本發(fā)明涉及醫(yī)療設(shè)備領(lǐng)域，具體涉及一種計算機輔助胃癌診斷系統(tǒng)。

背景技術(shù)：

相關(guān)技術(shù)中,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(xué)處理之后制作成目標(biāo)涂片；有著豐富經(jīng)驗的兵力醫(yī)生在顯微鏡下自習(xí)觀察涂片中目標(biāo)核、目標(biāo)漿的形貌、顏色特點，根據(jù)相關(guān)的醫(yī)學(xué)標(biāo)準(zhǔn)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(jìn)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；2)工作效率低下,容易延誤診斷結(jié)果；2)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。

技術(shù)實現(xiàn)要素：

為解決上述問題，本發(fā)明旨在提供一種計算機輔助胃癌診斷系統(tǒng)。

本發(fā)明的目的采用以下技術(shù)方案來實現(xiàn)：

一種計算機輔助胃癌診斷系統(tǒng)，包括樣本圖像采集裝置、目標(biāo)追蹤裝置和目標(biāo)判斷裝置，所述樣本圖像采集裝置用于采集多個胃部切片圖；所述目標(biāo)追蹤裝置用于對每個胃部切片圖進(jìn)行處理,確定目標(biāo),并基于粒子濾波對連續(xù)的胃部切片圖中的目標(biāo)進(jìn)行逐個跟蹤，得到每個目標(biāo)的運動軌跡段；所述目標(biāo)判斷裝置用于通過計算機對每個目標(biāo)進(jìn)行是否為淋巴結(jié)的判斷,并輸出判斷結(jié)果,從而完成淋巴結(jié)的識別。

本發(fā)明的有益效果為：采用了基于目標(biāo)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，從而解決了上述的技術(shù)問題。

附圖說明

利用附圖對本發(fā)明作進(jìn)一步說明，但附圖中的應(yīng)用場景不構(gòu)成對本發(fā)明的任何限制，對于本領(lǐng)域的普通技術(shù)人員，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)以下附圖獲得其它的附圖。

圖1是本發(fā)明的結(jié)構(gòu)示意圖；

圖2是本發(fā)明目標(biāo)追蹤裝置的模塊連接示意圖。

附圖標(biāo)記：

樣本圖像采集裝置1、目標(biāo)追蹤裝置2、目標(biāo)判斷裝置3、感興趣區(qū)域檢測模塊21、目標(biāo)區(qū)域確定模塊22、目標(biāo)定位模塊23、初始化子模塊221、狀態(tài)轉(zhuǎn)移模型建立子模塊222、觀測模型建立子模塊223、目標(biāo)候選區(qū)域計算子模塊224、位置修正子模塊225、重采樣子模塊226。

具體實施方式

結(jié)合以下應(yīng)用場景對本發(fā)明作進(jìn)一步描述。

應(yīng)用場景1

參見圖1、圖2，本應(yīng)用場景的一個實施例的復(fù)雜場景下的計算機輔助胃癌診斷系統(tǒng)，包括樣本圖像采集裝置1、目標(biāo)追蹤裝置2和目標(biāo)判斷裝置3，所述樣本圖像采集裝置1用于采集多個胃部切片圖；所述目標(biāo)追蹤裝置2用于對每個胃部切片圖進(jìn)行處理,確定目標(biāo),并基于粒子濾波對連續(xù)的胃部切片圖中的目標(biāo)進(jìn)行逐個跟蹤，得到每個目標(biāo)的運動軌跡段；所述目標(biāo)判斷裝置3用于通過計算機對每個目標(biāo)進(jìn)行是否為淋巴結(jié)的判斷,并輸出判斷結(jié)果,從而完成淋巴結(jié)的識別。

本發(fā)明上述實施例采用了基于目標(biāo)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，從而解決了上述的技術(shù)問題。

優(yōu)選的，所述通過計算機對每個目標(biāo)進(jìn)行是否為淋巴結(jié)的判斷,包括:依次對每個目標(biāo)軌跡中目標(biāo)前后幀面積差求其平均值，如果平均值大于預(yù)定的第一閾值，則將此目標(biāo)標(biāo)記為候選淋巴結(jié),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(biāo)中心歐氏距離的平均值，如果平均值小于預(yù)定的第二閾值，則判定為淋巴。

本優(yōu)選實施例采用前后幀面積差平均值及歐氏距離分別與設(shè)定閾值進(jìn)行比較的方法對每個目標(biāo)進(jìn)行是否為淋巴結(jié)的判斷，判斷方便快捷，準(zhǔn)確度高。

優(yōu)選的，所述第一閾值為10,第二閾值為2。

本優(yōu)選實施例進(jìn)一步提高了淋巴結(jié)識別的精度。

優(yōu)選的，所述目標(biāo)追蹤裝置2包括感興趣區(qū)域檢測模塊21、目標(biāo)區(qū)域確定模塊22和目標(biāo)定位模塊23；所述感興趣區(qū)域檢測模塊21用于在胃部切片圖中提取胃壁周圍感興趣區(qū)域D₁并以此作為目標(biāo)模板；所述目標(biāo)區(qū)域確定模塊22用于建立粒子狀態(tài)轉(zhuǎn)移和觀測模型并基于上述模型，采用粒子濾波預(yù)測目標(biāo)候選區(qū)域；所述目標(biāo)定位模塊23用于對所述目標(biāo)候選區(qū)域和所述目標(biāo)模板進(jìn)行特征相似度量，獲得目標(biāo)的坐標(biāo)。

本優(yōu)選實施例構(gòu)建了目標(biāo)追蹤裝置2的模塊架構(gòu)。

優(yōu)選的，所述目標(biāo)區(qū)域確定模塊22包括：

(1)初始化子模塊221：用于在所述感興趣區(qū)域D₁內(nèi)隨機選取數(shù)量為n的粒子并對各粒子進(jìn)行初始化處理，初始化處理后粒子的初始狀態(tài)為x₀ⁱ，初始權(quán)值為{Q_oⁱ＝1/n,i＝1,...n}；

(2)狀態(tài)轉(zhuǎn)移模型建立子模塊222：用于建立粒子狀態(tài)轉(zhuǎn)移模型，所述粒子狀態(tài)轉(zhuǎn)移模型采用下式：

