国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

基于二維超聲圖像的肝臟運(yùn)動(dòng)跟蹤方法研究

2022-02-10 13:44周著黃吳水才
醫(yī)療衛(wèi)生裝備 2022年12期
關(guān)鍵詞:中值角點(diǎn)感興趣

龐 杰,周著黃,吳水才

(北京工業(yè)大學(xué)環(huán)境與生命學(xué)部生物醫(yī)學(xué)工程系,北京 100124)

0 引言

目前,原發(fā)性肝腫瘤是我國(guó)第4 位常見(jiàn)惡性腫瘤及第2 位腫瘤致死病因,嚴(yán)重威脅我國(guó)人民的生命和健康[1]。肝切除、肝移植和影像引導(dǎo)下的熱消融是目前肝腫瘤最有效的治療方法[2]。由于肝腫瘤早期發(fā)現(xiàn)困難,確診時(shí)已是晚期,因此常常錯(cuò)過(guò)最佳治療機(jī)會(huì),再加上沒(méi)有足夠的肝源等原因,只有小部分患者可以進(jìn)行肝移植和肝切除治療。熱消融術(shù)因其侵入性小、普適性好、經(jīng)濟(jì)有效等原因,在肝腫瘤治療領(lǐng)域逐步推廣。

微波/射頻熱消融治療是肝腫瘤的主要治療方法之一。雖然已有不少研究人員開(kāi)發(fā)了引導(dǎo)手術(shù)、立體定向?qū)Ш?、機(jī)器人輔助穿刺[3-5]等熱消融輔助技術(shù)和方法,但其中大部分的模型都是通過(guò)術(shù)前CT 圖像建立,并且假設(shè)肝臟處于靜止?fàn)顟B(tài)。雖然在術(shù)中患者處于麻醉狀態(tài),但人體呼吸運(yùn)動(dòng)引起的腫瘤位置改變給熱消融治療帶來(lái)了很大困難[6-9]。為了解決呼吸運(yùn)動(dòng)對(duì)腫瘤定位造成的影響,早期研究人員提出了外部標(biāo)記法[10-11]來(lái)應(yīng)對(duì)。該方法通過(guò)在患者身上放置傳感器,并對(duì)患者進(jìn)行CT 掃描,記錄體外傳感器的位置和對(duì)應(yīng)的組織位置,通過(guò)建模從體外標(biāo)志點(diǎn)的位置求取組織位置。但該方法有一些缺點(diǎn),模型需要在術(shù)前建立,而且手術(shù)過(guò)程中該模型可能會(huì)發(fā)生偏移。而人體內(nèi)部器官運(yùn)動(dòng)復(fù)雜,外部傳感器不能完全對(duì)應(yīng),模型產(chǎn)生的輕微誤差可能導(dǎo)致手術(shù)失敗[12]。

許多醫(yī)學(xué)成像技術(shù)被應(yīng)用于臨床以輔助醫(yī)生治療,包括平面X 射線、MRI 和超聲。雖然X 射線可以實(shí)時(shí)使用,但由于有電離輻射,不能長(zhǎng)時(shí)間跟蹤胸腹部器官的運(yùn)動(dòng)。MRI 雖然可以提供高分辨力和很好的組織對(duì)比度,但其設(shè)備占地面積較大,移動(dòng)不便且很難實(shí)時(shí)產(chǎn)生圖像,不適合跟蹤胸腹部器官的運(yùn)動(dòng)。隨著計(jì)算機(jī)技術(shù)的發(fā)展,超聲圖像采集質(zhì)量不斷提高,且超聲所具有的實(shí)時(shí)采集圖像和無(wú)電離輻射的優(yōu)勢(shì),使其成為非侵入式治療目標(biāo)跟蹤的一個(gè)很好的選擇。Hallack 等[13]使用logDemons 非線性配準(zhǔn),并通過(guò)感興趣點(diǎn)周圍血管大小自適應(yīng)選取感興趣區(qū)域(region of interest,ROI)對(duì)感興趣點(diǎn)進(jìn)行跟蹤,其平均跟蹤誤差為1.21 mm。缺點(diǎn)是感興趣點(diǎn)在相鄰兩幀中位移大小和ROI 邊長(zhǎng)大小近似時(shí)容易失敗,且其算法運(yùn)算速度較慢,平均幀率為12 幀/s。Bharadwaj等[14]對(duì)孿生神經(jīng)網(wǎng)絡(luò)進(jìn)行適當(dāng)改進(jìn),在超聲圖像中跟蹤目標(biāo),其平均跟蹤誤差為1.60 mm,在感興趣點(diǎn)接近超聲圖像邊界、被遮擋以及對(duì)比度不高的情況下容易跟蹤失敗、產(chǎn)生較大誤差。該研究通過(guò)添加模板匹配模塊和線性卡爾曼濾波模塊進(jìn)行調(diào)整,使得誤差更低。以上方法表明,需要更高的跟蹤精度以及可以實(shí)時(shí)運(yùn)行的跟蹤算法來(lái)對(duì)肝臟運(yùn)動(dòng)進(jìn)行跟蹤,從而減少消融手術(shù)過(guò)程中呼吸運(yùn)動(dòng)帶來(lái)的誤差影響。

