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

摘要：實時精確跟蹤胃鏡下病灶是醫學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，腫瘤目標的跟蹤需要具備實時性，此外，在保證速度的同時，需要更加準確的跟蹤腫瘤目標。本文根據胃鏡下腫瘤特征，利用SURF(SpeededUpRobustFeatures)特征和模板匹配跟蹤的算法對腫瘤進行跟蹤，通過對匹配的特征點去除誤匹配點，從而提高跟蹤定位精度。在SURF匹配跟蹤算法中，利用匹配特征點的聚類中心及包圍這些點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行了跟蹤試驗，實驗結果表明，改進的基于SURF匹配跟蹤的算法穩定性和跟蹤精度較好。

關鍵詞：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。在腫瘤剛發生時，患者可能無癥狀或者癥狀很輕，導致影響診斷，錯過最佳治療期[1]。據文獻[2]所述，結直腸癌在中國的發病率居腫瘤類第三位，我國結直腸癌病人的5年生存率為47.2%。而這類腫瘤需要借助胃鏡、腸鏡等儀器進行檢測，因此，高效的對腸道腫瘤的檢測與定位，為醫生給出相應治療具有重要的意義。目前的主要檢測手段是醫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，并可通過鏡體內工作腔道輸送器械對病灶進行組織活檢與手術治療[3]。對于面向自然腔道微創介入的方法，通過引入載體感知，如視覺信息等，降低內腔介入治療機械操作對人體組織的接觸力，降低手術對人體二次傷害的風險[4]。醫生進行胃鏡下病變觀察或手術時，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）腸壁中鏡頭內腫瘤數量較多時，隨著胃鏡鏡頭的晃動，腫瘤位置容易缺失，難以進行辨識；（3）由于腸內腫瘤種類多、性狀不很明顯，這對醫生辨別良惡性腫瘤的經驗或者技能要求較高，患者多，醫生少的供需緊張。因此，需要通過基于胃鏡圖像處理的方法，準確高效的跟蹤腫瘤的位置，提高醫生診斷的效率和效果。目前視頻目標的跟蹤中，有研究人員通過提取Context特征并采用流行學習理論實現對行人的魯棒跟蹤[5]。也有研究人員通過提取角點、局部二元模式（LocalBinaryPattern，LBP）紋理描述子等進行車輛的檢測與跟蹤定位[6]。在跟蹤理論上，針對目標區域和背景區域外貌相似時，跟蹤的目標在標記過程中會發生漂移的問題，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，特征提取是目標匹配的重要依據。SIFT(ScaleInvariantFeatureTransform)[8]是圖像匹配領域的經典特征，在圖像保真[9]、塊匹配[10]、物體識別、人臉識別[11]等領域有著廣泛應用，解決了目標旋轉、縮放、平移、光照影響、目標遮擋等問題。但是，由于視頻跟蹤對實時性要求較高，SIFT特征提取需要花費較多的計算時間，難以滿足實時性要求。而SURF(SpeededUpRobustFeatures,加速穩健特征)算法[12]是SIFT的快速算法，且穩定性好。此外，目前多數基于模板匹配的跟蹤算法匹配到的目標與模板尺寸相同，而不同視角觀察目標時目標大小并不完全一致，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，但這些特征點會有很多并不屬于目標的特征，尤其是像腫瘤這種相對較小的目標。因此，基于特征點的魯棒的目標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有一些公開的標準數據庫，如：視覺目標跟蹤數據庫(VisualObjectTracking,VOT),包含VOT14[13]和VOT13[14]等。這些視頻數據包含已經標注好的具有多種光照變化情況、運動突變、相機晃動、目標形變、顯著性比例與遮擋等目標跟蹤的干擾因素。并且這類數據集對目標的跟蹤也有相對完整的評估準則。然而，對于胃鏡腫瘤的跟蹤還沒有相關的數據集，也沒有統一的胃鏡圖像中腫瘤目標跟蹤的評價準則。為了解決上述問題，首先，本文通過對網絡公開的的一段600幀的胃鏡腫瘤檢測視頻進行標注，構建了本文的實驗數據集，并制定了針對胃鏡腫瘤跟蹤算法的評價準則。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域，減少視頻界面中無關信息的影響；然后利用模板匹配、SURF特征提取、引入去除誤匹配等策略，構建基于有效特征點的自適應的腫瘤目標匹配跟蹤算法。最后，通過與SIFT特征、加入和未加入去除誤匹配策略進行實驗對比分析，評估各個跟蹤算法腫瘤跟蹤的性能。

1ROI區域提取

在進行跟蹤前，需要對視頻圖像內無關區域去除，留下胃鏡視野內感興趣的區域（RegionofInterest，ROI）。由于胃鏡鏡頭內部采集的圖像為圓形區域，故而截取圓形ROI區域，作為接下來研究分析的圖像。確定ROI區域的方法：根據視頻界面顯示屬性，左側為視頻采集的時間、相機型號等信息，右側為胃鏡所采集到內腔中含有腫瘤的區域，如圖1(a)所示。根據右側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（CenterX，CenterY）、以及視野邊界的長和寬，獲取鏡頭視野內半徑，進而設置相應的掩模圖像，在原圖像中獲取ROI區域。

2腫瘤目標跟蹤算法

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

2.1模板匹配法

在計算機視覺領域，目標跟蹤算法在跟蹤車輛、行人等環境目標有著廣泛的應用，但在醫學腫瘤方向，還很少有應用。本文將目標跟蹤的方法應用在胃窺鏡中，運用模板匹配算法進行胃鏡下腫瘤跟蹤。由于在切除腫瘤的微創手術過程中，需要找尋腫瘤位置，并且進行標注，適當的給醫生或者醫療機器人輔助視覺，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）構建Hessian矩陣；然后根據Hessian矩陣判別式判斷是否為極值點，再通過改變濾波器的尺度生成尺度空間，然后利用非極大抑制根據Hessian閾值初步確定特征點，并進行插值確定精確特征點。然后基于統計特征點領域內的Harr小波特征選取特征點主方向；最后，根據主方向和對Harr小波響應的統計構造SURF特征點描述子。在本文實驗中hessian的閾值取值為800。SURF相較于SIFT特征具有一定的優勢，兩者主要有以下幾點區別：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，改變濾波器的大小，而圖像的尺寸不變，提高了速度和精度。2)篩選極值點的過程中，SIFT特征先抑制非極大值，再去除低對比度點和邊緣點；SURF則反之，先用Hessian矩陣確定極值點，再抑制非極大值，減少了極值點之間計算篩選的過程。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，在后續的匹配過程中，大量縮短了計算時間。因此，鑒于SIFT算法的計算復雜度高，不利于實時跟蹤，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，進行以下環節：（1）如圖3所示，針對圖1（b）的圖像提取SIFT/SURF特征關鍵點；（2）計算特征向量；（3）利用FLANN算法匹配當前的特征點向量和第一幀模板圖像中的特征點向量；（4）快速計算當前的特征點和第一幀模板圖像中的特征點的特征向量之間的最大距離和最小距離；（5）提取出當前的特征點和第一幀模板圖像中的特征點的匹配的距離小于2倍最小距離的特征點；（6）如圖4所示，提取出能包含（5）中所有特征點的最小圓形區域，標記腫瘤位置。視頻中每一幀都進行如上處理，最終實現腫瘤目標跟蹤。

2.3基于SURF和去除誤匹配點的跟蹤算法

胃鏡視頻內，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，存在一些誤匹配。這對腫瘤的標記有很大影響，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，進行去除誤匹配點的改進。首先將匹配點做聚類，先找到質心(Centroid_X,Centroid_Y)，計算特征點到質心的距離，該特征點到質心的距離在某個閾值外，由腫瘤自身的大小得知，該匹配點很可能是誤匹配點。對提取的圖3所示的特征點，將誤匹配點去除后，再對留下的匹配點提取最小圓形區域標記腫瘤位置，去除誤匹配的標記區域如圖5所示。圖4為當前圖像特征點與模板匹配的提取的腫瘤最小圓形區域，圖5(a)和圖5(b)分別基于SIFT和SURF特征點的腫瘤最小圓形區域。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，使得匹配上的特征點基本都是腫瘤上的特征點，從而提高了最小圓形區域（目標區域）提取的精度。由于最小圓形區域（跟蹤的目標）即為腫瘤所在的區域，因此，去除誤匹配之后，最小圓形區域去除了腸壁等非腫瘤的信息，使得跟蹤的腫瘤區域更加精確。

