CN113808105B - 一种基于超声扫查的病灶检测方法 - Google Patents

一种基于超声扫查的病灶检测方法 Download PDF

Info

Publication number
CN113808105B
CN113808105B CN202111091516.8A CN202111091516A CN113808105B CN 113808105 B CN113808105 B CN 113808105B CN 202111091516 A CN202111091516 A CN 202111091516A CN 113808105 B CN113808105 B CN 113808105B
Authority
CN
China
Prior art keywords
focus
frame
tracking
track
queue
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111091516.8A
Other languages
English (en)
Other versions
CN113808105A (zh
Inventor
程栋梁
洪洋
刘振
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei Hebin Intelligent Robot Co ltd
Original Assignee
Hefei Hebin Intelligent Robot Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hefei Hebin Intelligent Robot Co ltd filed Critical Hefei Hebin Intelligent Robot Co ltd
Priority to CN202111091516.8A priority Critical patent/CN113808105B/zh
Publication of CN113808105A publication Critical patent/CN113808105A/zh
Application granted granted Critical
Publication of CN113808105B publication Critical patent/CN113808105B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Multimedia (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明公开了一种基于超声扫查的病灶检测方法，包括：对第t帧图像进行目标检测即病灶识别，识别出各个病灶以及各个病灶的区间位置，构成第t帧病灶集合Dt；将第t帧病灶集合Dt中的各个病灶分别与上一帧跟踪队列即第t‑1帧跟踪队列Pt‑1中的各个跟踪轨迹进行关联匹配，得到第t帧跟踪队列Pt；依次类推，直至读取完超声扫查视频中的最后一帧图像，得到最后一帧跟踪队列，该最后一帧跟踪队列即为超声扫查视频的完整跟踪队列。本发明对超声扫查视频进行疑似病灶区域的跟踪，能够实现病灶区域的实时定位，克服仅利用单帧图像信息的片面性，提升对超声图像的时空维度的全面利用，从而提高病灶检测的准确度。