為此,本文提出一種中值流[15]、模板匹配、特征點(diǎn)匹配融合的跟蹤方法,該方法通過(guò)超聲圖像跟蹤肝臟運(yùn)動(dòng)并進(jìn)行補(bǔ)償,減少呼吸運(yùn)動(dòng)帶來(lái)的影響。跟蹤結(jié)果表明該方法較為準(zhǔn)確,且運(yùn)行速度快,能夠滿足實(shí)時(shí)要求,可以輔助手術(shù)導(dǎo)航系統(tǒng)校正呼吸運(yùn)動(dòng)帶來(lái)的影響,提高手術(shù)治療效果。

1 方法

1.1 實(shí)驗(yàn)數(shù)據(jù)與平臺(tái)

本研究在Visual Studio 2017 上進(jìn)行,采用CLUST(Challenge on Liver Ultrasound Tracking)2015 2D[16-19]數(shù)據(jù)集進(jìn)行測(cè)試和驗(yàn)證。該數(shù)據(jù)集目前包含24 個(gè)訓(xùn)練集和39 個(gè)測(cè)試集。其中有4 種類型超聲圖像序列,不同類型的超聲圖像對(duì)比度、圖像質(zhì)量、感興趣點(diǎn)位置分布不同,每個(gè)超聲圖像類型至少包含4位受試者,每位受試者有1~5 個(gè)感興趣點(diǎn),感興趣點(diǎn)通常為血管中心。將本方法的跟蹤結(jié)果提交至CLUST 2015 官方,根據(jù)官方返回跟蹤誤差大小判斷本方法的跟蹤精度,并進(jìn)行誤差分析與可行性分析。

1.2 算法流程

在CLUST 2015 競(jìng)賽中,跟蹤不同類型的超聲任務(wù)中,參數(shù)是固定的或者自動(dòng)調(diào)節(jié)的,本文設(shè)定所有參數(shù)都是固定的。由于CLUST 2015 所給出的感興趣點(diǎn)的坐標(biāo)為亞像素精度,所以首先選用中值流算法,因?yàn)槠淇梢愿檨喯袼鼐鹊狞c(diǎn)。中值流作為短時(shí)跟蹤算法,在長(zhǎng)時(shí)間跟蹤過(guò)程中會(huì)發(fā)生漂移并且積累誤差,所以需要進(jìn)行校正。在跟蹤過(guò)程中,如果中值流算法成功跟蹤到目標(biāo),那就在目標(biāo)附近進(jìn)行模板匹配,通過(guò)模板匹配來(lái)校正中值流算法跟蹤過(guò)程的漂移;如果中值流算法未能跟蹤到目標(biāo),則需使用ORB[20](oriented fast and rotated brief)特征點(diǎn)進(jìn)行匹配,判斷ROI 的位移,重新選定ROI 繼續(xù)進(jìn)行跟蹤,如果連續(xù)跟蹤失敗,則說(shuō)明中值流算法不適用該情況下的跟蹤,需使用KCF[21](kernelized correlation filters)算法代替中值流算法進(jìn)行跟蹤。跟蹤算法流程圖如圖1 所示。

