本站小編為你精心準(zhǔn)備了論高效的胃鏡圖像腫瘤跟蹤算法參考范文，愿這些范文能點(diǎn)燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

摘要：實(shí)時精確跟蹤胃鏡下病灶是醫(yī)學(xué)檢查與診斷中的重要步驟。由于胃鏡檢查需要盡可能的快，從而減少患者的不適，因此，腫瘤目標(biāo)的跟蹤需要具備實(shí)時性，此外，在保證速度的同時，需要更加準(zhǔn)確的跟蹤腫瘤目標(biāo)。本文根據(jù)胃鏡下腫瘤特征，利用SURF(SpeededUpRobustFeatures)特征和模板匹配跟蹤的算法對腫瘤進(jìn)行跟蹤，通過對匹配的特征點(diǎn)去除誤匹配點(diǎn)，從而提高跟蹤定位精度。在SURF匹配跟蹤算法中，利用匹配特征點(diǎn)的聚類中心及包圍這些點(diǎn)的最小圓的位置衡量每幀跟蹤效果。本文對兩組胃窺鏡下病灶的視頻幀進(jìn)行了跟蹤試驗(yàn)，實(shí)驗(yàn)結(jié)果表明，改進(jìn)的基于SURF匹配跟蹤的算法穩(wěn)定性和跟蹤精度較好。