Description

一种基于超声扫查的病灶检测方法
技术领域
本发明涉及超声检查的技术领域，尤其是一种基于超声扫查的病灶检测方法。
背景技术
超声诊断是腹部肾脏、肝脏、胰腺、脾脏、胆囊等器官首选影像学检查和术前评估方法。但病灶识别仍欠缺定量、稳定的分析手段，严重依赖医生的临床经验。近年来，基于计算机技术的医疗影像分析水平快速发展，超声影像分析取得了一系列里程碑式的突破，为医疗提供有效的诊断决策支持。医学超声图像通常包含较多标记和背景信息，而病灶区即发生病变的区域往往仅占小部分，对病灶区检测可以将有效信息从周围组织及标记中分离出来，进而提高后续特征分析的准确度。相对通用目标检测问题，病灶区域通常因人、因病而异，没有固定的形态及纹理特征，并且受限于超声图像采集原理及设备的影响，对比度低、斑点噪声一直影响着超声图像的质量。目前病灶识别方法需要医生手动截取超声扫查视频的单张图像，上传到云端进行识别，单张图像病灶信息并不充分，超声图像经常会有某些切面的一些脂肪、血管、组织等看起来与病灶无异，必须结合前后的影像综合判断，所以基于单张图像的病灶识别不完全准确，通常会有很高的假阳性。
现有技术中，利用深度学习方法对单张图像的病灶识别进行优化，但是，深度学习方法依赖于大量经过高质量标注的数据，然而医疗数据需要具有专业临床经验的医生进行标注，这就形成了医疗数据的产出与算法需求之间的矛盾，目前病灶检测模型都是基于单张图像而不是完整扫查视频的序列图像进行训练的，由于参与训练的背景数据有限，当目标检测算法应用在视频中时，定位误差会引起预测框前后帧突变或者跳跃性的假阳性检测，进而引发预测框不稳定现象。由于超声扫查的视频场景是实时性的，因此模型的复杂度必须较低，但因超声运动受到操作者动作的影响,病灶区域变化较大且不稳定,要获得鲁棒的跟踪效果难度较大。
发明内容
为了克服上述现有技术中的缺陷，本发明提供一种基于超声扫查的病灶检测方法，提高了病灶检测的准确度。
为实现上述目的，本发明采用以下技术方案，包括：
一种基于超声扫查的病灶检测方法，包括以下步骤：
S1，读取超声扫查视频中的当前帧图像即第t帧图像，对第t帧图像进行目标检测即病灶识别，从第t帧图像中识别出nt个病灶以及各个病灶的区间位置，此nt个病灶即构成第t帧病灶集合Dt；
表示第t帧病灶集合Dt中的第it个病灶，it＝1,2,…,nt；nt表示第t帧图像中的病灶总个数；
S2，将第t帧病灶集合Dt中的各个病灶分别与上一帧跟踪队列即第t-1帧跟踪队列Pt-1中的各个跟踪轨迹进行关联匹配，得到第t帧跟踪队列Pt；
其中，第t-1帧跟踪队列Pt-1为基于前t-1帧图像的识别结果所形成，第t-1帧跟踪队列Pt-1中包括mt-1个跟踪轨迹，每个跟踪轨迹分别对应跟踪一个病灶；
表示第t-1帧跟踪队列Pt-1中的第jt-1个跟踪轨迹，jt-1＝1,2,…mt-1；
S3，按照步骤S1～S2的方式，依次读取超声扫查视频中的下一帧图像，对下一帧图像进行病灶识别，从下一帧图像中识别出若干个病灶以及各个病灶的区间位置，得到下一帧病灶集合，将下一帧病灶集合中的各个病灶分别与上一帧跟踪队列中的各个跟踪轨迹进行关联匹配，得到下一帧跟踪队列；
直至读取完超声扫查视频中的最后一帧图像，得到最后一帧跟踪队列，该最后一帧跟踪队列即为超声扫查视频的完整跟踪队列。
步骤S2中，关联匹配的具体方式如下所示：
S21，将第t帧病灶集合Dt中的各个病灶分别与第t-1帧跟踪队列Pt-1中的各个跟踪轨迹进行IOU计算；
其中，第t帧病灶集合Dt中的第it个病灶与第t-1帧跟踪队列Pt-1中第jt-1个跟踪轨迹/>的IOU计算如下所示：
表示病灶/>的面积；/>表示跟踪轨迹/>所对应跟踪的病灶的面积；病灶的面积基于病灶的区间位置计算；
为病灶/>与跟踪轨迹/>之间的IOU值；
S22，针对第t帧病灶集合Dt中的各个病灶，分别找出各个病灶的最大IOU值，并判断病灶的最大IOU值是否大于设定的阈值σIOU，其中，