$x_m^i={\mathrm{Ax}}_{m-1}^i+v_m^i$

式中，表示m時刻的新粒子，m≥2，為均值為0的高斯白噪聲，A為2階單位陣；m-1時刻的粒子通過狀態(tài)轉(zhuǎn)移模型傳播；

(2)觀測模型建立子模塊223，用于通過顏色直方圖、紋理特征直方圖和運動邊緣特征相結(jié)合的方式建立粒子觀測模型；

(2)目標(biāo)候選區(qū)域計算子模塊224：其利用最小方差估計來計算目標(biāo)候選區(qū)域：

$x_{now}=\underset{j=1}{\overset{n}{\Σ}}{Q}_m^j\·x_m^j$

式中，x_now表示計算的當(dāng)前幀圖像的目標(biāo)候選區(qū)域，表示m時刻第j個粒子的對應(yīng)狀態(tài)值；

(5)位置修正子模塊225：用于修正異常數(shù)據(jù)：

$x_{pre}=\underset{j=1}{\overset{n}{\Σ}}{Q}_{m-1}^j\·x_{m-1}^j$

式中，x_pre表示計算的當(dāng)前幀圖像的目標(biāo)候選區(qū)域，表示m-1時刻第j個粒子的對應(yīng)狀態(tài)值；

設(shè)置數(shù)據(jù)異常評價函數(shù)P＝|x_now-x_pre|，若P的值大于設(shè)定的經(jīng)驗值T,則x_now＝x_pre；

(6)重采樣子模塊226：用于通過重采樣操作刪除權(quán)值過小的粒子，重采樣時，利用系統(tǒng)當(dāng)前時刻預(yù)測和觀測的差值提供新息殘差，進(jìn)而通過量測新息殘差對采樣的粒子進(jìn)行在線自適應(yīng)性調(diào)整，采樣過程中粒子數(shù)量和信息殘差之間的關(guān)系定義為：

其中，N_m表示采樣過程中m時刻的粒子數(shù)量，N_max和N_min分別表示最小和最大粒子數(shù)，N_min+1表示僅大于N_min的粒子數(shù)，N_max-1表示僅小于N_max的粒子數(shù)，表示m時刻系統(tǒng)的新息殘差。

本優(yōu)選實施例采用基于顏色直方圖、紋理特征直方圖和運動邊緣特征相結(jié)合的方式進(jìn)行采樣粒子的權(quán)值更新，有效增強了跟蹤系統(tǒng)的魯棒性；設(shè)置位置修正子模塊225，能夠避免異常數(shù)據(jù)帶來的影響；在重采樣子模塊226中，利用當(dāng)前時刻預(yù)測和觀測的差值提供新息殘差，進(jìn)而通過量測新息殘差對采樣的粒子進(jìn)行在線自適應(yīng)性調(diào)整，并定義了采樣過程中粒子數(shù)量和信息殘差之間的關(guān)系，較好地保證了粒子采樣的高效性和算法的實時性。

優(yōu)選地，所述粒子觀測模型的粒子權(quán)值更新公式為：

$Q_m^j=\frac{\stackrel{\‾}{Q_{Cm}^j}\·\stackrel{\‾}{Q_{Mm}^j}\·\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1\stackrel{\‾}{Q_{Cm}^j}+{{\mathrm{\λ}}_2}^2\stackrel{\‾}{Q_{Mm}^j}+{{\mathrm{\λ}}_2}^3\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1{\mathrm{\λ}}_2{\mathrm{\λ}}_3}{(1+{\mathrm{\λ}}_1)(1+{\mathrm{\λ}}_2)(1+{\mathrm{\λ}}_3)}$

式中

$\stackrel{\‾}{Q_{Cm}^j}=Q_{Cm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Cm}^j,Q_{Cm}^j=Q_{C(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{A_m^2}{2{\mathrm{\σ}}^2})$

$\stackrel{\‾}{Q_{Mm}^j}=Q_{Mm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Mm}^j,Q_{Mm}^j=Q_{M(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{B_m^2}{2{\mathrm{\σ}}^2})$

$\stackrel{\‾}{Q_{Wm}^j}=Q_{Wm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Wm}^j,Q_{Wm}^j=Q_{W(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{C_m^2}{2{\mathrm{\σ}}^2})$

其中，表示m時刻第j個粒子的最終更新權(quán)值，和分別表示m時刻和m-1時刻中第j個粒子基于顏色直方圖的更新權(quán)值，表示m時刻和m-1時刻中第j個粒子基于運動邊緣的更新權(quán)值，表示m時刻和m-1時刻中第j個粒子基于紋理特征直方圖的更新權(quán)值，A_m為m時刻中第j個粒子基于顏色直方圖的觀測值與真實值之間的Bhattacharrya距離，B_m為m時刻中第j個粒子基于運動邊緣的觀測值與真實值之間的Bhattacharrya距離,C_m為m時刻中第j個粒子基于紋理特征直方圖的觀測值與真實值之間的Bhattacharrya距離,σ為高斯似然模型方差，λ₁為基于顏色直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，λ₂為基于運動邊緣的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子,λ₃為基于紋理特征直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子；

所述自適應(yīng)調(diào)整因子的計算公式為：

${\mathrm{\λ}}_s^m={\mathrm{\ξ}}_{m-1}\·\[-\underset{j=1}{\overset{n}{\Σ}}\left(p_{m-1}^{s/j}\right){\log }_2^{p_{m-1}^{s/j}}\],s=1,2,3;$

其中，s＝1時，表示m時刻中基于顏色直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時刻中基于顏色直方圖的特征值在j個粒子下的觀測概率值；s＝2時，表示m時刻中基于運動邊緣的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時刻中基于運動邊緣的特征值在j個粒子下的觀測概率值；s＝3時，表示m時刻中基于紋理特征直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時刻中基于紋理特征直方圖的特征值在j個粒子下的觀測概率值；ξ_m-1表示在m-1時刻中所有粒子的空間位置方差值。

本優(yōu)選實施例提出粒子觀測模型的粒子權(quán)值更新公式和自適應(yīng)調(diào)整因子的計算公式，對粒子的特征權(quán)值進(jìn)行融合處理，有效克服了加性融合和乘性融合存在的缺陷，進(jìn)一步增強了魯棒性。

在此應(yīng)用場景中，選取粒子數(shù)n＝50，跟蹤速度相對提高了8％，跟蹤精度相對提高了7％。

應(yīng)用場景2

參見圖1、圖2，本應(yīng)用場景的一個實施例的復(fù)雜場景下的計算機輔助胃癌診斷系統(tǒng)，包括樣本圖像采集裝置1、目標(biāo)追蹤裝置2和目標(biāo)判斷裝置3，所述樣本圖像采集裝置1用于采集多個胃部切片圖；所述目標(biāo)追蹤裝置2用于對每個胃部切片圖進(jìn)行處理,確定目標(biāo),并基于粒子濾波對連續(xù)的胃部切片圖中的目標(biāo)進(jìn)行逐個跟蹤，得到每個目標(biāo)的運動軌跡段；所述目標(biāo)判斷裝置3用于通過計算機對每個目標(biāo)進(jìn)行是否為淋巴結(jié)的判斷,并輸出判斷結(jié)果,從而完成淋巴結(jié)的識別。