關(guān)鍵詞：SURF；模板匹配；腫瘤；跟蹤

0引言

腸道腫瘤是臨床上較為多見的一類疾病，如：小腸和大腸的良/惡性腫瘤。在腫瘤剛發(fā)生時，患者可能無癥狀或者癥狀很輕，導(dǎo)致影響診斷，錯過最佳治療期[1]。據(jù)文獻(xiàn)[2]所述，結(jié)直腸癌在中國的發(fā)病率居腫瘤類第三位，我國結(jié)直腸癌病人的5年生存率為47.2%。而這類腫瘤需要借助胃鏡、腸鏡等儀器進(jìn)行檢測，因此，高效的對腸道腫瘤的檢測與定位，為醫(yī)生給出相應(yīng)治療具有重要的意義。目前的主要檢測手段是醫(yī)生使用柔性胃鏡末端鏡頭拍攝圖像判斷食道、胃以及十二指腸是否有潰瘍或者息肉等病灶，并可通過鏡體內(nèi)工作腔道輸送器械對病灶進(jìn)行組織活檢與手術(shù)治療[3]。對于面向自然腔道微創(chuàng)介入的方法，通過引入載體感知，如視覺信息等，降低內(nèi)腔介入治療機(jī)械操作對人體組織的接觸力，降低手術(shù)對人體二次傷害的風(fēng)險[4]。醫(yī)生進(jìn)行胃鏡下病變觀察或手術(shù)時，存在以下問題：（1）腸壁與腫瘤顏色、紋理很相似，這對腫瘤的觀察，造成困擾；（2）腸壁中鏡頭內(nèi)腫瘤數(shù)量較多時，隨著胃鏡鏡頭的晃動，腫瘤位置容易缺失，難以進(jìn)行辨識；（3）由于腸內(nèi)腫瘤種類多、性狀不很明顯，這對醫(yī)生辨別良惡性腫瘤的經(jīng)驗(yàn)或者技能要求較高，患者多，醫(yī)生少的供需緊張。因此，需要通過基于胃鏡圖像處理的方法，準(zhǔn)確高效的跟蹤腫瘤的位置，提高醫(yī)生診斷的效率和效果。目前視頻目標(biāo)的跟蹤中，有研究人員通過提取Context特征并采用流行學(xué)習(xí)理論實(shí)現(xiàn)對行人的魯棒跟蹤[5]。也有研究人員通過提取角點(diǎn)、局部二元模式（LocalBinaryPattern，LBP）紋理描述子等進(jìn)行車輛的檢測與跟蹤定位[6]。在跟蹤理論上，針對目標(biāo)區(qū)域和背景區(qū)域外貌相似時，跟蹤的目標(biāo)在標(biāo)記過程中會發(fā)生漂移的問題，PosseggerH等[7]提出了基于顏色的稠密自由模型，并在目標(biāo)在跟蹤方面取得不錯的效果。然而，在匹配跟蹤中，特征提取是目標(biāo)匹配的重要依據(jù)。SIFT(ScaleInvariantFeatureTransform)[8]是圖像匹配領(lǐng)域的經(jīng)典特征，在圖像保真[9]、塊匹配[10]、物體識別、人臉識別[11]等領(lǐng)域有著廣泛應(yīng)用，解決了目標(biāo)旋轉(zhuǎn)、縮放、平移、光照影響、目標(biāo)遮擋等問題。但是，由于視頻跟蹤對實(shí)時性要求較高，SIFT特征提取需要花費(fèi)較多的計(jì)算時間，難以滿足實(shí)時性要求。而SURF(SpeededUpRobustFeatures,加速穩(wěn)健特征)算法[12]是SIFT的快速算法，且穩(wěn)定性好。此外，目前多數(shù)基于模板匹配的跟蹤算法匹配到的目標(biāo)與模板尺寸相同，而不同視角觀察目標(biāo)時目標(biāo)大小并不完全一致，會對跟蹤的精度造成一定的影響。另外，雖然有些特征提取算法可以提取到較多的特征點(diǎn)，但這些特征點(diǎn)會有很多并不屬于目標(biāo)的特征，尤其是像腫瘤這種相對較小的目標(biāo)。因此，基于特征點(diǎn)的魯棒的目標(biāo)跟蹤算法是解決這些問題的重要手段之一。目前對于視頻跟蹤算法的研究已經(jīng)有一些公開的標(biāo)準(zhǔn)數(shù)據(jù)庫，如：視覺目標(biāo)跟蹤數(shù)據(jù)庫(VisualObjectTracking,VOT),包含VOT14[13]和VOT13[14]等。這些視頻數(shù)據(jù)包含已經(jīng)標(biāo)注好的具有多種光照變化情況、運(yùn)動突變、相機(jī)晃動、目標(biāo)形變、顯著性比例與遮擋等目標(biāo)跟蹤的干擾因素。并且這類數(shù)據(jù)集對目標(biāo)的跟蹤也有相對完整的評估準(zhǔn)則。然而，對于胃鏡腫瘤的跟蹤還沒有相關(guān)的數(shù)據(jù)集，也沒有統(tǒng)一的胃鏡圖像中腫瘤目標(biāo)跟蹤的評價準(zhǔn)則。為了解決上述問題，首先，本文通過對網(wǎng)絡(luò)公開的的一段600幀的胃鏡腫瘤檢測視頻進(jìn)行標(biāo)注，構(gòu)建了本文的實(shí)驗(yàn)數(shù)據(jù)集，并制定了針對胃鏡腫瘤跟蹤算法的評價準(zhǔn)則。然后，針對胃鏡中的腫瘤高效跟蹤問題，提出了一種基于SURF特征的快速有效的腫瘤跟蹤算法。該算法先提取視頻幀中的感興趣區(qū)域，減少視頻界面中無關(guān)信息的影響；然后利用模板匹配、SURF特征提取、引入去除誤匹配等策略，構(gòu)建基于有效特征點(diǎn)的自適應(yīng)的腫瘤目標(biāo)匹配跟蹤算法。最后，通過與SIFT特征、加入和未加入去除誤匹配策略進(jìn)行實(shí)驗(yàn)對比分析，評估各個跟蹤算法腫瘤跟蹤的性能。

1ROI區(qū)域提取

在進(jìn)行跟蹤前，需要對視頻圖像內(nèi)無關(guān)區(qū)域去除，留下胃鏡視野內(nèi)感興趣的區(qū)域（RegionofInterest，ROI）。由于胃鏡鏡頭內(nèi)部采集的圖像為圓形區(qū)域，故而截取圓形ROI區(qū)域，作為接下來研究分析的圖像。確定ROI區(qū)域的方法：根據(jù)視頻界面顯示屬性，左側(cè)為視頻采集的時間、相機(jī)型號等信息，右側(cè)為胃鏡所采集到內(nèi)腔中含有腫瘤的區(qū)域，如圖1(a)所示。根據(jù)右側(cè)胃鏡鏡頭所采集圖像的顏色特征，可找到鏡頭視野中心坐標(biāo)（CenterX，CenterY）、以及視野邊界的長和寬，獲取鏡頭視野內(nèi)半徑，進(jìn)而設(shè)置相應(yīng)的掩模圖像，在原圖像中獲取ROI區(qū)域。