S221，若病灶的最大IOU值大于设定的阈值σIOU，则将该病灶/>关联至最大IOU值所对应的跟踪轨迹/>上，并对最大IOU值所对应的该跟踪轨迹/>进行更新，得到更新后的跟踪轨迹；
S222，若病灶的最大IOU值不大于设定的阈值σIOU，则判断该病灶/>的真实性；其中，若该病灶/>的真实性值大于设定的阈值σg，则为该病灶新建立一个跟踪轨迹，若该病灶/>的真实性值不大于设定的阈值σg，则将该病灶视为虚假病灶，后续不进行处理；
S23，根据新建立的跟踪轨迹、更新后的跟踪轨迹、历史跟踪轨迹即未更新的跟踪轨迹，构成第t帧跟踪队列Pt。
步骤S221中，病灶关联至最大IOU值所对应的跟踪轨迹/>得到更新后的跟踪轨迹后，还对更新后的跟踪轨迹所对应跟踪的病灶的区间位置进行更新，具体如下所示：
最大IOU值所对应的跟踪轨迹所对应跟踪的病灶在x轴上的区间范围为x1t-1～x2t-1，在y轴上的区间范围为y1t-1～y2t-1；
病灶在x轴上的区间范围为x1t～x2t，在y轴上的区间范围为y1t～y2t；
更新后的跟踪轨迹所对应跟踪的病灶在x轴上的区间范围为αx1t-1+βx1t～αx2t-1+βx2t，在y轴上的区间范围为αy1t-1+βy1t～αy2t-1+βy2t；
其中，为病灶/>的置信度，/>为最大IOU值所对应的跟踪轨迹/>中所关联的最后一个病灶的置信度；α、β均为系数；
病灶的置信度为目标检测即病灶识别过程中所获取的该病灶的参数，用于表征目标检测所识别的该病灶可信度。
步骤S222中，病灶的真实性计算方式为：
其中，g为病灶的真实性值；为病灶/>的置信度；
病灶的置信度为目标检测即病灶识别过程中所获取的该病灶的参数，用于表征目标检测所识别的该病灶可信度。
读取超声扫查视频中的第1帧图像，对第1帧图像进行目标检测即病灶识别，得到第1帧病灶集合D1，第1帧病灶集合D1中的各个病灶不进行关联匹配，根据第1帧病灶集合D1生成第1帧跟踪队列P1，且第1帧病灶集合D1中的每一个病灶均对应一个跟踪轨迹，即第1帧跟踪队列P1中跟踪轨迹的数量与第1帧病灶集合D1中病灶的数量相同。
最后一帧跟踪队列即为超声扫查视频的完整跟踪队列，分别计算最后一帧跟踪队列中的每个跟踪轨迹的累计置信度∑conf，将累计置信度∑conf超过设定阈值σ∑conf的跟踪轨迹作为真实跟踪轨迹，真实跟踪轨迹所对应跟踪的病灶即为病灶检测的结果；
所述累计置信度∑conf为：跟踪轨迹中所关联的各个病灶的置信度之和；
病灶的置信度为目标检测即病灶识别过程中所获取的该病灶的参数，用于表征目标检测所识别的该病灶可信度。
病灶的区间位置是指目标检测过程中该病灶检测框的大小和位置。
本发明的优点在于：
(1)本发明对超声扫查视频进行疑似病灶区域的跟踪，能够实现病灶区域的实时定位，克服仅利用单帧图像信息的片面性，提升对超声图像的时空维度的全面利用，从而提高病灶检测的准确度。
(2)超声图像有别于自然场景图像，病灶的形状不规则、边界不明确，病灶内部特征多样，其次与周围组织、器官区分性不明显，极易出现假阳性误检，因此在超声扫查过程中，出现大量只出现一次的突变性假阳性误检，非常影响医生的观察与判断，降低了辅助诊断的体验。突变性假阳性误检通常置信度较低，在实际的检测中大多方法采用提高置信度阈值来过滤这些误检，但是单一性的阈值不能够过滤高置信度误检，同时会降低微小病灶的检出率。由于病灶作为占位性病变，在多角度扫查过程中，通常会连续多帧被检测到，受到这种先验的启发，因此，本发明提出了IOU跟踪策略来捕获能够被连续多帧检测到的病灶，大大降低突变性假阳性误检。
(3)微小病灶的图像占比小，特征信息少，通常置信度偏低，并且尺度远小于突变性误检，受扫查医生扫查手法的影响，微小病灶以极低的概率出现，IOU跟踪策略在降低误检的同时，也过滤掉了微小病灶。本发明为了提高微小病灶的检出率，提出了置信度与矩形框面积平方根比值的策略，提高微小病灶的权重，提高微小病灶的检出率。
(4)受噪声和检测网络模型性能的影响，同一个跟踪轨迹所对应跟踪的病灶的区间位置即病灶检测框的大小、位置和置信度变化不稳定，本发明提出了一种对同一跟踪轨迹前后帧的病灶检测框进行加权融合策略，提高了病灶检测框的稳定性；