本發(fā)明上述實施例采用了基于目標(biāo)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，從而解決了上述的技術(shù)問題。

優(yōu)選的，所述通過計算機對每個目標(biāo)進(jìn)行是否為淋巴結(jié)的判斷,包括:依次對每個目標(biāo)軌跡中目標(biāo)前后幀面積差求其平均值，如果平均值大于預(yù)定的第一閾值，則將此目標(biāo)標(biāo)記為候選淋巴結(jié),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(biāo)中心歐氏距離的平均值，如果平均值小于預(yù)定的第二閾值，則判定為淋巴。

本優(yōu)選實施例采用前后幀面積差平均值及歐氏距離分別與設(shè)定閾值進(jìn)行比較的方法對每個目標(biāo)進(jìn)行是否為淋巴結(jié)的判斷，判斷方便快捷，準(zhǔn)確度高。

優(yōu)選的，所述第一閾值為10,第二閾值為2。

本優(yōu)選實施例進(jìn)一步提高了淋巴結(jié)識別的精度。

優(yōu)選的，所述目標(biāo)追蹤裝置2包括感興趣區(qū)域檢測模塊21、目標(biāo)區(qū)域確定模塊22和目標(biāo)定位模塊23；所述感興趣區(qū)域檢測模塊21用于在胃部切片圖中提取胃壁周圍感興趣區(qū)域D₁并以此作為目標(biāo)模板；所述目標(biāo)區(qū)域確定模塊22用于建立粒子狀態(tài)轉(zhuǎn)移和觀測模型并基于上述模型，采用粒子濾波預(yù)測目標(biāo)候選區(qū)域；所述目標(biāo)定位模塊23用于對所述目標(biāo)候選區(qū)域和所述目標(biāo)模板進(jìn)行特征相似度量，獲得目標(biāo)的坐標(biāo)。

本優(yōu)選實施例構(gòu)建了目標(biāo)追蹤裝置2的模塊架構(gòu)。

優(yōu)選的，所述目標(biāo)區(qū)域確定模塊22包括：

(1)初始化子模塊221：用于在所述感興趣區(qū)域D₁內(nèi)隨機選取數(shù)量為n的粒子并對各粒子進(jìn)行初始化處理，初始化處理后粒子的初始狀態(tài)為x₀ⁱ，初始權(quán)值為{Q_oⁱ＝1/n,i＝1,...n}；

(2)狀態(tài)轉(zhuǎn)移模型建立子模塊222：用于建立粒子狀態(tài)轉(zhuǎn)移模型，所述粒子狀態(tài)轉(zhuǎn)移模型采用下式：

$x_m^i={\mathrm{Ax}}_{m-1}^i+v_m^i$

式中，表示m時刻的新粒子，m≥2，為均值為0的高斯白噪聲，A為2階單位陣；m-1時刻的粒子通過狀態(tài)轉(zhuǎn)移模型傳播；

(2)觀測模型建立子模塊223，用于通過顏色直方圖、紋理特征直方圖和運動邊緣特征相結(jié)合的方式建立粒子觀測模型；

(2)目標(biāo)候選區(qū)域計算子模塊224：其利用最小方差估計來計算目標(biāo)候選區(qū)域：

$x_{now}=\underset{j=1}{\overset{n}{\Σ}}{Q}_m^j\·x_m^j$

式中，x_now表示計算的當(dāng)前幀圖像的目標(biāo)候選區(qū)域，表示m時刻第j個粒子的對應(yīng)狀態(tài)值；

(5)位置修正子模塊225：用于修正異常數(shù)據(jù)：

$x_{pre}=\underset{j=1}{\overset{n}{\Σ}}{Q}_{m-1}^j\·x_{m-1}^j$

式中，x_pre表示計算的當(dāng)前幀圖像的目標(biāo)候選區(qū)域，表示m-1時刻第j個粒子的對應(yīng)狀態(tài)值；

設(shè)置數(shù)據(jù)異常評價函數(shù)P＝|x_now-x_pre|，若P的值大于設(shè)定的經(jīng)驗值T,則x_now＝x_pre；

(6)重采樣子模塊226：用于通過重采樣操作刪除權(quán)值過小的粒子，重采樣時，利用系統(tǒng)當(dāng)前時刻預(yù)測和觀測的差值提供新息殘差，進(jìn)而通過量測新息殘差對采樣的粒子進(jìn)行在線自適應(yīng)性調(diào)整，采樣過程中粒子數(shù)量和信息殘差之間的關(guān)系定義為：

其中，N_m表示采樣過程中m時刻的粒子數(shù)量，N_max和N_min分別表示最小和最大粒子數(shù)，N_min+1表示僅大于N_min的粒子數(shù)，N_max-1表示僅小于N_max的粒子數(shù)，表示m時刻系統(tǒng)的新息殘差。

本優(yōu)選實施例采用基于顏色直方圖、紋理特征直方圖和運動邊緣特征相結(jié)合的方式進(jìn)行采樣粒子的權(quán)值更新，有效增強了跟蹤系統(tǒng)的魯棒性；設(shè)置位置修正子模塊225，能夠避免異常數(shù)據(jù)帶來的影響；在重采樣子模塊226中，利用當(dāng)前時刻預(yù)測和觀測的差值提供新息殘差，進(jìn)而通過量測新息殘差對采樣的粒子進(jìn)行在線自適應(yīng)性調(diào)整，并定義了采樣過程中粒子數(shù)量和信息殘差之間的關(guān)系，較好地保證了粒子采樣的高效性和算法的實時性。

優(yōu)選地，所述粒子觀測模型的粒子權(quán)值更新公式為：

$Q_m^j=\frac{\stackrel{\‾}{Q_{Cm}^j}\·\stackrel{\‾}{Q_{Mm}^j}\·\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1\stackrel{\‾}{Q_{Cm}^j}+{{\mathrm{\λ}}_2}^2\stackrel{\‾}{Q_{Mm}^j}+{{\mathrm{\λ}}_2}^3\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1{\mathrm{\λ}}_2{\mathrm{\λ}}_3}{(1+{\mathrm{\λ}}_1)(1+{\mathrm{\λ}}_2)(1+{\mathrm{\λ}}_3)}$

式中

$\stackrel{\‾}{Q_{Cm}^j}=Q_{Cm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Cm}^j,Q_{Cm}^j=Q_{C(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{A_m^2}{2{\mathrm{\σ}}^2})$