2腫瘤目標(biāo)跟蹤算法

本文腫瘤目標(biāo)跟蹤的主要流程為：首先選取待跟蹤的目標(biāo)模板t，提取模板的特征構(gòu)成特征模板，再對每個視頻幀f進(jìn)行特征提取，獲取f與t中匹配的特征點(diǎn)，然后通過引入去除誤匹配點(diǎn)的策略，得到最終匹配的特征點(diǎn)，再利用最小圓形區(qū)域包圍這些正確匹配的特征點(diǎn)，進(jìn)而對每一幀的腫瘤目標(biāo)進(jìn)行快速有效的跟蹤。

2.1模板匹配法

在計(jì)算機(jī)視覺領(lǐng)域，目標(biāo)跟蹤算法在跟蹤車輛、行人等環(huán)境目標(biāo)有著廣泛的應(yīng)用，但在醫(yī)學(xué)腫瘤方向，還很少有應(yīng)用。本文將目標(biāo)跟蹤的方法應(yīng)用在胃窺鏡中，運(yùn)用模板匹配算法進(jìn)行胃鏡下腫瘤跟蹤。由于在切除腫瘤的微創(chuàng)手術(shù)過程中，需要找尋腫瘤位置，并且進(jìn)行標(biāo)注，適當(dāng)?shù)慕o醫(yī)生或者醫(yī)療機(jī)器人輔助視覺，便于切除病灶。

2.2基于SURF的匹配算法

目前效果較好的特征點(diǎn)主要有：SIFT和SURF等特征。SURF特征提取的主要步驟為：首先，通過對圖像積分（盒式濾波器）構(gòu)建Hessian矩陣；然后根據(jù)Hessian矩陣判別式判斷是否為極值點(diǎn)，再通過改變?yōu)V波器的尺度生成尺度空間，然后利用非極大抑制根據(jù)Hessian閾值初步確定特征點(diǎn)，并進(jìn)行插值確定精確特征點(diǎn)。然后基于統(tǒng)計(jì)特征點(diǎn)領(lǐng)域內(nèi)的Harr小波特征選取特征點(diǎn)主方向；最后，根據(jù)主方向和對Harr小波響應(yīng)的統(tǒng)計(jì)構(gòu)造SURF特征點(diǎn)描述子。在本文實(shí)驗(yàn)中hessian的閾值取值為800。SURF相較于SIFT特征具有一定的優(yōu)勢，兩者主要有以下幾點(diǎn)區(qū)別：1)SIFT特征生成的第一個階段，在尺度空間中保持高斯濾波器不變，而圖像自身的尺寸在變化；SURF特征生成的尺度空間中，改變?yōu)V波器的大小，而圖像的尺寸不變，提高了速度和精度。2)篩選極值點(diǎn)的過程中，SIFT特征先抑制非極大值，再去除低對比度點(diǎn)和邊緣點(diǎn)；SURF則反之，先用Hessian矩陣確定極值點(diǎn)，再抑制非極大值，減少了極值點(diǎn)之間計(jì)算篩選的過程。3)在描述子方向上，SIFT特征可能會有多個方向；而SURF的方向只有一個。4)在描述子維度上，SIFT特征是128維的特征向量，而SUFR是64維的特征向量，在后續(xù)的匹配過程中，大量縮短了計(jì)算時間。因此，鑒于SIFT算法的計(jì)算復(fù)雜度高，不利于實(shí)時跟蹤，本文主要采用了魯棒性較好的SURF算子作為特征匹配的特征描述子，并與SIFT算子的效果進(jìn)行了對比。在視頻的第一幀選取模板t（同模板匹配算法的模板選擇保持一致），作為SIFT/SURF特征匹配的模板圖像，隨后，進(jìn)行以下環(huán)節(jié)：（1）如圖3所示，針對圖1（b）的圖像提取SIFT/SURF特征關(guān)鍵點(diǎn)；（2）計(jì)算特征向量；（3）利用FLANN算法匹配當(dāng)前的特征點(diǎn)向量和第一幀模板圖像中的特征點(diǎn)向量；（4）快速計(jì)算當(dāng)前的特征點(diǎn)和第一幀模板圖像中的特征點(diǎn)的特征向量之間的最大距離和最小距離；（5）提取出當(dāng)前的特征點(diǎn)和第一幀模板圖像中的特征點(diǎn)的匹配的距離小于2倍最小距離的特征點(diǎn)；（6）如圖4所示，提取出能包含（5）中所有特征點(diǎn)的最小圓形區(qū)域，標(biāo)記腫瘤位置。視頻中每一幀都進(jìn)行如上處理，最終實(shí)現(xiàn)腫瘤目標(biāo)跟蹤。

2.3基于SURF和去除誤匹配點(diǎn)的跟蹤算法

胃鏡視頻內(nèi)，腫瘤和腸壁顏色、紋理、亮度很相近，這對特征提取匹配帶來很大干擾，因此，視頻幀中留下的匹配特征點(diǎn)，存在一些誤匹配。這對腫瘤的標(biāo)記有很大影響，會造成跟蹤的腫瘤中包含過多的冗余信息，影響觀察者的觀測效果。所以在SURF匹配算法跟蹤中，進(jìn)行去除誤匹配點(diǎn)的改進(jìn)。首先將匹配點(diǎn)做聚類，先找到質(zhì)心(Centroid_X,Centroid_Y)，計(jì)算特征點(diǎn)到質(zhì)心的距離，該特征點(diǎn)到質(zhì)心的距離在某個閾值外，由腫瘤自身的大小得知，該匹配點(diǎn)很可能是誤匹配點(diǎn)。對提取的圖3所示的特征點(diǎn)，將誤匹配點(diǎn)去除后，再對留下的匹配點(diǎn)提取最小圓形區(qū)域標(biāo)記腫瘤位置，去除誤匹配的標(biāo)記區(qū)域如圖5所示。圖4為當(dāng)前圖像特征點(diǎn)與模板匹配的提取的腫瘤最小圓形區(qū)域，圖5(a)和圖5(b)分別基于SIFT和SURF特征點(diǎn)的腫瘤最小圓形區(qū)域。由圖4和圖5的對比可知，通過去除誤匹配的特征，剔除了腸壁上的一些誤匹配的特征點(diǎn)，使得匹配上的特征點(diǎn)基本都是腫瘤上的特征點(diǎn)，從而提高了最小圓形區(qū)域（目標(biāo)區(qū)域）提取的精度。由于最小圓形區(qū)域（跟蹤的目標(biāo)）即為腫瘤所在的區(qū)域，因此，去除誤匹配之后，最小圓形區(qū)域去除了腸壁等非腫瘤的信息，使得跟蹤的腫瘤區(qū)域更加精確。

3實(shí)驗(yàn)結(jié)果及分析

3.1數(shù)據(jù)庫及評估標(biāo)準(zhǔn)

目前在乳腺腫瘤腫檢測[18]等研究方面已有一些數(shù)據(jù)集，但針對胃窺鏡腫瘤跟蹤定位這個方向，研究相對較少，沒有標(biāo)準(zhǔn)的腫瘤視頻數(shù)據(jù)庫供研究者參考，且沒有標(biāo)準(zhǔn)的評估準(zhǔn)則。本文評估以上算法性能采用來自網(wǎng)絡(luò)上公開的胃鏡內(nèi)視頻：第一組為胃窺鏡下病灶手術(shù)的視頻，由于視頻中存在大量干擾信息，因此，本文共截取了視頻中干擾相對較小的30幀圖片；第二組為胃窺鏡下腫瘤檢測視頻，共600幀圖片。兩組數(shù)據(jù)用來驗(yàn)證本文算法的魯棒性和準(zhǔn)確性。在行人車輛等目標(biāo)跟蹤的評估準(zhǔn)則中，跟蹤的視頻幀目標(biāo)與標(biāo)記的真值之間的相關(guān)性用來度量算法的精確性(標(biāo)記框覆蓋目標(biāo)的面積)和魯棒性(重新初始化的次數(shù))。本文借鑒現(xiàn)有的算法評估準(zhǔn)則，對比標(biāo)記部分覆蓋目標(biāo)的比例。本文定義：當(dāng)標(biāo)記框內(nèi)腫瘤覆蓋面積大于當(dāng)前幀腫瘤面積的80%，且標(biāo)記框的面積不能大于當(dāng)前幀腫瘤面積的1.5倍，認(rèn)為能夠準(zhǔn)確跟蹤，否則認(rèn)為不能正確跟蹤腫瘤。通過比較跟蹤成功率，評判算法的精確性。同時也會將視頻處理每一幀的大致平均時間，作為評判實(shí)時性的度量。

3.2實(shí)驗(yàn)結(jié)果定性分析

本文實(shí)驗(yàn)采用OpenCV2.4.8版本，VisualStudio2013版本進(jìn)行算法實(shí)驗(yàn)，電腦配置為內(nèi)存4GB的64位Windows7系統(tǒng)。圖6為一組胃窺鏡下病變區(qū)域基于SURF特征去除誤匹配的跟蹤結(jié)果。圖6（a）為選取的模板，圖6（b）為模板區(qū)域的SURF特征點(diǎn)，圖6（c）-6（f）分別為第3幀、第7幀、第12幀和第18幀病變區(qū)域的跟蹤結(jié)果。為了更加清晰的展示SURF特征的特性，本文用不同大小的綠色圈更加顯著的表征SURF特征點(diǎn)，利用紅色圈表示最小圓形區(qū)域，即跟蹤的目標(biāo)區(qū)域。(a)3.3實(shí)驗(yàn)結(jié)果定量分析此外，本文對600幅圖像跟蹤的結(jié)果進(jìn)行了統(tǒng)計(jì)，按照評價標(biāo)準(zhǔn)對不同的方法進(jìn)行了比較，如表2所示。由表2可知，本文提出的算法在跟蹤的正確率上明顯高于其他算法。在腫瘤區(qū)域跟蹤中，SIFT雖然可以提取更多的特征點(diǎn)，但是存在較多的非腫瘤部分的點(diǎn)，造成對腫瘤區(qū)域的選取過大，使得跟蹤正確率低于SURF特征。而本文改進(jìn)基于SIFT/SURF匹配的算法，通過剔除誤匹配，提高了跟蹤的正確率。對于處理速度，在處理每幀圖像時，基于SURF的算法的平均速度是基于SIFT算法的平均速度的3.2倍。而由于改進(jìn)的SIFT/SURF加入了誤匹配剔除環(huán)節(jié)，使其每幀處理的平均時間比未改進(jìn)的時間有所增加，但是本文提出的目標(biāo)跟蹤算法與基于SURF特征直接匹配跟蹤的方法平均處理時間相差較小，不影響算法處理的實(shí)時性。因此，從精度和實(shí)時性方面考慮，本文算法明顯優(yōu)于其他方法。

4結(jié)論

結(jié)果：本文實(shí)驗(yàn)所用的視頻光照變化較大，但是本文的模板匹配方法仍然可以有效的進(jìn)行跟蹤，而且速度快，算法復(fù)雜度較小。在本文所用的視頻中，每幀只花費(fèi)約1ms。存在的問題：標(biāo)記的圓太大，當(dāng)腫瘤縮小（鏡頭遠(yuǎn)離腫瘤），小圓形區(qū)域會找不到目標(biāo)在哪，基本停留在某處不動，此時不能正常跟蹤腫瘤。標(biāo)記的圓太小，當(dāng)腫瘤變小時，能正常跟蹤腫瘤，但是，在腫瘤較大（鏡頭離腫瘤較近），不能標(biāo)出腫瘤的大致輪廓，只能給予腫瘤的一部分標(biāo)記，不具有顯著性。展望：針對上述問題，在保證實(shí)時性的同時，提取更多的能夠覆蓋腫瘤區(qū)域更加魯棒的特征點(diǎn)，并且加入腫瘤區(qū)域邊界約束條件，從而更加精確完整的標(biāo)記出腫瘤的范圍。此外，隨著機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的發(fā)展，可以通過獲取更多的胃鏡腫瘤檢測數(shù)據(jù)，構(gòu)建腫瘤檢測數(shù)據(jù)集，通過手動或者深度網(wǎng)絡(luò)對腫瘤區(qū)進(jìn)行特征提取的方式，檢測腫瘤區(qū)域并進(jìn)行跟蹤，例如醫(yī)學(xué)影像上應(yīng)用廣泛的U-net網(wǎng)絡(luò)等。

作者：劉全勝1,江艷梅2,楊景超2,馬鵬程3 單位：1．河北公安警察職業(yè)學(xué)院，2.河北交通職業(yè)技術(shù)學(xué)院，3．識途科技（廣州）有限責(zé)任公司