圖1 跟蹤算法流程圖

1.2.1 中值流算法

中值流算法是基于傳統(tǒng)光流法的改進(jìn)[22-23]。光流法是利用圖像序列中像素的變化尋找前一幀圖像和當(dāng)前幀圖像間的對(duì)應(yīng)關(guān)系,進(jìn)而得到兩幀圖像間物體運(yùn)動(dòng)狀態(tài)的一種方法。光流法具有2 個(gè)必要的前提假設(shè):

(1)同一個(gè)物體在圖像中對(duì)應(yīng)的像素亮度不變。由于光流法是根據(jù)像素亮度尋找兩幀圖像中目標(biāo)的運(yùn)動(dòng)關(guān)系,因此如果像素亮度發(fā)生改變,那么將無(wú)法在兩幀圖像中實(shí)現(xiàn)同一個(gè)像素或物體的匹配。

(2)要求兩幀圖像必須具有較小的運(yùn)動(dòng)。光流法只在原圖像點(diǎn)附近搜索對(duì)應(yīng)的像素點(diǎn),因此兩幀圖像像素位置不能有較大的移動(dòng)。

假設(shè)在時(shí)間t,點(diǎn)(x,y)處的像素灰度值為I(x,y,t),在時(shí)間t+Δt,位置(x,y)移動(dòng)到位置(x+Δx,y+Δy),此時(shí)的像素灰度值為I(x+Δx,y+Δy,t+Δt)。根據(jù)灰度一致假設(shè),即像素的灰度在瞬時(shí)運(yùn)動(dòng)中應(yīng)該保持一致,因此有

將公式(1)右側(cè)項(xiàng)泰勒一階展開(kāi),則有:

忽略高階無(wú)窮小量,兩邊同時(shí)除以dt,化簡(jiǎn)為

稀疏光流法(Lucas-Kanade,L-K)是假設(shè)領(lǐng)域內(nèi)其他像素的位移矢量和中心像素相同,然后通過(guò)加權(quán)最小二乘法對(duì)領(lǐng)域內(nèi)的所有像素點(diǎn)進(jìn)行計(jì)算。而中值流算法是基于稀疏光流法來(lái)進(jìn)行改進(jìn)的,稀疏光流法只計(jì)算一幅圖像中ROI 部分特征點(diǎn)的光流強(qiáng)度。

中值流算法是通過(guò)度量前向、后向之間的誤差來(lái)完成自我跟蹤精度的提升,即在兩幀相鄰圖像it、it+1中,先在圖像it中選取Harris 角點(diǎn)Hi,通過(guò)稀疏光流算法計(jì)算出在圖像it+1對(duì)應(yīng)的角點(diǎn)集Hi+1,再對(duì)Hi+1反向使用稀疏光流算法計(jì)算出對(duì)應(yīng)的角點(diǎn)集Hi',如果角點(diǎn)集Hi和Hi'中對(duì)應(yīng)角點(diǎn)位移差距過(guò)大則濾去,如圖2 所示。左圖中選取2 個(gè)Harris 角點(diǎn)(點(diǎn)1、點(diǎn)2)進(jìn)行前向-反向光流計(jì)算。點(diǎn)1 在左右2 張圖中均可成功跟蹤;點(diǎn)2 在右圖中被遮擋導(dǎo)致跟蹤錯(cuò)誤,反向跟蹤并沒(méi)有返回到點(diǎn)2,而是反向跟蹤到了另一個(gè)點(diǎn)3,點(diǎn)3 與點(diǎn)2 間距離過(guò)大,說(shuō)明跟蹤過(guò)程發(fā)生了漂移。因此點(diǎn)2 在中值流算法跟蹤過(guò)程中被濾去,從而解決遮擋、漂移的問(wèn)題。

圖2 前向-反向追蹤圖

1.2.2 模板匹配

模板匹配是一種最原始、最基本的模式識(shí)別方法,主要研究某一特定對(duì)象物的圖案位于圖像的什么地方,進(jìn)而識(shí)別對(duì)象物,這就是一個(gè)匹配問(wèn)題,是圖像處理中最基本、最常用的匹配方法。模板就是一幅已知的小圖像,而模板匹配就是在一幅大圖像中搜尋目標(biāo),已知該圖中有要找的目標(biāo),且該目標(biāo)與模板有相同的尺寸、方向和圖像元素,通過(guò)一定的算法可以在圖中找到目標(biāo),確定其坐標(biāo)位置。