$\stackrel{\‾}{Q_{Mm}^j}=Q_{Mm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Mm}^j,Q_{Mm}^j=Q_{M(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{B_m^2}{2{\mathrm{\σ}}^2})$

$\stackrel{\‾}{Q_{Wm}^j}=Q_{Wm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Wm}^j,Q_{Wm}^j=Q_{W(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{C_m^2}{2{\mathrm{\σ}}^2})$

其中，表示m時刻第j個粒子的最終更新權(quán)值，和分別表示m時刻和m-1時刻中第j個粒子基于顏色直方圖的更新權(quán)值，表示m時刻和m-1時刻中第j個粒子基于運動邊緣的更新權(quán)值，表示m時刻和m-1時刻中第j個粒子基于紋理特征直方圖的更新權(quán)值，A_m為m時刻中第j個粒子基于顏色直方圖的觀測值與真實值之間的Bhattacharrya距離，B_m為m時刻中第j個粒子基于運動邊緣的觀測值與真實值之間的Bhattacharrya距離,C_m為m時刻中第j個粒子基于紋理特征直方圖的觀測值與真實值之間的Bhattacharrya距離,σ為高斯似然模型方差，λ₁為基于顏色直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，λ₂為基于運動邊緣的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子,λ₃為基于紋理特征直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子；

所述自適應(yīng)調(diào)整因子的計算公式為：

${\mathrm{\λ}}_s^m={\mathrm{\ξ}}_{m-1}\·\[-\underset{j=1}{\overset{n}{\Σ}}\left(p_{m-1}^{s/j}\right){\log }_2^{p_{m-1}^{s/j}}\],s=1,2,3;$

其中，s＝1時，表示m時刻中基于顏色直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時刻中基于顏色直方圖的特征值在j個粒子下的觀測概率值；s＝2時，表示m時刻中基于運動邊緣的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時刻中基于運動邊緣的特征值在j個粒子下的觀測概率值；s＝3時，表示m時刻中基于紋理特征直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時刻中基于紋理特征直方圖的特征值在j個粒子下的觀測概率值；ξ_m-1表示在m-1時刻中所有粒子的空間位置方差值。

本優(yōu)選實施例提出粒子觀測模型的粒子權(quán)值更新公式和自適應(yīng)調(diào)整因子的計算公式，對粒子的特征權(quán)值進(jìn)行融合處理，有效克服了加性融合和乘性融合存在的缺陷，進(jìn)一步增強了魯棒性。

在此應(yīng)用場景中，選取粒子數(shù)n＝55，跟蹤速度相對提高了7％，跟蹤精度相對提高了8％。

應(yīng)用場景2

參見圖1、圖2，本應(yīng)用場景的一個實施例的復(fù)雜場景下的計算機輔助胃癌診斷系統(tǒng)，包括樣本圖像采集裝置1、目標(biāo)追蹤裝置2和目標(biāo)判斷裝置3，所述樣本圖像采集裝置1用于采集多個胃部切片圖；所述目標(biāo)追蹤裝置2用于對每個胃部切片圖進(jìn)行處理,確定目標(biāo),并基于粒子濾波對連續(xù)的胃部切片圖中的目標(biāo)進(jìn)行逐個跟蹤，得到每個目標(biāo)的運動軌跡段；所述目標(biāo)判斷裝置3用于通過計算機對每個目標(biāo)進(jìn)行是否為淋巴結(jié)的判斷,并輸出判斷結(jié)果,從而完成淋巴結(jié)的識別。

本發(fā)明上述實施例采用了基于目標(biāo)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，從而解決了上述的技術(shù)問題。

優(yōu)選的，所述通過計算機對每個目標(biāo)進(jìn)行是否為淋巴結(jié)的判斷,包括:依次對每個目標(biāo)軌跡中目標(biāo)前后幀面積差求其平均值，如果平均值大于預(yù)定的第一閾值，則將此目標(biāo)標(biāo)記為候選淋巴結(jié),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(biāo)中心歐氏距離的平均值，如果平均值小于預(yù)定的第二閾值，則判定為淋巴。

本優(yōu)選實施例采用前后幀面積差平均值及歐氏距離分別與設(shè)定閾值進(jìn)行比較的方法對每個目標(biāo)進(jìn)行是否為淋巴結(jié)的判斷，判斷方便快捷，準(zhǔn)確度高。

優(yōu)選的，所述第一閾值為10,第二閾值為2。

本優(yōu)選實施例進(jìn)一步提高了淋巴結(jié)識別的精度。

優(yōu)選的，所述目標(biāo)追蹤裝置2包括感興趣區(qū)域檢測模塊21、目標(biāo)區(qū)域確定模塊22和目標(biāo)定位模塊23；所述感興趣區(qū)域檢測模塊21用于在胃部切片圖中提取胃壁周圍感興趣區(qū)域D₁并以此作為目標(biāo)模板；所述目標(biāo)區(qū)域確定模塊22用于建立粒子狀態(tài)轉(zhuǎn)移和觀測模型并基于上述模型，采用粒子濾波預(yù)測目標(biāo)候選區(qū)域；所述目標(biāo)定位模塊23用于對所述目標(biāo)候選區(qū)域和所述目標(biāo)模板進(jìn)行特征相似度量，獲得目標(biāo)的坐標(biāo)。

本優(yōu)選實施例構(gòu)建了目標(biāo)追蹤裝置2的模塊架構(gòu)。

優(yōu)選的，所述目標(biāo)區(qū)域確定模塊22包括：

(1)初始化子模塊221：用于在所述感興趣區(qū)域D₁內(nèi)隨機選取數(shù)量為n的粒子并對各粒子進(jìn)行初始化處理，初始化處理后粒子的初始狀態(tài)為x₀ⁱ，初始權(quán)值為{Q_oⁱ＝1/n,i＝1,...n}；

(2)狀態(tài)轉(zhuǎn)移模型建立子模塊222：用于建立粒子狀態(tài)轉(zhuǎn)移模型，所述粒子狀態(tài)轉(zhuǎn)移模型采用下式：