3實驗結果及分析

3.1數據庫及評估標準

目前在乳腺腫瘤腫檢測[18]等研究方面已有一些數據集，但針對胃窺鏡腫瘤跟蹤定位這個方向，研究相對較少，沒有標準的腫瘤視頻數據庫供研究者參考，且沒有標準的評估準則。本文評估以上算法性能采用來自網絡上公開的胃鏡內視頻：第一組為胃窺鏡下病灶手術的視頻，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。兩組數據用來驗證本文算法的魯棒性和準確性。在行人車輛等目標跟蹤的評估準則中，跟蹤的視頻幀目標與標記的真值之間的相關性用來度量算法的精確性(標記框覆蓋目標的面積)和魯棒性(重新初始化的次數)。本文借鑒現有的算法評估準則，對比標記部分覆蓋目標的比例。本文定義：當標記框內腫瘤覆蓋面積大于當前幀腫瘤面積的80%，且標記框的面積不能大于當前幀腫瘤面積的1.5倍，認為能夠準確跟蹤，否則認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，作為評判實時性的度量。

3.2實驗結果定性分析

本文實驗采用OpenCV2.4.8版本，VisualStudio2013版本進行算法實驗，電腦配置為內存4GB的64位Windows7系統。圖6為一組胃窺鏡下病變區域基于SURF特征去除誤匹配的跟蹤結果。圖6（a）為選取的模板，圖6（b）為模板區域的SURF特征點，圖6（c）-6（f）分別為第3幀、第7幀、第12幀和第18幀病變區域的跟蹤結果。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，利用紅色圈表示最小圓形區域，即跟蹤的目標區域。(a)3.3實驗結果定量分析此外，本文對600幅圖像跟蹤的結果進行了統計，按照評價標準對不同的方法進行了比較，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。在腫瘤區域跟蹤中，SIFT雖然可以提取更多的特征點，但是存在較多的非腫瘤部分的點，造成對腫瘤區域的選取過大，使得跟蹤正確率低于SURF特征。而本文改進基于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。而由于改進的SIFT/SURF加入了誤匹配剔除環節，使其每幀處理的平均時間比未改進的時間有所增加，但是本文提出的目標跟蹤算法與基于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時性。因此，從精度和實時性方面考慮，本文算法明顯優于其他方法。

4結論

結果：本文實驗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行跟蹤，而且速度快，算法復雜度較小。在本文所用的視頻中，每幀只花費約1ms。存在的問題：標記的圓太大，當腫瘤縮小（鏡頭遠離腫瘤），小圓形區域會找不到目標在哪，基本停留在某處不動，此時不能正常跟蹤腫瘤。標記的圓太小，當腫瘤變小時，能正常跟蹤腫瘤，但是，在腫瘤較大（鏡頭離腫瘤較近），不能標出腫瘤的大致輪廓，只能給予腫瘤的一部分標記，不具有顯著性。展望：針對上述問題，在保證實時性的同時，提取更多的能夠覆蓋腫瘤區域更加魯棒的特征點，并且加入腫瘤區域邊界約束條件，從而更加精確完整的標記出腫瘤的范圍。此外，隨著機器學習和深度學習的發展，可以通過獲取更多的胃鏡腫瘤檢測數據，構建腫瘤檢測數據集，通過手動或者深度網絡對腫瘤區進行特征提取的方式，檢測腫瘤區域并進行跟蹤，例如醫學影像上應用廣泛的U-net網絡等。

作者：劉全勝1,江艷梅2,楊景超2,馬鵬程3 單位：1．河北公安警察職業學院，2.河北交通職業技術學院，3．識途科技（廣州）有限責任公司