(5)本发明对于跟踪轨迹，利用跟踪轨迹的累计置信度对轨迹质量进行评估，判断真实跟踪轨迹，从而检测出真实病灶。
附图说明
图1为本发明的一种基于超声扫查的病灶检测方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
由图1所示，一种基于超声扫查的病灶检测方法，包括以下步骤：
S1，读取超声扫查视频中的第1帧图像，对第1帧图像进行目标检测即病灶识别，从第1帧图像中识别出n1个病灶以及各个病灶的区间位置，根据此n1个病灶构建得到第1帧病灶集合D1， 表示第1帧病灶集合D1中的第i1个病灶，i1＝1,2,…,n1。
病灶的区间位置是指目标检测过程中该病灶检测框的大小和位置。
S2，基于第1帧图像的识别结果，形成第1帧跟踪队列P1，第1帧跟踪队列P1中包括m1个跟踪轨迹， 表示第1帧跟踪队列P1中的第j1个跟踪轨迹，j1＝1,2,…m1。
每个跟踪轨迹分别对应跟踪一个病灶，因此，第1帧病灶集合D1中的每一个病灶均对应一个跟踪轨迹，第1帧跟踪队列P1中跟踪轨迹的数量与第1帧病灶集合D1中病灶的数量相同，即m1＝n1。
S3，读取超声扫查视频中的第2帧图像，对第2帧图像进行病灶识别，从第2帧图像中识别出n2个病灶以及各个病灶的区间位置，根据此n2个病灶构建得到第2帧病灶集合D2， 表示第2帧病灶集合D2中的第i2个病灶，i2＝1,2,…,n2。
S4，将第2帧病灶集合D2中的各个病灶分别与第1帧跟踪队列P1中的各个跟踪轨迹进行关联匹配，得到第2帧跟踪队列P2；具体方式如下所示：
S41，将第2帧病灶集合D2中的各个病灶分别与第1帧跟踪队列P1中的各个跟踪轨迹进行IOU计算；
其中，第2帧病灶集合D2中的第i2个病灶与第1帧跟踪队列P1中的第j1个跟踪轨迹/>的IOU计算如下所示：
i2＝1,2,…,n2；
j1＝1,2,…m1；
表示第2帧病灶集合D2中病灶/>的面积；/>表示第1帧跟踪队列P1中跟踪轨迹/>所对应跟踪的病灶的面积；病灶的面积根据病灶的区间位置计算得到；为第2帧病灶集合D2中病灶/>与第1帧跟踪队列P1中跟踪轨迹/>之间的IOU值。
S42，针对第2帧病灶集合D2中的各个病灶，分别找出各个病灶的最大IOU值，判断病灶的最大IOU值是否大于设定的阈值σIOU；其中，
S421，若病灶的最大IOU值大于设定的阈值σIOU，则将该病灶/>关联至最大IOU值所对应的跟踪轨迹/>上，并对最大IOU值所对应的跟踪轨迹/>进行更新，得到更新后的跟踪轨迹；
病灶关联至最大IOU值所对应的跟踪轨迹/>得到更新后的跟踪轨迹后，还对更新后的跟踪轨迹所对应跟踪的病灶的区间位置进行更新，具体如下所示：
最大IOU值所对应的跟踪轨迹所对应跟踪的病灶在x轴上的区间范围为x11～x21，在y轴上的区间范围为y11～y21；
病灶在x轴上的区间范围为x12～x22，在y轴上的区间范围为y12～y22；
更新后的跟踪轨迹所对应跟踪的病灶在x轴上的区间范围为αx11+βx12～αx21+βx22，在y轴上的区间范围为αy11+βy12～αy21+βy22；
其中，为病灶/>的置信度，/>为跟踪轨迹/>中所关联的最后一个病灶的置信度；α、β均为系数；
所述置信度为目标检测即病灶识别过程中的目标参数，用于表征目标检测的可信度，取值范围为0～1，数值越大，可信度越高。
S422，若病灶的最大IOU值不大于设定的阈值σIOU，则判断该病灶/>的真实性；其中，若该病灶/>的真实性值大于设定的阈值σg，则为该病灶新建立一个跟踪轨迹，否则，将该病灶视为虚假病灶，后续不进行处理；
病灶的真实性计算方式为：
其中，g为病灶的真实性值；/>为病灶/>的置信度；/>为病灶/>的面积。
S43，根据新建立的跟踪轨迹、更新后的跟踪轨迹、历史跟踪轨迹即未更新的跟踪轨迹，构成第2帧跟踪队列P2。