模板匹配的度量方法是歸一化相關(guān)系數(shù)匹配算法。其計(jì)算公式為

式中,w、h 分別代表模板的長(zhǎng)和寬;I(x,y)代表輸入大圖像中(x,y)處的像素值大??;T(x',y')代表模板小圖像(x',y')處的像素值;R(x,y)代表輸入的大圖像中(x,y)處的相似性度量結(jié)果。R(x,y)的值為[-1,1],-1 代表負(fù)相關(guān),0 代表不相關(guān),1 代表正相關(guān)。對(duì)于本實(shí)驗(yàn)而言,計(jì)算結(jié)果越接近1 代表與原始模板越匹配,效果越好。

對(duì)于在超聲邊界附近的感興趣點(diǎn),判斷模板匹配的搜索范圍是否全部在超聲圖像內(nèi)部,如果不在則不能使用模板匹配校正,因?yàn)橐乐钩晥D像外部的信息對(duì)跟蹤過(guò)程造成干擾。除此之外,在跟蹤過(guò)程中,模板不能更新,應(yīng)一直使用初始模板,防止跟蹤過(guò)程中發(fā)生漂移。

1.2.3 ORB 特征點(diǎn)的檢測(cè)和匹配

ORB 特征點(diǎn)是因已有特征點(diǎn)檢測(cè)算法[如SIFT(scale invariant feature transform)[24]],不能滿足需求而開(kāi)發(fā)出來(lái)的。SIFT[24]特征點(diǎn)在1999 年首次提出,并在2004 年得到進(jìn)一步完善。SIFT 特征點(diǎn)在光照、噪聲、縮放和旋轉(zhuǎn)等干擾下仍具有良好的穩(wěn)定性,在對(duì)象識(shí)別、圖像拼接等領(lǐng)域應(yīng)用出色。但是由于其運(yùn)算速度過(guò)慢,無(wú)法應(yīng)用到實(shí)時(shí)系統(tǒng)中,最主要的是它受到專利保護(hù),學(xué)者不能隨意使用。后續(xù)學(xué)者對(duì)SIFT算法進(jìn)行了改進(jìn)和優(yōu)化,出現(xiàn)了如SURF[25](speeded up robust features)、ORB 等更優(yōu)的算法,其中ORB 特征點(diǎn)具有和SIFT 相似的匹配性能,受圖像噪聲影響較小,并且能夠?qū)崟r(shí)應(yīng)用。ORB 特征點(diǎn)由FAST[26]角點(diǎn)和BRIEF[27]描述子組成,首先通過(guò)FAST 角點(diǎn)確定圖像中與周圍像素存在明顯差異的像素點(diǎn)作為角點(diǎn),之后計(jì)算每個(gè)角點(diǎn)的BRIEF 描述子,從而確定唯一的ORB 特征點(diǎn)。FAST 角點(diǎn)的核心思想是如果在某個(gè)灰度值較小的區(qū)域存在一個(gè)灰度值明顯變大的像素點(diǎn),那么該像素點(diǎn)在這個(gè)區(qū)域中具有明顯的特征,可以作為特征點(diǎn)。FAST 角點(diǎn)計(jì)算過(guò)程如下:

第一步:選擇某個(gè)像素點(diǎn)作為中心點(diǎn)p,其像素值為Ip。

第二步:設(shè)置判定FAST 角點(diǎn)的像素閾值,例如Tp=0.2×Ip。

第三步:比較中心點(diǎn)p 的像素值與半徑為3 的圓周上所有像素的像素值,如果存在N 個(gè)像素的像素值大于Ip+Tp或者小于Ip-Tp,那么中心點(diǎn)p 為FAST角點(diǎn)。

第四步:遍歷所有像素點(diǎn),重復(fù)上述步驟,計(jì)算圖中的FAST 角點(diǎn)。

FAST 角點(diǎn)的選擇如圖3 所示。

圖3 FAST 角點(diǎn)(綠色)與周圍像素的灰度值比對(duì)

BRIEF 描述子用于描述特征點(diǎn)周圍像素灰度值的變化趨勢(shì),如果2 個(gè)圖中具有相同的描述子,那么認(rèn)為2 個(gè)特征點(diǎn)是同一個(gè)特征點(diǎn)。ORB 特征點(diǎn)匹配是通過(guò)計(jì)算2 個(gè)描述子之間的漢明距離來(lái)判斷。圖4 為CLUST 2015 數(shù)據(jù)集中相鄰兩幀ORB 特征點(diǎn)的匹配結(jié)果。

圖4 ORB 特征點(diǎn)匹配示意圖

1.2.4 KCF 算法

KCF 跟蹤算法是一種核相關(guān)濾波算法,其核心思想就是擴(kuò)充負(fù)樣本數(shù)量以增強(qiáng)跟蹤器的性能,而擴(kuò)充負(fù)樣本的方法就是采用循環(huán)矩陣的方法進(jìn)行構(gòu)造,只有基樣本為正樣本,其余均為負(fù)樣本。

該算法采用嶺回歸的方法訓(xùn)練跟蹤器。訓(xùn)練的目標(biāo)是找到一個(gè)函數(shù)f(z)=wTz 最小化樣本xi和回歸目標(biāo)yi的平方誤差,其中λ 為正則化參數(shù),w 的計(jì)算公式如下:

式中,X 為循環(huán)矩陣;I 為單位矩陣;y 為回歸矩陣。

循環(huán)矩陣X 如公式(6)所示:

然后對(duì)循環(huán)矩陣X 進(jìn)行離散傅里葉變換對(duì)角化,可變?yōu)?/p>

1.2.5 算法融合

對(duì)于感興趣點(diǎn)的跟蹤是基于其周圍區(qū)域的跟蹤,在初始幀以感興趣點(diǎn)的中點(diǎn)選取一個(gè)40×40 像素大小的正方形,將該區(qū)域作為參考模板和ROI,對(duì)該區(qū)域使用中值流算法跟蹤。如果跟蹤成功,在后續(xù)圖像所跟蹤到的ROI 周圍±2 像素進(jìn)行模板匹配,如果兩者跟蹤到的區(qū)域中點(diǎn)的歐氏距離大于3 像素,則以中值流算法作為結(jié)果,否則以模板匹配作為結(jié)果,且以模板匹配結(jié)果重新初始化中值流算法ROI;如果中值流算法跟蹤失敗,則用ORB 特征點(diǎn)匹配的方法校正,如果ORB 特征點(diǎn)匹配計(jì)算出對(duì)應(yīng)特征點(diǎn)的位移大于7 則去除,通過(guò)求取ORB 特征點(diǎn)平均位移計(jì)算出ROI 的位移大小,重新對(duì)ROI 區(qū)域初始化。在使用ORB 特征點(diǎn)校正中值流算法跟蹤失敗時(shí),如果ROI 周圍沒(méi)有超過(guò)10 個(gè)ORB 特征點(diǎn),那么只能使用模板匹配來(lái)跟蹤。如果連續(xù)超過(guò)30 幀圖像都不能使用中值流算法成功跟蹤以及ORB 特征點(diǎn)匹配矯正失敗,這種情況代表該任務(wù)無(wú)法使用中值流算法來(lái)完成,那么則使用KCF 跟蹤。同樣地,使用模板匹配進(jìn)行長(zhǎng)時(shí)目標(biāo)跟蹤誤差校正。由于呼吸運(yùn)動(dòng)具有周期性,可以通過(guò)歷史運(yùn)動(dòng)軌跡校正跟蹤錯(cuò)誤。記錄每連續(xù)200 幀圖像的跟蹤結(jié)果,對(duì)于后續(xù)所跟蹤到的感興趣點(diǎn)判斷其是否在運(yùn)動(dòng)范圍±3 像素,如果沒(méi)有超出范圍,則認(rèn)為正確,否則在運(yùn)動(dòng)范圍內(nèi)進(jìn)行模板匹配,重新初始化ROI。

2 實(shí)驗(yàn)結(jié)果

對(duì)測(cè)試集中某一感興趣點(diǎn)進(jìn)行測(cè)試,分別使用沒(méi)有校正的中值流算法和校正后的算法進(jìn)行比對(duì),其結(jié)果如圖5 所示。從圖5 可以看出,校正后的誤差明顯減小,證明校正使算法跟蹤精確度明顯改善。

