的像素連接成的邊,低秩分解的結(jié)果如圖8和圖9所示，圖8是分解后的背景序列，圖9是分解后的前景序列；3.4)對于背景序列B，計算每一列元素的方差，得到v＝[vleft,vcur,vright]，計算vleft中方差小于t的幀序號，將序號最大的標(biāo)記為初始起始幀start，計算vright中方差小于t的幀序號，將序號最小的標(biāo)記為初始終止幀end，如圖10所示，三角形標(biāo)記的位置為初始的首尾幀，五角星標(biāo)記的位置為當(dāng)前幀；3.5)在起始幀start前3幀計算每一幀中的目標(biāo)面積，選取其中最小的作為調(diào)整后的起始幀start，在終止幀end后3幀計算每一幀中的目標(biāo)面積，選取其中最小的作為調(diào)整后的終止幀end，如圖11所示，三角形標(biāo)記的位置為調(diào)整后的首尾幀，五角星標(biāo)記的位置為當(dāng)前幀；3.6)計算起始幀start和當(dāng)前幀cur在疑似淋巴結(jié)O所在區(qū)域的面積變化率r1，計算終止幀end和當(dāng)前幀cur在O所在區(qū)域的面積變化率r2，若r1＜0.5并且r2＜0.5，則標(biāo)記疑似淋巴結(jié)O為淋巴結(jié)；3.7)在集合Objs中將已經(jīng)被O所跟蹤到的元素標(biāo)記為已跟蹤；3.8)如果集合Objs中還有未跟蹤的元素，轉(zhuǎn)3.1)，否則轉(zhuǎn)步驟5；步驟4，基于區(qū)域重疊的淋巴結(jié)跟蹤識別4.1)前向跟蹤4.1.1)初始化一個不可信的區(qū)域集temp＝{}，初始化前向序列長度lfore＝0，初始化前向跟蹤序列seqfore＝{}；4.1.2)取前一幀對應(yīng)的目標(biāo)區(qū)域圖Fpre，對Fpre與O做與運算，得到重疊的區(qū)域Dinsect，若Dinsect非空，通過形態(tài)學(xué)重構(gòu)得到Dinsect在Fpre中的完整區(qū)域，若得到多個連通區(qū)域，計算每一個區(qū)域質(zhì)心到O的質(zhì)心的距離，選其中距離最小的一個區(qū)域，即為前一幀中與O對應(yīng)的疑似淋巴結(jié)Opre，向前加入序列seqfore，seqfore＝{Opre,seqfore}，轉(zhuǎn)4.1.6)，若Dinsect為空，轉(zhuǎn)4.1.3)；4.1.3)取前一幀對應(yīng)的二值臟器淋巴結(jié)圖Gpre，對Gpre與O做與運算，得到重疊的區(qū)域Iinsect，若Iinsect非空，通過形態(tài)學(xué)重構(gòu)得到Iinsect在Fpre中的完整區(qū)域，若得到多個區(qū)域，計算每一個區(qū)域質(zhì)心到O的質(zhì)心的距離，選其中距離最小的一個區(qū)域，暫記為前一幀中與O對應(yīng)的目標(biāo)Opre；4.1.4)計算O的面積，記為Area(O)，計算O的質(zhì)心，記為(x,y)，計算Opre的面積，記為Area(Opre)，計算Opre的質(zhì)心，記為(xpre,ypre)，計算面積比例a＝max(Area(O),Area(Opre))/min(Area(O),Area(Opre))，計算位移變化若a＜4并且d＜3,將Opre向前加入序列seqfore，seqfore＝{Opre,seqfore}，清空temp，temp＝{}，若a≥4或者d≥3，認為Opre與其他區(qū)域發(fā)生粘連，屬于不可信的區(qū)域，將Opre加入不可信的區(qū)域集temp前面，temp＝{Opre,temp}，用當(dāng)前的目標(biāo)區(qū)域O來代替Opre，Opre＝O，向前加入序列seqfore，seqfore＝{Opre,seqfore}；4.1.5)記temp長度為ltemp，若ltemp大于等于3，清空temp，temp＝{}，刪除seqfore中最開始的ltemp幀，轉(zhuǎn)4.2)，否則轉(zhuǎn)4.1.6)，4.1.6)更新O為Opre，更新lfore＝lfore+1，若lfore＞＝30，轉(zhuǎn)4.2)，否則，轉(zhuǎn)4.1.2)；4.2)后向跟蹤4.2.1)初始化一個不可信的區(qū)域集temp＝{}，初始化后向序列長度lback＝0，初始化后向跟蹤序列seqback＝{}；4.2.2)取后一幀對應(yīng)的二值疑似淋巴結(jié)區(qū)域圖Fback，對Fback與O做與運算，得到重疊的區(qū)域Dinsect，若Dinsect非空，通過形態(tài)學(xué)重構(gòu)得到Dinsect在Fback中的完整區(qū)域，若得到多個連通區(qū)域，計算每一個區(qū)域質(zhì)心到O的質(zhì)心的距離，選其中距離最小的一個區(qū)域，即為后一幀中與O對應(yīng)的疑似淋巴結(jié)Onext，向后加入序列seqback，seqback＝{seqback,Onext}，轉(zhuǎn)4.2.6)，若Dinsect為空，轉(zhuǎn)4.2.3)；4.2.3)取后一幀對應(yīng)的二值臟器淋巴結(jié)圖Gnext，對Gnext與O做與運算，得到重疊的區(qū)域Iinsect，若Iinsect非空，通過形態(tài)學(xué)重構(gòu)得到Iinsect在Gnext中的完整區(qū)域，若得到多個區(qū)域，計算每一個區(qū)域質(zhì)心到O的質(zhì)心的距離，選其中距離最小的一個區(qū)域，暫記為后一幀中與O對應(yīng)的目標(biāo)Onext；4.2.4)計算O的面積，記為Area(O)，計算O的質(zhì)心，記為(x,y)，計算Onext的面積，記為Area{Onext}，計算Onext的質(zhì)心，記為(xnext,ynext)，計算面積比例a＝max(Area(O),Area(Onext))/min(Area(O),Area(Onext))，計算位移變化若a＜4并且d＜3,將Onext向后加入序列seqback，seqback＝{seqback,Onext}，清空temp，temp＝{}，若a≥4或者d≥3，認為Onext與其他區(qū)域發(fā)生粘連，屬于不可信的區(qū)域，將Onext加入不可信的區(qū)域集temp前面，temp＝{temp,Onext}，用當(dāng)前的目標(biāo)O來代替Onext，Onext＝O，向后加入序列seqback，seqback＝{seqback,Onext}；4.2.5)若temp長度為ltemp，若ltemp大于等于3，清空temp，temp＝{}，刪除seqfore中最后面的ltemp幀，轉(zhuǎn)4.2)，否則轉(zhuǎn)4.2.6)；4.2.6)更新O為Opre，更新lfore＝lfore+1，若lfore＞＝30，轉(zhuǎn)4.3)，否則，轉(zhuǎn)4.2.2)；4.3)合并跟蹤序列，將4.1)和4.2)得到的序列合并，得到目標(biāo)O的完整跟蹤序列seq，seq＝{seqfore,O,seqback}；4.4)如果序列seq長度大于10，轉(zhuǎn)4.5)，否則轉(zhuǎn)4.6)；4.5)記序列seq長度為n，對序列seq計算其起始幀疑似淋巴結(jié)的質(zhì)心坐標(biāo)(x1,y1)，計算終止幀疑似淋巴結(jié)質(zhì)心坐標(biāo)(x2,y