S5，读取超声扫查视频中的下一帧图像即第t帧图像，对第t帧图像进行目标检测即病灶识别，从第t帧图像中识别出nt个病灶以及各个病灶的区间位置，此nt个病灶即构成第t帧病灶集合Dt；
表示第t帧病灶集合Dt中的第it个病灶，it＝1,2,…,nt。
S6，将第t帧病灶集合Dt中的各个病灶分别与上一帧跟踪队列即第t-1帧跟踪队列Pt-1中的各个跟踪轨迹进行关联匹配，得到第t帧跟踪队列Pt。
其中，第t-1帧跟踪队列Pt-1为基于前t-1帧图像的识别结果所形成，第t-1帧跟踪队列Pt-1中包括mt-1个跟踪轨迹，每个跟踪轨迹分别对应跟踪一个病灶； 表示第t-1帧跟踪队列Pt-1中的第jt-1个跟踪轨迹，jt-1＝1,2,…mt-1。
步骤S6中，关联匹配的具体方式如下所示：
S61，将第t帧病灶集合Dt中的各个病灶分别与第t-1帧跟踪队列Pt-1中的各个跟踪轨迹进行IOU计算；
其中，第t帧病灶集合Dt中的第it个病灶与第t-1帧跟踪队列Pt-1中第jt-1个跟踪轨迹/>的IOU计算如下所示：
表示病灶/>的面积；/>表示跟踪轨迹/>中所对应跟踪的病灶的面积；
为病灶/>与跟踪轨迹/>之间的IOU值。
S62，针对第t帧病灶集合Dt中的各个病灶，分别找出各个病灶的最大IOU值，并判断病灶的最大IOU值是否大于设定的阈值σIOU；其中，
S621，若病灶的最大IOU值大于设定的阈值σIOU，则将该病灶/>关联至最大IOU值所对应的跟踪轨迹/>上，并对最大IOU值所对应的该跟踪轨迹/>进行更新，得到更新后的跟踪轨迹。
病灶关联至最大IOU值所对应的跟踪轨迹/>得到更新后的跟踪轨迹后，还对更新后的跟踪轨迹所对应跟踪的病灶的区间位置进行更新，具体如下所示：
最大IOU值所对应的跟踪轨迹所对应跟踪的病灶在x轴上的区间范围为x1t-1～x2t-1，在y轴上的区间范围为y1t-1～y2t-1；
病灶dit在x轴上的区间范围为x1t～x2t，在y轴上的区间范围为y1t～y2t；
更新后的跟踪轨迹所对应跟踪的病灶在x轴上的区间范围为αx1t-1+βx1t～αx2t-1+βx2t，在y轴上的区间范围为αy1t-1+βy1t～αy2t-1+βy2t；
其中，为病灶/>的置信度，/>为最大IOU值所对应的跟踪轨迹/>中所关联的最后一个病灶的置信度；α、β均为系数。
S622，若病灶的最大IOU值不大于设定的阈值σIOU，则判断该病灶/>的真实性；其中，若该病灶/>的真实性值大于设定的阈值σg，则为该病灶新建立一个跟踪轨迹，若该病灶/>的真实性值不大于设定的阈值σg，则将该病灶视为虚假病灶，后续不进行处理。
病灶的真实性计算方式为：
其中，g为病灶的真实性值；为病灶/>的置信度，所述置信度为目标检测即病灶识别过程中所获取的病灶置信度，用于表征目标检测的可信度；/>为病灶/>的面积。
S63，根据新建立的跟踪轨迹、更新后的跟踪轨迹、历史跟踪轨迹即未更新的跟踪轨迹，构成第t帧跟踪队列Pt。
S7，按照步骤S5～S6的方式，依次读取超声扫查视频中的下一帧图像，对该下一帧图像进行病灶识别，从下一帧图像中识别出若干个病灶以及各个病灶的区间位置，得到该下一帧病灶集合，将该下一帧病灶集合中的各个病灶分别与上一帧跟踪队列中的各个跟踪轨迹进行关联匹配，得到该下一帧跟踪队列；
直至读取完超声扫查视频中的最后一帧图像，得到该最后一帧跟踪队列，该最后一帧跟踪队列即为超声扫查视频的完整跟踪队列。
S8，分别计算最后一帧跟踪队列中的各个跟踪轨迹的累计置信度∑conf，将累计置信度∑conf超过设定阈值σ∑conf的跟踪轨迹作为真实跟踪轨迹，累计置信度∑conf未超过设定阈值σ∑conf的跟踪轨迹即为虚假跟踪轨迹；真实跟踪轨迹所对应跟踪的病灶即为病灶检测的结果即真实病灶。
所述累计置信度∑conf为：跟踪轨迹中所关联的各个病灶的置信度之和。
以上仅为本发明创造的较佳实施例而已，并不用以限制本发明创造，凡在本发明创造的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明创造的保护范围之内。