$x_m^i={\mathrm{Ax}}_{m-1}^i+v_m^i$

式中，表示m時刻的新粒子，m≥2，為均值為0的高斯白噪聲，A為2階單位陣；m-1時刻的粒子通過狀態(tài)轉(zhuǎn)移模型傳播；

(2)觀測模型建立子模塊223，用于通過顏色直方圖、紋理特征直方圖和運動邊緣特征相結(jié)合的方式建立粒子觀測模型；

(2)目標(biāo)候選區(qū)域計算子模塊224：其利用最小方差估計來計算目標(biāo)候選區(qū)域：

$x_{now}=\underset{j=1}{\overset{n}{\Σ}}{Q}_m^j\·x_m^j$

式中，x_now表示計算的當(dāng)前幀圖像的目標(biāo)候選區(qū)域，表示m時刻第j個粒子的對應(yīng)狀態(tài)值；

(5)位置修正子模塊225：用于修正異常數(shù)據(jù)：

$x_{pre}=\underset{j=1}{\overset{n}{\Σ}}{Q}_{m-1}^j\·x_{m-1}^j$

式中，x_pre表示計算的當(dāng)前幀圖像的目標(biāo)候選區(qū)域，表示m-1時刻第j個粒子的對應(yīng)狀態(tài)值；

設(shè)置數(shù)據(jù)異常評價函數(shù)P＝|x_now-x_pre|，若P的值大于設(shè)定的經(jīng)驗值T,則x_now＝x_pre；

(6)重采樣子模塊226：用于通過重采樣操作刪除權(quán)值過小的粒子，重采樣時，利用系統(tǒng)當(dāng)前時刻預(yù)測和觀測的差值提供新息殘差，進(jìn)而通過量測新息殘差對采樣的粒子進(jìn)行在線自適應(yīng)性調(diào)整，采樣過程中粒子數(shù)量和信息殘差之間的關(guān)系定義為：

其中，N_m表示采樣過程中m時刻的粒子數(shù)量，N_max和N_min分別表示最小和最大粒子數(shù)，N_min+1表示僅大于N_min的粒子數(shù)，N_max-1表示僅小于N_max的粒子數(shù)，表示m時刻系統(tǒng)的新息殘差。

本優(yōu)選實施例采用基于顏色直方圖、紋理特征直方圖和運動邊緣特征相結(jié)合的方式進(jìn)行采樣粒子的權(quán)值更新，有效增強了跟蹤系統(tǒng)的魯棒性；設(shè)置位置修正子模塊225，能夠避免異常數(shù)據(jù)帶來的影響；在重采樣子模塊226中，利用當(dāng)前時刻預(yù)測和觀測的差值提供新息殘差，進(jìn)而通過量測新息殘差對采樣的粒子進(jìn)行在線自適應(yīng)性調(diào)整，并定義了采樣過程中粒子數(shù)量和信息殘差之間的關(guān)系，較好地保證了粒子采樣的高效性和算法的實時性。

優(yōu)選地，所述粒子觀測模型的粒子權(quán)值更新公式為：

$Q_m^j=\frac{\stackrel{\‾}{Q_{Cm}^j}\·\stackrel{\‾}{Q_{Mm}^j}\·\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1\stackrel{\‾}{Q_{Cm}^j}+{{\mathrm{\λ}}_2}^2\stackrel{\‾}{Q_{Mm}^j}+{{\mathrm{\λ}}_2}^3\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1{\mathrm{\λ}}_2{\mathrm{\λ}}_3}{(1+{\mathrm{\λ}}_1)(1+{\mathrm{\λ}}_2)(1+{\mathrm{\λ}}_3)}$

式中

$\stackrel{\‾}{Q_{Cm}^j}=Q_{Cm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Cm}^j,Q_{Cm}^j=Q_{C(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{A_m^2}{2{\mathrm{\σ}}^2})$

$\stackrel{\‾}{Q_{Mm}^j}=Q_{Mm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Mm}^j,Q_{Mm}^j=Q_{M(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{B_m^2}{2{\mathrm{\σ}}^2})$

$\stackrel{\‾}{Q_{Wm}^j}=Q_{Wm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Wm}^j,Q_{Wm}^j=Q_{W(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{C_m^2}{2{\mathrm{\σ}}^2})$

其中，表示m時刻第j個粒子的最終更新權(quán)值，和分別表示m時刻和m-1時刻中第j個粒子基于顏色直方圖的更新權(quán)值，表示m時刻和m-1時刻中第j個粒子基于運動邊緣的更新權(quán)值，表示m時刻和m-1時刻中第j個粒子基于紋理特征直方圖的更新權(quán)值，A_m為m時刻中第j個粒子基于顏色直方圖的觀測值與真實值之間的Bhattacharrya距離，B_m為m時刻中第j個粒子基于運動邊緣的觀測值與真實值之間的Bhattacharrya距離,C_m為m時刻中第j個粒子基于紋理特征直方圖的觀測值與真實值之間的Bhattacharrya距離,σ為高斯似然模型方差，λ₁為基于顏色直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，λ₂為基于運動邊緣的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子,λ₃為基于紋理特征直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子；

所述自適應(yīng)調(diào)整因子的計算公式為：

${\mathrm{\λ}}_s^m={\mathrm{\ξ}}_{m-1}\·\[-\underset{j=1}{\overset{n}{\Σ}}\left(p_{m-1}^{s/j}\right){\log }_2^{p_{m-1}^{s/j}}\],s=1,2,3;$

其中，s＝1時，表示m時刻中基于顏色直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時刻中基于顏色直方圖的特征值在j個粒子下的觀測概率值；s＝2時，表示m時刻中基于運動邊緣的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時刻中基于運動邊緣的特征值在j個粒子下的觀測概率值；s＝3時，表示m時刻中基于紋理特征直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時刻中基于紋理特征直方圖的特征值在j個粒子下的觀測概率值；ξ_m-1表示在m-1時刻中所有粒子的空間位置方差值。

本優(yōu)選實施例提出粒子觀測模型的粒子權(quán)值更新公式和自適應(yīng)調(diào)整因子的計算公式，對粒子的特征權(quán)值進(jìn)行融合處理，有效克服了加性融合和乘性融合存在的缺陷，進(jìn)一步增強了魯棒性。

在此應(yīng)用場景中，選取粒子數(shù)n＝60，跟蹤速度相對提高了6.5％，跟蹤精度相對提高了8.2％。

應(yīng)用場景4

參見圖1、圖2，本應(yīng)用場景的一個實施例的復(fù)雜場景下的計算機輔助胃癌診斷系統(tǒng)，包括樣本圖像采集裝置1、目標(biāo)追蹤裝置2和目標(biāo)判斷裝置3，所述樣本圖像采集裝置1用于采集多個胃部切片圖；所述目標(biāo)追蹤裝置2用于對每個胃部切片圖進(jìn)行處理,確定目標(biāo),并基于粒子濾波對連續(xù)的胃部切片圖中的目標(biāo)進(jìn)行逐個跟蹤，得到每個目標(biāo)的運動軌跡段；所述目標(biāo)判斷裝置3用于通過計算機對每個目標(biāo)進(jìn)行是否為淋巴結(jié)的判斷,并輸出判斷結(jié)果,從而完成淋巴結(jié)的識別。

本發(fā)明上述實施例采用了基于目標(biāo)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，從而解決了上述的技術(shù)問題。

優(yōu)選的，所述通過計算機對每個目標(biāo)進(jìn)行是否為淋巴結(jié)的判斷,包括:依次對每個目標(biāo)軌跡中目標(biāo)前后幀面積差求其平均值，如果平均值大于預(yù)定的第一閾值，則將此目標(biāo)標(biāo)記為候選淋巴結(jié),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(biāo)中心歐氏距離的平均值，如果平均值小于預(yù)定的第二閾值，則判定為淋巴。

本優(yōu)選實施例采用前后幀面積差平均值及歐氏距離分別與設(shè)定閾值進(jìn)行比較的方法對每個目標(biāo)進(jìn)行是否為淋巴結(jié)的判斷，判斷方便快捷，準(zhǔn)確度高。

優(yōu)選的，所述第一閾值為10,第二閾值為2。

本優(yōu)選實施例進(jìn)一步提高了淋巴結(jié)識別的精度。

優(yōu)選的，所述目標(biāo)追蹤裝置2包括感興趣區(qū)域檢測模塊21、目標(biāo)區(qū)域確定模塊22和目標(biāo)定位模塊23；所述感興趣區(qū)域檢測模塊21用于在胃部切片圖中提取胃壁周圍感興趣區(qū)域D₁并以此作為目標(biāo)模板；所述目標(biāo)區(qū)域確定模塊22用于建立粒子狀態(tài)轉(zhuǎn)移和觀測模型并基于上述模型，采用粒子濾波預(yù)測目標(biāo)候選區(qū)域；所述目標(biāo)定位模塊23用于對所述目標(biāo)候選區(qū)域和所述目標(biāo)模板進(jìn)行特征相似度量，獲得目標(biāo)的坐標(biāo)。

本優(yōu)選實施例構(gòu)建了目標(biāo)追蹤裝置2的模塊架構(gòu)。

優(yōu)選的，所述目標(biāo)區(qū)域確定模塊22包括：

(1)初始化子模塊221：用于在所述感興趣區(qū)域D₁內(nèi)隨機選取數(shù)量為n的粒子并對各粒子進(jìn)行初始化處理，初始化處理后粒子的初始狀態(tài)為x₀ⁱ，初始權(quán)值為{Q_oⁱ＝1/n,i＝1,...n}；

(2)狀態(tài)轉(zhuǎn)移模型建立子模塊222：用于建立粒子狀態(tài)轉(zhuǎn)移模型，所述粒子狀態(tài)轉(zhuǎn)移模型采用下式：

$x_m^i={\mathrm{Ax}}_{m-1}^i+v_m^i$

式中，表示m時刻的新粒子，m≥2，為均值為0的高斯白噪聲，A為2階單位陣；m-1時刻的粒子通過狀態(tài)轉(zhuǎn)移模型傳播；

(2)觀測模型建立子模塊223，用于通過顏色直方圖、紋理特征直方圖和運動邊緣特征相結(jié)合的方式建立粒子觀測模型；

(2)目標(biāo)候選區(qū)域計算子模塊224：其利用最小方差估計來計算目標(biāo)候選區(qū)域：

$x_{now}=\underset{j=1}{\overset{n}{\Σ}}{Q}_m^j\·x_m^j$

式中，x_now表示計算的當(dāng)前幀圖像的目標(biāo)候選區(qū)域，表示m時刻第j個粒子的對應(yīng)狀態(tài)值；

(5)位置修正子模塊225：用于修正異常數(shù)據(jù)：

$x_{pre}=\underset{j=1}{\overset{n}{\Σ}}{Q}_{m-1}^j\·x_{m-1}^j$

式中，x_pre表示計算的當(dāng)前幀圖像的目標(biāo)候選區(qū)域，表示m-1時刻第j個粒子的對應(yīng)狀態(tài)值；

設(shè)置數(shù)據(jù)異常評價函數(shù)P＝|x_now-x_pre|，若P的值大于設(shè)定的經(jīng)驗值T,則x_now＝x_pre；

(6)重采樣子模塊226：用于通過重采樣操作刪除權(quán)值過小的粒子，重采樣時，利用系統(tǒng)當(dāng)前時刻預(yù)測和觀測的差值提供新息殘差，進(jìn)而通過量測新息殘差對采樣的粒子進(jìn)行在線自適應(yīng)性調(diào)整，采樣過程中粒子數(shù)量和信息殘差之間的關(guān)系定義為：

其中，N_m表示采樣過程中m時刻的粒子數(shù)量，N_max和N_min分別表示最小和最大粒子數(shù)，N_min+1表示僅大于N_min的粒子數(shù)，N_max-1表示僅小于N_max的粒子數(shù)，表示m時刻系統(tǒng)的新息殘差。

本優(yōu)選實施例采用基于顏色直方圖、紋理特征直方圖和運動邊緣特征相結(jié)合的方式進(jìn)行采樣粒子的權(quán)值更新，有效增強了跟蹤系統(tǒng)的魯棒性；設(shè)置位置修正子模塊225，能夠避免異常數(shù)據(jù)帶來的影響；在重采樣子模塊226中，利用當(dāng)前時刻預(yù)測和觀測的差值提供新息殘差，進(jìn)而通過量測新息殘差對采樣的粒子進(jìn)行在線自適應(yīng)性調(diào)整，并定義了采樣過程中粒子數(shù)量和信息殘差之間的關(guān)系，較好地保證了粒子采樣的高效性和算法的實時性。

優(yōu)選地，所述粒子觀測模型的粒子權(quán)值更新公式為：

$Q_m^j=\frac{\stackrel{\‾}{Q_{Cm}^j}\·\stackrel{\‾}{Q_{Mm}^j}\·\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1\stackrel{\‾}{Q_{Cm}^j}+{{\mathrm{\λ}}_2}^2\stackrel{\‾}{Q_{Mm}^j}+{{\mathrm{\λ}}_2}^3\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1{\mathrm{\λ}}_2{\mathrm{\λ}}_3}{(1+{\mathrm{\λ}}_1)(1+{\mathrm{\λ}}_2)(1+{\mathrm{\λ}}_3)}$

式中

$\stackrel{\‾}{Q_{Cm}^j}=Q_{Cm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Cm}^j,Q_{Cm}^j=Q_{C(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{A_m^2}{2{\mathrm{\σ}}^2})$

$\stackrel{\‾}{Q_{Mm}^j}=Q_{Mm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Mm}^j,Q_{Mm}^j=Q_{M(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{B_m^2}{2{\mathrm{\σ}}^2})$

$\stackrel{\‾}{Q_{Wm}^j}=Q_{Wm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Wm}^j,Q_{Wm}^j=Q_{W(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{C_m^2}{2{\mathrm{\σ}}^2})$

其中，表示m時刻第j個粒子的最終更新權(quán)值，和分別表示m時刻和m-1時刻中第j個粒子基于顏色直方圖的更新權(quán)值，表示m時刻和m-1時刻中第j個粒子基于運動邊緣的更新權(quán)值，表示m時刻和m-1時刻中第j個粒子基于紋理特征直方圖的更新權(quán)值，A_m為m時刻中第j個粒子基于顏色直方圖的觀測值與真實值之間的Bhattacharrya距離，B_m為m時刻中第j個粒子基于運動邊緣的觀測值與真實值之間的Bhattacharrya距離,C_m為m時刻中第j個粒子基于紋理特征直方圖的觀測值與真實值之間的Bhattacharrya距離,σ為高斯似然模型方差，λ₁為基于顏色直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，λ₂為基于運動邊緣的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子,λ₃為基于紋理特征直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子；

所述自適應(yīng)調(diào)整因子的計算公式為：

${\mathrm{\λ}}_s^m={\mathrm{\ξ}}_{m-1}\·\[-\underset{j=1}{\overset{n}{\Σ}}\left(p_{m-1}^{s/j}\right){\log }_2^{p_{m-1}^{s/j}}\],s=1,2,3;$

其中，s＝1時，表示m時刻中基于顏色直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時刻中基于顏色直方圖的特征值在j個粒子下的觀測概率值；s＝2時，表示m時刻中基于運動邊緣的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時刻中基于運動邊緣的特征值在j個粒子下的觀測概率值；s＝3時，表示m時刻中基于紋理特征直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時刻中基于紋理特征直方圖的特征值在j個粒子下的觀測概率值；ξ_m-1表示在m-1時刻中所有粒子的空間位置方差值。

本優(yōu)選實施例提出粒子觀測模型的粒子權(quán)值更新公式和自適應(yīng)調(diào)整因子的計算公式，對粒子的特征權(quán)值進(jìn)行融合處理，有效克服了加性融合和乘性融合存在的缺陷，進(jìn)一步增強了魯棒性。

在此應(yīng)用場景中，選取粒子數(shù)n＝65，跟蹤速度相對提高了6.5％，跟蹤精度相對提高了8.5％。

應(yīng)用場景5

參見圖1、圖2，本應(yīng)用場景的一個實施例的復(fù)雜場景下的計算機輔助胃癌診斷系統(tǒng)，包括樣本圖像采集裝置1、目標(biāo)追蹤裝置2和目標(biāo)判斷裝置3，所述樣本圖像采集裝置1用于采集多個胃部切片圖；所述目標(biāo)追蹤裝置2用于對每個胃部切片圖進(jìn)行處理,確定目標(biāo),并基于粒子濾波對連續(xù)的胃部切片圖中的目標(biāo)進(jìn)行逐個跟蹤，得到每個目標(biāo)的運動軌跡段；所述目標(biāo)判斷裝置3用于通過計算機對每個目標(biāo)進(jìn)行是否為淋巴結(jié)的判斷,并輸出判斷結(jié)果,從而完成淋巴結(jié)的識別。

本發(fā)明上述實施例采用了基于目標(biāo)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，從而解決了上述的技術(shù)問題。

優(yōu)選的，所述通過計算機對每個目標(biāo)進(jìn)行是否為淋巴結(jié)的判斷,包括:依次對每個目標(biāo)軌跡中目標(biāo)前后幀面積差求其平均值，如果平均值大于預(yù)定的第一閾值，則將此目標(biāo)標(biāo)記為候選淋巴結(jié),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(biāo)中心歐氏距離的平均值，如果平均值小于預(yù)定的第二閾值，則判定為淋巴。

本優(yōu)選實施例采用前后幀面積差平均值及歐氏距離分別與設(shè)定閾值進(jìn)行比較的方法對每個目標(biāo)進(jìn)行是否為淋巴結(jié)的判斷，判斷方便快捷，準(zhǔn)確度高。

優(yōu)選的，所述第一閾值為10,第二閾值為2。

本優(yōu)選實施例進(jìn)一步提高了淋巴結(jié)識別的精度。

優(yōu)選的，所述目標(biāo)追蹤裝置2包括感興趣區(qū)域檢測模塊21、目標(biāo)區(qū)域確定模塊22和目標(biāo)定位模塊23；所述感興趣區(qū)域檢測模塊21用于在胃部切片圖中提取胃壁周圍感興趣區(qū)域D₁并以此作為目標(biāo)模板；所述目標(biāo)區(qū)域確定模塊22用于建立粒子狀態(tài)轉(zhuǎn)移和觀測模型并基于上述模型，采用粒子濾波預(yù)測目標(biāo)候選區(qū)域；所述目標(biāo)定位模塊23用于對所述目標(biāo)候選區(qū)域和所述目標(biāo)模板進(jìn)行特征相似度量，獲得目標(biāo)的坐標(biāo)。

本優(yōu)選實施例構(gòu)建了目標(biāo)追蹤裝置2的模塊架構(gòu)。

優(yōu)選的，所述目標(biāo)區(qū)域確定模塊22包括：

(1)初始化子模塊221：用于在所述感興趣區(qū)域D₁內(nèi)隨機選取數(shù)量為n的粒子并對各粒子進(jìn)行初始化處理，初始化處理后粒子的初始狀態(tài)為x₀ⁱ，初始權(quán)值為{Q_oⁱ＝1/n,i＝1,...n}；

(2)狀態(tài)轉(zhuǎn)移模型建立子模塊222：用于建立粒子狀態(tài)轉(zhuǎn)移模型，所述粒子狀態(tài)轉(zhuǎn)移模型采用下式：

$x_m^i={\mathrm{Ax}}_{m-1}^i+v_m^i$

式中，表示m時刻的新粒子，m≥2，為均值為0的高斯白噪聲，A為2階單位陣；m-1時刻的粒子通過狀態(tài)轉(zhuǎn)移模型傳播；

(2)觀測模型建立子模塊223，用于通過顏色直方圖、紋理特征直方圖和運動邊緣特征相結(jié)合的方式建立粒子觀測模型；

(2)目標(biāo)候選區(qū)域計算子模塊224：其利用最小方差估計來計算目標(biāo)候選區(qū)域：

$x_{now}=\underset{j=1}{\overset{n}{\Σ}}{Q}_m^j\·x_m^j$

式中，x_now表示計算的當(dāng)前幀圖像的目標(biāo)候選區(qū)域，表示m時刻第j個粒子的對應(yīng)狀態(tài)值；

(5)位置修正子模塊225：用于修正異常數(shù)據(jù)：

$x_{pre}=\underset{j=1}{\overset{n}{\Σ}}{Q}_{m-1}^j\·x_{m-1}^j$

式中，x_pre表示計算的當(dāng)前幀圖像的目標(biāo)候選區(qū)域，表示m-1時刻第j個粒子的對應(yīng)狀態(tài)值；

設(shè)置數(shù)據(jù)異常評價函數(shù)P＝|x_now-x_pre|，若P的值大于設(shè)定的經(jīng)驗值T,則x_now＝x_pre；

(6)重采樣子模塊226：用于通過重采樣操作刪除權(quán)值過小的粒子，重采樣時，利用系統(tǒng)當(dāng)前時刻預(yù)測和觀測的差值提供新息殘差，進(jìn)而通過量測新息殘差對采樣的粒子進(jìn)行在線自適應(yīng)性調(diào)整，采樣過程中粒子數(shù)量和信息殘差之間的關(guān)系定義為：

其中，N_m表示采樣過程中m時刻的粒子數(shù)量，N_max和N_min分別表示最小和最大粒子數(shù)，N_min+1表示僅大于N_min的粒子數(shù)，N_max-1表示僅小于N_max的粒子數(shù)，表示m時刻系統(tǒng)的新息殘差。

本優(yōu)選實施例采用基于顏色直方圖、紋理特征直方圖和運動邊緣特征相結(jié)合的方式進(jìn)行采樣粒子的權(quán)值更新，有效增強了跟蹤系統(tǒng)的魯棒性；設(shè)置位置修正子模塊225，能夠避免異常數(shù)據(jù)帶來的影響；在重采樣子模塊226中，利用當(dāng)前時刻預(yù)測和觀測的差值提供新息殘差，進(jìn)而通過量測新息殘差對采樣的粒子進(jìn)行在線自適應(yīng)性調(diào)整，并定義了采樣過程中粒子數(shù)量和信息殘差之間的關(guān)系，較好地保證了粒子采樣的高效性和算法的實時性。

優(yōu)選地，所述粒子觀測模型的粒子權(quán)值更新公式為：

$Q_m^j=\frac{\stackrel{\‾}{Q_{Cm}^j}\·\stackrel{\‾}{Q_{Mm}^j}\·\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1\stackrel{\‾}{Q_{Cm}^j}+{{\mathrm{\λ}}_2}^2\stackrel{\‾}{Q_{Mm}^j}+{{\mathrm{\λ}}_2}^3\stackrel{\‾}{Q_{Wm}^j}+{\mathrm{\λ}}_1{\mathrm{\λ}}_2{\mathrm{\λ}}_3}{(1+{\mathrm{\λ}}_1)(1+{\mathrm{\λ}}_3)(1+{\mathrm{\λ}}_3)}$

式中

$\stackrel{\‾}{Q_{Cm}^j}=Q_{Cm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Cm}^j,Q_{Cm}^j=Q_{C(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{A_m^2}{2{\mathrm{\σ}}^2})$

$\stackrel{\‾}{Q_{Mm}^j}=Q_{Mm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Mm}^j,Q_{Mm}^j=Q_{M(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{B_m^2}{2{\mathrm{\σ}}^2})$

$\stackrel{\‾}{Q_{Wm}^j}=Q_{Wm}^j/\underset{j=1}{\overset{n}{\Σ}}{Q}_{Wm}^j,Q_{Wm}^j=Q_{W(m-1)}^j\frac{1}{\sqrt{2\mathrm{\π}\mathrm{\σ}}}\exp (-\frac{C_m^2}{2{\mathrm{\σ}}^2})$

其中，表示m時刻第j個粒子的最終更新權(quán)值，和分別表示m時刻和m-1時刻中第j個粒子基于顏色直方圖的更新權(quán)值，表示m時刻和m-1時刻中第j個粒子基于運動邊緣的更新權(quán)值，表示m時刻和m-1時刻中第j個粒子基于紋理特征直方圖的更新權(quán)值，A_m為m時刻中第j個粒子基于顏色直方圖的觀測值與真實值之間的Bhattacharrya距離，B_m為m時刻中第j個粒子基于運動邊緣的觀測值與真實值之間的Bhattacharrya距離,C_m為m時刻中第j個粒子基于紋理特征直方圖的觀測值與真實值之間的Bhattacharrya距離,σ為高斯似然模型方差，λ₁為基于顏色直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，λ₂為基于運動邊緣的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子,λ₃為基于紋理特征直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子；

所述自適應(yīng)調(diào)整因子的計算公式為：

${\mathrm{\λ}}_s^m={\mathrm{\ξ}}_{m-1}\·\[-\underset{j=1}{\overset{n}{\Σ}}\left(p_{m-1}^{s/j}\right){\log }_2^{p_{m-1}^{s/j}}\],s=1,2,3;$

其中，s＝1時，表示m時刻中基于顏色直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時刻中基于顏色直方圖的特征值在j個粒子下的觀測概率值；s＝2時，表示m時刻中基于運動邊緣的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時刻中基于運動邊緣的特征值在j個粒子下的觀測概率值；s＝3時，表示m時刻中基于紋理特征直方圖的特征權(quán)值歸一化的自適應(yīng)調(diào)整因子，為m-1時刻中基于紋理特征直方圖的特征值在j個粒子下的觀測概率值；ξ_m-1表示在m-1時刻中所有粒子的空間位置方差值。

本優(yōu)選實施例提出粒子觀測模型的粒子權(quán)值更新公式和自適應(yīng)調(diào)整因子的計算公式，對粒子的特征權(quán)值進(jìn)行融合處理，有效克服了加性融合和乘性融合存在的缺陷，進(jìn)一步增強了魯棒性。

在此應(yīng)用場景中，選取粒子數(shù)n＝70，跟蹤速度相對提高了6％，跟蹤精度相對提高了9％

最后應(yīng)當(dāng)說明的是，以上應(yīng)用場景僅用以說明本發(fā)明的技術(shù)方案，而非對本發(fā)明保護(hù)范圍的限制，盡管參照較佳應(yīng)用場景對本發(fā)明作了詳細(xì)地說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解，可以對本發(fā)明的技術(shù)方案進(jìn)行修改或者等同替換，而不脫離本發(fā)明技術(shù)方案的實質(zhì)和范圍。