[发明专利]一种基于肝脏超声造影图像的实时跟踪及定量分析方法

摘要

本发明属于计算机视觉、数字图像处理技术领域，具体涉及一种基于肝脏超声造影图像的实时跟踪及定量分析方法。本发明主要包括：(1)从肝脏序列图像的初始帧中选取感兴趣区域，采用光流法和粒子滤波法相结合的方法确定候选区域；(2)利用深度神经网络提取候选样本的特征，获得跟踪结果；(3)通过相似度匹配判定当前跟踪结果的准确性；(4)量化观察点区域的造影参数，排除图像中的波动式干扰，采用三次样条插值法拟合时间强度曲线，使医生的视觉和鉴别诊断更加直观。相比于现有技术，本发明利用组织形变具有周期的特性，通过全局和局部区域结合的方法，使其在跟踪效果和速度上具有显著优势。

主权项

1.一种基于肝脏超声造影图像的实时跟踪及定量分析方法，其特征在于，包括以下步骤：/nS1、根据获得的造影序列图像，选择目标区域进行跟踪；具体方法为：/nS11、根据获得的造影序列图像，输入连续的图像帧；/nS12、在初始帧中手动选择目标区域作为待跟踪区域；/nS13、计算第K-1帧中待跟踪区域的光流分量：/n在第K-1帧中待跟踪区域附近随机地抽取N个粒子，计算各粒子区域的光流分量；/nS14、获得当前帧的光流场：/n根据目标运动在序列图像邻帧之间的连续性和流动性，计算光流向量场，即对第K-1帧中图像的特征点(ux，uy)，求出其在当前帧图像中的位置偏移，即图像在点u处的运动速度，也就是像素点的光流；/nS15、计算每个粒子的权重：/n利用直方图相似性度量计算粒子区域与目标区域的相似度，将归一化后的值作为粒子权重；/nS16、根据获得的权重对粒子区域重新分布：/n更新粒子，权值大的地方多放置粒子，其他区域少放置粒子；/nS17、根据放置的粒子，确定目标候选区域；/nS2、提取选择的目标区域的特征，通过判别分类器获取跟踪结果；具体方法为：/nS21、获取候选样本：/n当新的一帧即当前帧到达时，根据步骤S17中产生的若干个候选目标的矩形区域，以这些区域作为候选样本；/nS22、对候选样本预处理：/n采取尺度归一化的方式对获取的候选样本区域进行预处理，即将图片缩放到统一的尺寸大小；/nS23、利用深度神经网络提取多个候选区域的特征，通过判别分类器获取跟踪结果：/nS231、特征预训练：/n选择卷积神经网络作为学习模型，使用稀疏自动编码机的方法，采集大量的图片进行无监督的特征训练，通过预训练网络过程来获得卷积神经网络使用的滤波器参数，使得后续能提取候选样本区域的边缘特征；/nS232、选择网络结构：/n选择有5个卷积层和3个全连接层的网络结构，将候选目标矩形框作为网络的输入端，进行特征提取计算，最后经过全连接层后，输出特征向量；/nS233、通过判别分类器获取跟踪结果：/n采用支持向量机SVM对候选区域进行分类，将步骤S232中提取得到的特征向量作为判别分类器的输入，得到的概率P定义为跟踪目标的置信度，选择最高的置信度P_max作为当前帧目标跟踪的最终结果；/nS3、判断当前跟踪结果的准确性，丢弃准确度低的图像，获得有效的量化参数稳定的时间强度曲线；具体方法为：/nS31、通过相似度匹配判定当前跟踪结果的准确性：/nS311、获得第一帧图像的直方图特征和当前帧结果的直方图特征；/nS312、根据直方图特征，用巴氏系数算法求出这两个图像的相似度d，其计算公式如下所示：/n /n其中，F1和F2分别代表肝脏造影序列图像的第1帧和第2～n帧，I为图像像素灰度值的概率分布，d表示巴氏系数∈[0,1]，为0表示F1，F2分布完全一致，1表示完全不同；/nS313、定义阈值θ，将巴氏系数值d与设定的阈值θ进行比较：/n当d<θ时，表示当前跟踪效果较好，得到的相似度最大，直接输出目标正确的位置；反之，即d>θ时，表示当前跟踪的效果较差，丢弃该帧图像，然后循环下一帧继续跟踪；/nS32、采用三次样条插值法拟合时间强度曲线：/nS321、根据步骤S313中获得的跟踪效果好的图像，计算其造影图像的灰度值，将灰度值转换成造影强度；/nS322、将当前所有帧的造影强度按照每一帧的时间顺序显示出来，形成原始时间强度曲线；/nS323、采用三次样条插值函数平滑处理，以消除周期性波动干扰带来的参数误差，得到平滑稳定的时间强度曲线；/nS324、计算造影特征量化参数，包括曲线下面积Area，峰值强度PI，增强时间TE，增强密度DE。/n