Claims (4)

1.一种基于超声扫查的病灶检测方法，其特征在于，包括以下步骤：
S1，读取超声扫查视频中的当前帧图像即第t帧图像，对第t帧图像进行目标检测即病灶识别，从第t帧图像中识别出nt个病灶以及各个病灶的区间位置，此nt个病灶即构成第t帧病灶集合Dt；
表示第t帧病灶集合Dt中的第it个病灶，it＝1,2,…,nt；nt表示第t帧图像中的病灶总个数；
S2，将第t帧病灶集合Dt中的各个病灶分别与上一帧跟踪队列即第t-1帧跟踪队列Pt-1中的各个跟踪轨迹进行关联匹配，得到第t帧跟踪队列Pt；
其中，第t-1帧跟踪队列Pt-1为基于前t-1帧图像的识别结果所形成，第t-1帧跟踪队列Pt-1中包括mt-1个跟踪轨迹，每个跟踪轨迹分别对应跟踪一个病灶；
表示第t-1帧跟踪队列Pt-1中的第jt-1个跟踪轨迹，jt-1＝1,2,…mt-1；
S3，按照步骤S1～S2的方式，依次读取超声扫查视频中的下一帧图像，对下一帧图像进行病灶识别，从下一帧图像中识别出若干个病灶以及各个病灶的区间位置，得到下一帧病灶集合，将下一帧病灶集合中的各个病灶分别与上一帧跟踪队列中的各个跟踪轨迹进行关联匹配，得到下一帧跟踪队列；
直至读取完超声扫查视频中的最后一帧图像，得到最后一帧跟踪队列，该最后一帧跟踪队列即为超声扫查视频的完整跟踪队列；
步骤S2中，关联匹配的具体方式如下所示：
S21，将第t帧病灶集合Dt中的各个病灶分别与第t-1帧跟踪队列Pt-1中的各个跟踪轨迹进行IOU计算；
其中，第t帧病灶集合Dt中的第it个病灶与第t-1帧跟踪队列Pt-1中第jt-1个跟踪轨迹的IOU计算如下所示：
表示病灶/>的面积；/>表示跟踪轨迹/>所对应跟踪的病灶的面积；病灶的面积基于病灶的区间位置计算；
为病灶/>与跟踪轨迹/>之间的IOU值；
S22，针对第t帧病灶集合Dt中的各个病灶，分别找出各个病灶的最大IOU值，并判断病灶的最大IOU值是否大于设定的阈值σIOU，其中，
S221，若病灶的最大IOU值大于设定的阈值σIOU，则将该病灶/>关联至最大IOU值所对应的跟踪轨迹/>上，并对最大IOU值所对应的该跟踪轨迹/>进行更新，得到更新后的跟踪轨迹；
S222，若病灶的最大IOU值不大于设定的阈值σIOU，则判断该病灶/>的真实性；其中，若该病灶/>的真实性值大于设定的阈值σg，则为该病灶新建立一个跟踪轨迹，若该病灶/>的真实性值不大于设定的阈值σg，则将该病灶视为虚假病灶，后续不进行处理；
S23，根据新建立的跟踪轨迹、更新后的跟踪轨迹、历史跟踪轨迹即未更新的跟踪轨迹，构成第t帧跟踪队列Pt；
步骤S221中，病灶关联至最大IOU值所对应的跟踪轨迹/>得到更新后的跟踪轨迹后，还对更新后的跟踪轨迹所对应跟踪的病灶的区间位置进行更新，具体如下所示：
最大IOU值所对应的跟踪轨迹所对应跟踪的病灶在x轴上的区间范围为x1t-1～x2t-1，在y轴上的区间范围为y1t-1～y2t-1；
病灶在x轴上的区间范围为x1t～x2t，在y轴上的区间范围为y1t～y2t；
更新后的跟踪轨迹所对应跟踪的病灶在x轴上的区间范围为αx1t-1+βx1t～αx2t-1+βx2t，在y轴上的区间范围为αy1t-1+βy1t～αy2t-1+βy2t；
其中，为病灶/>的置信度，/>为最大IOU值所对应的跟踪轨迹中所关联的最后一个病灶的置信度；α、β均为系数；
步骤S222中，病灶的真实性计算方式为：
其中，g为病灶的真实性值；为病灶/>的置信度；/>为病灶/>的面积；
病灶的置信度为目标检测即病灶识别过程中所获取的该病灶的参数，用于表征目标检测所识别的该病灶可信度。
2.根据权利要求1所述的一种基于超声扫查的病灶检测方法，其特征在于，读取超声扫查视频中的第1帧图像，对第1帧图像进行目标检测即病灶识别，得到第1帧病灶集合D1，第1帧病灶集合D1中的各个病灶不进行关联匹配，根据第1帧病灶集合D1生成第1帧跟踪队列P1，且第1帧病灶集合D1中的每一个病灶均对应一个跟踪轨迹，即第1帧跟踪队列P1中跟踪轨迹的数量与第1帧病灶集合D1中病灶的数量相同。
3.根据权利要求1所述的一种基于超声扫查的病灶检测方法，其特征在于，最后一帧跟踪队列即为超声扫查视频的完整跟踪队列，分别计算最后一帧跟踪队列中的每个跟踪轨迹的累计置信度∑conf，将累计置信度∑conf超过设定阈值σ∑conf的跟踪轨迹作为真实跟踪轨迹，真实跟踪轨迹所对应跟踪的病灶即为病灶检测的结果；
所述累计置信度∑conf为：跟踪轨迹中所关联的各个病灶的置信度之和；
病灶的置信度为目标检测即病灶识别过程中所获取的该病灶的参数，用于表征目标检测所识别的该病灶可信度。
4.根据权利要求1所述的一种基于超声扫查的病灶检测方法，其特征在于，病灶的区间位置是指目标检测过程中该病灶检测框的大小和位置。
CN202111091516.8A 2021-09-17 2021-09-17 一种基于超声扫查的病灶检测方法 Active CN113808105B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111091516.8A CN113808105B (zh) 2021-09-17 2021-09-17 一种基于超声扫查的病灶检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111091516.8A CN113808105B (zh) 2021-09-17 2021-09-17 一种基于超声扫查的病灶检测方法