2)，計算首尾幀的位移變化計算每一幀的疑似淋巴結(jié)面積得到面積序列areaseq＝{a1,a2,...an}，從第二幀到終止幀依次計算其與前一幀的面積差，得到面積差序列areaDifSeq＝{a2-a1,a3-a2,...an-an-1}，求取面積平均變化值averAreaDif＝sum(abs(areaDifSeq))/n，若dist＞5并且averAreaDif≤5，確定seq為血管序列，相應(yīng)的疑似淋巴結(jié)標(biāo)記為血管；4.6)記序列seq長度為n，計算每一幀的疑似淋巴結(jié)面積得到面積序列areaseq＝{a1,a2,...an}，從第二幀到終止幀依次計算其與前一幀的面積差，得到面積差序列areaDifSeq＝{a2-a1,a3-a2,...an-an-1}，求取面積平均變化值averAreaDif＝sum(abs(areaDifSeq))/n，若averAreaDif大于5，確定seq為淋巴結(jié)序列，相應(yīng)的疑似淋巴結(jié)標(biāo)記為淋巴結(jié)；4.7)如果集合Objs中還有未跟蹤的元素，轉(zhuǎn)4.1)，否則轉(zhuǎn)步驟5；步驟5，結(jié)果輸出5.1)將低秩跟蹤和區(qū)域重疊跟蹤識別出的所有淋巴結(jié)在原圖相應(yīng)幀相應(yīng)位置進行標(biāo)注，然后輸出。本發(fā)明的效果可以通過以下對胃部CT圖像的仿真數(shù)據(jù)進一步說明：1.實驗條件本發(fā)明的仿真在windows7，SPI，CPUIntel(R)Core(TM)2Duo，基本頻率3.0GHZ，軟件平臺為MatlabR2011b運行，仿真選用的胃部CT圖像來自北京腫瘤醫(yī)院影像數(shù)據(jù)，且本發(fā)明采用的測試圖像均有北京腫瘤醫(yī)院放射科醫(yī)生進行淋巴結(jié)標(biāo)注的標(biāo)準(zhǔn)圖像，根據(jù)對已標(biāo)注的淋巴結(jié)的遺漏情況評價本發(fā)明系統(tǒng)的有效性，實驗中的低秩分解前后所選取幀數(shù)l＝15，當(dāng)前幀復(fù)制的次數(shù)cl＝30。2.仿真內(nèi)容及結(jié)果仿真內(nèi)容，將本發(fā)明系統(tǒng)應(yīng)用于胃部CT圖像中的淋巴結(jié)識別。仿真結(jié)果如圖12-圖15所示，其中圖12是通過低秩跟蹤被確定為淋巴結(jié)的疑似淋巴結(jié)序列圖，圖13是通過區(qū)域重疊跟蹤被確定為淋巴結(jié)的疑似淋巴結(jié)序列圖，圖14是一個跟蹤得到的血管序列圖，圖15是最后的結(jié)果顯示，圖15(a)和15(b)是醫(yī)生在原圖上標(biāo)記了淋巴結(jié)的圖像，圖15(c)-15(f)是本發(fā)明所得到的結(jié)果圖，白色帶框部分代表本發(fā)明識別出的淋巴結(jié)。圖12說明對于大的目標(biāo)，低秩技術(shù)可以很好的完成疑似淋巴結(jié)的跟蹤，圖13和圖14說明了區(qū)域重疊跟蹤對于小疑似淋巴結(jié)跟蹤的準(zhǔn)確性，圖15的結(jié)果說明本發(fā)明的結(jié)果準(zhǔn)確有效。在實驗所取的序列中醫(yī)生共標(biāo)注了7個淋巴結(jié)，通過本發(fā)明我們總共識別出15個淋巴結(jié)，其中包括了醫(yī)生標(biāo)注的7個淋巴結(jié)，識別成功率高，同時區(qū)分了干擾的血管序列，誤檢率低。以上結(jié)果表明：本發(fā)明能夠有效的對所有目標(biāo)進行跟蹤，準(zhǔn)確的區(qū)分淋巴結(jié)和血管序列，是一種有效的淋巴結(jié)識別系統(tǒng)。