圖5 算法校正前后對(duì)比

通過(guò)CLUST 2015 競(jìng)賽官方的評(píng)判,本方法的跟蹤誤差為(1.29±1.43)mm(95%置信區(qū)間:3.59 mm),詳見(jiàn)表1。

表1 CLUST 2015 各系列數(shù)據(jù)跟蹤誤差統(tǒng)計(jì) 單位:mm

由于所有任務(wù)的ROI 大小都是40×40 像素,所以跟蹤速率相對(duì)穩(wěn)定,平均幀率大于22 幀/s,基本滿足實(shí)時(shí)要求。在某些情況下,幀率可能會(huì)突然降低,可能是由于感興趣點(diǎn)突然出現(xiàn)大位移或者需要額外計(jì)算,例如重置位置、對(duì)ORB 特征點(diǎn)進(jìn)行匹配等。

在所有跟蹤任務(wù)中存在部分任務(wù)跟蹤誤差較大的情況,具體見(jiàn)表2。

表2 跟蹤任務(wù)誤差較大的情況統(tǒng)計(jì) 單位:mm

造成這些任務(wù)誤差較大的原因可能有很多,具體如下:MED-07-3_1 誤差大的可能原因是該點(diǎn)代表的血管過(guò)大,大于中值流算法40×40 像素的ROI,導(dǎo)致中值流算法不能很好地跟蹤該區(qū)域,以及某些情況下會(huì)出現(xiàn)大位移也同樣導(dǎo)致中值流算法產(chǎn)生誤差;MED-11_2 誤差大的原因是感興趣點(diǎn)十分靠近超聲圖像邊界,導(dǎo)致在跟蹤過(guò)程中中值流算法和模板匹配應(yīng)用效果較差;CIL-03_2 可能是由于部分遮擋導(dǎo)致目標(biāo)被遮擋時(shí)跟蹤誤差較大;ETH-13-1_1可能是由于圖像對(duì)比度較低以及感興趣點(diǎn)所代表血管過(guò)小導(dǎo)致的;MED-06-1_4 也可能同樣是因?yàn)楦信d趣點(diǎn)所代表的血管過(guò)小導(dǎo)致;MED-07-4_1 與MED-07-3_1 導(dǎo)致誤差過(guò)大的原因也應(yīng)該是相同的,都是感興趣點(diǎn)所代表血管過(guò)大導(dǎo)致的;MED-11_1 和MED-12_2 可能因?yàn)楦信d趣點(diǎn)周圍強(qiáng)度受到干擾,導(dǎo)致跟蹤效果較差。根據(jù)所有跟蹤結(jié)果的平均誤差可知,圖像對(duì)比度越高,處于超聲圖像中間、無(wú)大位移和遮擋的情況下跟蹤精度越高。

3 討論

使用手術(shù)導(dǎo)航系統(tǒng)進(jìn)行肝腫瘤射頻消融時(shí),呼吸運(yùn)動(dòng)會(huì)引起肝臟的運(yùn)動(dòng)和偏移,進(jìn)而導(dǎo)致誤差。為了解決這一難題,本文方法主要基于中值流算法、模板匹配、ORB 特征點(diǎn)匹配和KCF 組合對(duì)二維超聲圖像中的感興趣點(diǎn)進(jìn)行跟蹤。CLUST 2015 數(shù)據(jù)集由24個(gè)訓(xùn)練數(shù)據(jù)集和39 個(gè)測(cè)試數(shù)據(jù)集組成,分別具有53 個(gè)和85 個(gè)帶標(biāo)注的目標(biāo)。本方法平均跟蹤誤差為(1.29±1.43)mm(95%置信區(qū)間:3.59 mm),具有一定的魯棒性,快速準(zhǔn)確,且不需要對(duì)每位患者進(jìn)行訓(xùn)練。由于算法的運(yùn)行時(shí)間主要由ROI 大小確定,且ROI 大小為固定值(40×40 像素),所以本方法的運(yùn)行時(shí)間很穩(wěn)定,平均幀率大于22 幀/s。Bharadwaj 等[14]使用孿生神經(jīng)網(wǎng)絡(luò)和模板匹配在超聲圖像中跟蹤目標(biāo),添加模板匹配模塊和線性卡爾曼濾波模塊校正跟蹤過(guò)程中的漂移,其平均跟蹤誤差為1.60 mm,缺點(diǎn)是在感興趣點(diǎn)接近超聲圖像邊界、遮擋以及對(duì)比度不高的情況下容易跟蹤失敗、產(chǎn)生較大誤差。Hallack 等[13]使用logDemons 非線性配準(zhǔn)以及使用SIFT 特征點(diǎn)匹配校正跟蹤過(guò)程中的漂移和誤差,其平均跟蹤誤差為1.21 mm,缺點(diǎn)是SIFT 特征點(diǎn)計(jì)算過(guò)程很慢,更適合離線操作,算法運(yùn)算速度較慢,平均幀率為12 幀/s,且感興趣點(diǎn)在相鄰兩幀中位移大小與其所選中ROI 大小近似時(shí)容易失敗。本文使用中值流算法以及模板匹配和ORB 特征點(diǎn)匹配進(jìn)行超聲肝臟的跟蹤,跟蹤過(guò)程中的漂移和誤差可以較好地跟蹤肝臟運(yùn)動(dòng),且ORB 特征點(diǎn)匹配具有很好的實(shí)時(shí)性,所以時(shí)間復(fù)雜度低、計(jì)算速度快,可以滿足實(shí)時(shí)需求。

對(duì)于后續(xù)的研究,一是研究一種可以自動(dòng)選擇ROI 大小的跟蹤算法,使得ROI 內(nèi)所攜帶的血管信息和血管周圍的信息比例保持在一個(gè)適當(dāng)?shù)姆秶瑥亩鉀Q血管過(guò)大或過(guò)小導(dǎo)致跟蹤誤差變大的問(wèn)題;二是針對(duì)遮擋、感興趣點(diǎn)在超聲邊界以及對(duì)比度較差的情況,使用supports[28]方法來(lái)解決,該方法可以通過(guò)關(guān)聯(lián)點(diǎn)計(jì)算目標(biāo)點(diǎn)的位置;三是對(duì)于時(shí)間延遲問(wèn)題[29-31]的補(bǔ)償,由于數(shù)據(jù)傳輸、計(jì)算以及消融針進(jìn)入人體內(nèi)均需要一定的時(shí)間,如果不考慮這段進(jìn)針時(shí)間或不進(jìn)行時(shí)間補(bǔ)償,消融針到達(dá)腫瘤上的目標(biāo)點(diǎn)時(shí)會(huì)導(dǎo)致消融針進(jìn)針位置錯(cuò)誤。因此,需要對(duì)該時(shí)間延遲進(jìn)行補(bǔ)償,可以使用支持向量回歸、卡爾曼濾波等方法來(lái)解決。

4 結(jié)論

本文設(shè)計(jì)了一種基于中值流的方法在超聲圖像中跟蹤肝臟運(yùn)動(dòng),包括跟蹤、漂移校正、跟蹤失敗的ROI 重置。通過(guò)提交本文所提出的跟蹤方法的運(yùn)行結(jié)果至CLUST 2015,驗(yàn)證了本方法的跟蹤準(zhǔn)確性。本方法跟蹤精度較高、運(yùn)行速度較快,可以滿足熱消融手術(shù)中對(duì)腫瘤跟蹤的臨床需求。

猜你喜歡
中值角點(diǎn)感興趣
一種改進(jìn)的Shi-Tomasi角點(diǎn)檢測(cè)方法
Lagrange中值定理的證明及其應(yīng)用
多支撐區(qū)域模式化融合角點(diǎn)檢測(cè)算法仿真
更 正
基于FAST角點(diǎn)檢測(cè)算法上對(duì)Y型與X型角點(diǎn)的檢測(cè)
Lagrange中值定理的巧妙應(yīng)用
高等數(shù)學(xué)中拉格朗日中值定理的教學(xué)處理
微分中值定理教法研討
一種無(wú)人機(jī)影像分塊的亞像素角點(diǎn)快速檢測(cè)算法
編讀往來(lái)