Publications (2)

Publication Number Publication Date
CN113808105A CN113808105A (zh) 2021-12-17
CN113808105B true CN113808105B (zh) 2024-03-19

Family

ID=78895687

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111091516.8A Active CN113808105B (zh) 2021-09-17 2021-09-17 一种基于超声扫查的病灶检测方法

Country Status (1)

Country Link
CN (1) CN113808105B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114764786A (zh) * 2022-03-14 2022-07-19 什维新智医疗科技(上海)有限公司 一种基于超声视频流的病灶区域实时检测装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2599844A1 (en) * 2005-04-06 2006-10-12 Carl Zeiss Meditec Ag Method and apparatus for measuring motion of a subject using a series of partial images from an imaging system
CN105046220A (zh) * 2015-07-10 2015-11-11 华为技术有限公司 一种多目标跟踪方法、装置及设备
CN106770747A (zh) * 2016-12-09 2017-05-31 广州迈达康医药科技有限公司 一种他克莫司制剂评价方法
CN111126235A (zh) * 2019-12-18 2020-05-08 浙江大华技术股份有限公司 一种船只违章停泊检测处理方法及装置
CN112837296A (zh) * 2021-02-05 2021-05-25 深圳瀚维智能医疗科技有限公司 基于超声视频的病灶检测方法、装置、设备及存储介质
CN113240718A (zh) * 2021-07-13 2021-08-10 萱闱(北京)生物科技有限公司 多目标识别及跟踪方法、***、介质和计算设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9646389B2 (en) * 2014-08-26 2017-05-09 Qualcomm Incorporated Systems and methods for image scanning

