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{Qoi=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:
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:
式中,xnow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):
式中,xpre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=|xnow-xpre|,若P的值大于設(shè)定的經(jīng)驗值T,則xnow=xpre;
(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,Nm表示采樣過程中m時刻的粒子數(shù)量,Nmax和Nmin分別表示最小和最大粒子數(shù),Nmin+1表示僅大于Nmin的粒子數(shù),Nmax-1表示僅小于Nmax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:
式中
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,Am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,Bm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,Cm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:
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;ξm-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{Qoi=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:
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:
式中,xnow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):
式中,xpre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=|xnow-xpre|,若P的值大于設(shè)定的經(jīng)驗值T,則xnow=xpre;
(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,Nm表示采樣過程中m時刻的粒子數(shù)量,Nmax和Nmin分別表示最小和最大粒子數(shù),Nmin+1表示僅大于Nmin的粒子數(shù),Nmax-1表示僅小于Nmax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:
式中
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,Am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,Bm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,Cm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:
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;ξm-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{Qoi=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:
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:
式中,xnow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):
式中,xpre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=|xnow-xpre|,若P的值大于設(shè)定的經(jīng)驗值T,則xnow=xpre;
(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,Nm表示采樣過程中m時刻的粒子數(shù)量,Nmax和Nmin分別表示最小和最大粒子數(shù),Nmin+1表示僅大于Nmin的粒子數(shù),Nmax-1表示僅小于Nmax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:
式中
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,Am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,Bm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,Cm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:
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;ξm-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{Qoi=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:
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:
式中,xnow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):
式中,xpre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=|xnow-xpre|,若P的值大于設(shè)定的經(jīng)驗值T,則xnow=xpre;
(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,Nm表示采樣過程中m時刻的粒子數(shù)量,Nmax和Nmin分別表示最小和最大粒子數(shù),Nmin+1表示僅大于Nmin的粒子數(shù),Nmax-1表示僅小于Nmax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:
式中
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,Am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,Bm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,Cm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:
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;ξm-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{Qoi=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:
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:
式中,xnow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):
式中,xpre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=|xnow-xpre|,若P的值大于設(shè)定的經(jīng)驗值T,則xnow=xpre;
(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,Nm表示采樣過程中m時刻的粒子數(shù)量,Nmax和Nmin分別表示最小和最大粒子數(shù),Nmin+1表示僅大于Nmin的粒子數(shù),Nmax-1表示僅小于Nmax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:
式中
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,Am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,Bm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,Cm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:
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;ξm-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。