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2599844A1 (en) * 2005-04-06 2006-10-12 Carl Zeiss Meditec Ag Method and apparatus for measuring motion of a subject using a series of partial images from an imaging system
CN105046220A (zh) * 2015-07-10 2015-11-11 华为技术有限公司 一种多目标跟踪方法、装置及设备
CN106770747A (zh) * 2016-12-09 2017-05-31 广州迈达康医药科技有限公司 一种他克莫司制剂评价方法
CN111126235A (zh) * 2019-12-18 2020-05-08 浙江大华技术股份有限公司 一种船只违章停泊检测处理方法及装置
CN112837296A (zh) * 2021-02-05 2021-05-25 深圳瀚维智能医疗科技有限公司 基于超声视频的病灶检测方法、装置、设备及存储介质
CN113240718A (zh) * 2021-07-13 2021-08-10 萱闱(北京)生物科技有限公司 多目标识别及跟踪方法、***、介质和计算设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
William Perkins,et al.Computing the confidence levels for a root-mean-square test of goodness-of-fit.《Applied Mathematics and Computation》.2011,9072-9084. *
基于车载视频图像的车辆检测与跟踪算法;周苏，等;《同济大学学报》;20191215;191-198 *

Also Published As

Publication number Publication date
CN113808105A (zh) 2021-12-17

Similar Documents

Publication Publication Date Title
CN110232383B (zh) 一种基于深度学习模型的病灶图像识别方法及病灶图像识别***
CN111539930B (zh) 基于深度学习的动态超声乳腺结节实时分割与识别的方法
Zhang et al. Intelligent scanning: Automated standard plane selection and biometric measurement of early gestational sac in routine ultrasound examination
Nurmaini et al. Accurate detection of septal defects with fetal ultrasonography images using deep learning-based multiclass instance segmentation
CN111340827A (zh) 一种肺部ct影像数据处理分析方法及***
CN112070685B (zh) Hifu治疗***的动态软组织运动预测的方法
CN113298830B (zh) 一种基于自监督的急性颅内ich区域图像分割方法
CN112950546B (zh) 一种钡餐造影图像的食道癌检测方法及***
CN114429459A (zh) 目标检测模型的训练方法及对应的检测方法
CN117350979A (zh) 一种基于医疗超声影像的任意病灶分割和追踪***
CN113159223A (zh) 一种基于自监督学习的颈动脉超声图像识别方法
CN113808105B (zh) 一种基于超声扫查的病灶检测方法
CN117409002A (zh) 一种用于创伤的视觉识别检测***及其检测方法
CN111080676A (zh) 一种通过在线分类跟踪内窥镜图像序列特征点的方法
CN114972266A (zh) 基于自注意机制和稳定学习的淋巴瘤超声图像语义分割方法
CN111128349A (zh) 基于gan的医学影像病灶检测标记数据增强方法及装置
Yasrab et al. End-to-end first trimester fetal ultrasound video automated crl and nt segmentation
CN117274603A (zh) 基于语义分割网络的肝脏病灶图像描述方法
CN111281387B (zh) 基于人工神经网络的左心房与心房瘢痕的分割方法及装置
CN111402244B (zh) 一种胎儿心脏标准切面自动分类法
CN116524178A (zh) 基于半监督的mri图像组织分割方法及成像方法
CN109886903A (zh) 一种基于灰度中列数参照的多聚焦图像融合方法和***
CN115661193A (zh) 基于时间上下文和信息瓶颈的超声运动跟踪方法及***
CN115409812A (zh) 一种基于融合时间注意机制的ct图像自动分类方法
CN113763309A (zh) 一种基于改进U-net网络和LSTM网络的肝脏血管超声图像目标识别与跟踪方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant