專利名稱：使用自適應(yīng)判別學(xué)習(xí)和測(cè)量融合的導(dǎo)管跟蹤的方法和系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及醫(yī)學(xué)成像，并且更特別地涉及對(duì)熒光透視(fluoroscopic)圖像序列中的導(dǎo)管運(yùn)動(dòng)的自動(dòng)跟蹤。
背景技術(shù)：
主動(dòng)脈瓣疾病在全球影響了大量人口并且在發(fā)達(dá)國家是最普遍類型的瓣膜病。常常有必要植入人造主動(dòng)脈瓣來替代被嚴(yán)重?fù)p壞的自體瓣膜。盡管開胸瓣膜手術(shù)是成熟的過程，但是微創(chuàng)經(jīng)導(dǎo)管主動(dòng)脈瓣植入(TAVI)是一種新興技術(shù)，尤其是針對(duì)高危患者的新興技術(shù)，以最小化外科手術(shù)創(chuàng)傷。介入式外科手術(shù)(諸如TAVI)通常是在實(shí)時(shí)熒光透視(X射線)圖像的導(dǎo)引下來執(zhí)行的。隨著微創(chuàng)TAVI技術(shù)正在興起，醫(yī)生越來越集中于將風(fēng)險(xiǎn)最小化以及使外科手術(shù)更少地侵入，以便使創(chuàng)傷最小化，尤其是對(duì)于高危患者來說使創(chuàng)傷最小化。例如，希望減少暴露(exposure to)次數(shù)以及注射到患者血液中的潛在有毒造影劑的數(shù)量。大多數(shù)這樣的造影用于突出熒光透視圖像中的主動(dòng)脈和冠狀動(dòng)脈，以便在視覺上引導(dǎo)醫(yī)生。例如，當(dāng)造影劑被注射到TAVI中時(shí)，主動(dòng)脈將是可見的并且環(huán)空管道(annulus line)也可以在2D熒光透視圖像中被標(biāo)識(shí)出。當(dāng)沒有造影注射時(shí)，主動(dòng)脈和環(huán)空管道將不可見。因此，希望在非造影增強(qiáng)的熒光透視圖像中跟蹤主動(dòng)脈的運(yùn)動(dòng)，以便減少患者暴露于造影劑。
發(fā)明內(nèi)容
本發(fā)明提供了一種用于在熒光透視圖像序列中自動(dòng)跟蹤對(duì)象(諸如導(dǎo)管)的方法和系統(tǒng)。本發(fā)明的實(shí)施例利用自適應(yīng)判別學(xué)習(xí)和測(cè)量融合，用以基于圖像的導(dǎo)管跟蹤。本發(fā)明的實(shí)施例可以用于在經(jīng)導(dǎo)管主動(dòng)脈瓣植入(TAVI)中跟蹤豬尾導(dǎo)管。因?yàn)樨i尾導(dǎo)管具有與主動(dòng)脈相同的運(yùn)動(dòng)，所以可能通過跟蹤豬尾導(dǎo)管來跟蹤主動(dòng)脈的運(yùn)動(dòng)。在本發(fā)明的一個(gè)實(shí)施例中，基于在熒光透視圖像序列的至少一個(gè)在前幀中的所跟蹤的對(duì)象(諸如豬尾導(dǎo)管尖端)而在線訓(xùn)練自適應(yīng)判別模型。在熒光透視圖像序列的當(dāng)前幀中至少基于在線訓(xùn)練的自適應(yīng)判別模型跟蹤對(duì)象。在當(dāng)前幀中可以基于三種類型的測(cè)量模型的融合來跟蹤對(duì)象，其中所述三種類型測(cè)量模型包括在線訓(xùn)練的自適應(yīng)判別模型、離線訓(xùn)練的對(duì)象檢測(cè)模型以及在線表象模型。
對(duì)本領(lǐng)域的普通技術(shù)人員來說，本發(fā)明的這些以及其它優(yōu)點(diǎn)通過參考下面的詳細(xì)描述以及附圖而將變得顯而易見。
圖I圖示了通過跟蹤豬尾導(dǎo)管而對(duì)主動(dòng)脈瓣植入進(jìn)行運(yùn)動(dòng)補(bǔ)償?shù)膶?shí)例；圖2圖示了不同熒光透視圖像序列中的豬尾導(dǎo)管的實(shí)例；圖3圖示了其中由另一裝置來封閉(occlude)豬尾導(dǎo)管的熒光透視圖像序列；圖4圖示了用于檢測(cè)熒光透視圖像序列中的豬尾導(dǎo)管的自適應(yīng)判別學(xué)習(xí)的實(shí)例；圖5圖示了根據(jù)本發(fā)明的實(shí)施例的用于跟蹤醫(yī)學(xué)圖像序列中的對(duì)象的方法；圖6圖示了根據(jù)本發(fā)明的實(shí)施例的用于執(zhí)行自適應(yīng)判別學(xué)習(xí)的算法；圖7圖示了示例性豬尾導(dǎo)管跟蹤結(jié)果；以及圖8是能夠?qū)嵤┍景l(fā)明的計(jì)算機(jī)的高級(jí)框圖。
具體實(shí)施例方式本發(fā)明涉及一種用于在熒光透視圖像序列中自動(dòng)跟蹤對(duì)象(諸如導(dǎo)管)的方法和系統(tǒng)。數(shù)字圖像常常包括一個(gè)或多個(gè)對(duì)象(或形狀)的數(shù)字表示。在此常常在標(biāo)識(shí)和操縱對(duì)象方面來描述對(duì)象的數(shù)字表示。這樣的操縱是在計(jì)算機(jī)系統(tǒng)的內(nèi)存或其它電路/硬件中完成的虛擬操縱。因此，應(yīng)理解的是，本發(fā)明的實(shí)施例可以使用存儲(chǔ)在計(jì)算機(jī)系統(tǒng)內(nèi)的數(shù)據(jù)而在該計(jì)算機(jī)系統(tǒng)之內(nèi)被執(zhí)行。本發(fā)明的實(shí)施例提供了用于通過自適應(yīng)判別學(xué)習(xí)和測(cè)量融合來穩(wěn)健地 (robustly)跟蹤對(duì)象的計(jì)算框架。這樣的跟蹤框架可以被應(yīng)用于經(jīng)導(dǎo)管主動(dòng)脈瓣植入 (TAVI)，以便跟蹤豬尾導(dǎo)管。醫(yī)療裝置(諸如豬尾導(dǎo)管)可以在TAVI過程中被跟蹤，以提供用于2D/3D疊加(overlay)的運(yùn)動(dòng)補(bǔ)償以及減少患者暴露于造影劑。圖I圖示了通過跟蹤豬尾導(dǎo)管來對(duì)主動(dòng)脈瓣植入進(jìn)行運(yùn)動(dòng)補(bǔ)償?shù)膶?shí)例。豬尾導(dǎo)管是被插入到主動(dòng)脈中用于心臟外科手術(shù)導(dǎo)引的一類醫(yī)療裝置。本發(fā)明的實(shí)施例跟蹤豬尾導(dǎo)管尖端的運(yùn)動(dòng)，其在豬尾導(dǎo)管的遠(yuǎn)端是松散的圓。圖I中的圖像(a)示出了在熒光透視圖像序列的幀中檢測(cè)到的豬尾導(dǎo)管尖％5 102。當(dāng)注射造影劑時(shí)，主動(dòng)脈和主動(dòng)脈瓣在很短的時(shí)間內(nèi)將是可見的，可以在2D熒光透視圖像中識(shí)別環(huán)空管道，用于可視地導(dǎo)引TAVI過程。圖I的圖像(b)示出了當(dāng)注射造影時(shí)在2D熒光透視圖像中所標(biāo)識(shí)出的環(huán)空管道104。當(dāng)沒有造影注射時(shí)，主動(dòng)脈和主動(dòng)脈瓣 (以及因此環(huán)空管道)將是不可見的。在介入期間，豬尾導(dǎo)管在2D熒光透視圖像中被連續(xù)跟蹤。在豬尾導(dǎo)管與主動(dòng)脈以相同運(yùn)動(dòng)移動(dòng)的情況下，即豬尾導(dǎo)管在介入期間沒有被拖拉， 豬尾導(dǎo)管的跟蹤將提供針對(duì)環(huán)空管道的連續(xù)可視化的運(yùn)動(dòng)補(bǔ)償。圖像(c)和(d)分別示出了在熒光透視圖像序列的兩幀中的所跟蹤的豬尾導(dǎo)管尖端位置112和122、當(dāng)注射造影時(shí)所標(biāo)識(shí)出的環(huán)空管道的位置104、分別基于所跟蹤的豬尾導(dǎo)管尖端位置112和122確定的經(jīng)過運(yùn)動(dòng)補(bǔ)償?shù)沫h(huán)空管道114和124。因此，導(dǎo)管跟蹤可以為主動(dòng)脈瓣植入提供可視導(dǎo)引，并且還可以極大地減少在介入期間所使用的造影劑的數(shù)量。雖然環(huán)空管道被用作實(shí)例，但是本發(fā)明并不限于此。其它幾何模型(例如主動(dòng)脈模型)也可能被用于可視化運(yùn)動(dòng)補(bǔ)償。主動(dòng)脈瓣植入的動(dòng)態(tài)臨床環(huán)境給對(duì)象跟蹤提出了值得注意的現(xiàn)實(shí)世界問題。例如，當(dāng)X射線(熒光透視)圖像以任意角被捕獲時(shí)，根據(jù)投影角，導(dǎo)管可以表現(xiàn)為圓、橢圓、 乃至直線。圖2圖示了不同熒光透視圖像序列中的豬尾導(dǎo)管的實(shí)例。圖像(a)示出了其中豬尾導(dǎo)管尖端202表現(xiàn)為圓的熒光透視圖像。圖像(b)示出了其中豬尾導(dǎo)管尖端204表現(xiàn)為橢圓的熒光透視圖像。圖像(c)示出了其中豬尾導(dǎo)管尖端206表現(xiàn)為直線的熒光透視圖像。圖像(d)示出了其中豬尾導(dǎo)管尖端208由于低劑量輻射X射線和運(yùn)動(dòng)模糊而幾乎不可見的熒光透視圖像。豬尾導(dǎo)管在圖像捕獲期間還隨著呼吸運(yùn)動(dòng)和心臟運(yùn)動(dòng)而連續(xù)移動(dòng)。由于這些運(yùn)動(dòng)，導(dǎo)管可能經(jīng)歷旋轉(zhuǎn)和扭轉(zhuǎn)，并且導(dǎo)管的形狀和表象可在熒光透視圖像序列之內(nèi)改變。此夕卜，當(dāng)在心臟介入期間捕獲X射線圖像時(shí)，造影劑頻繁地被注射到血管中，以便使主動(dòng)脈可視化，并且導(dǎo)管可被所注射的造影劑封閉。而且，除了豬尾導(dǎo)管之外，諸如其它導(dǎo)管、支架和探針之類的其它裝置以及諸如肋骨和脊骨的解剖結(jié)構(gòu)可以出現(xiàn)在X射線圖像中。一些其它裝置和解剖結(jié)構(gòu)可接近于豬尾導(dǎo)管，乃至與豬尾導(dǎo)管重疊，這可引起對(duì)豬尾導(dǎo)管的自動(dòng)跟蹤失敗。因?yàn)榈蛣┝枯椛涫莾?yōu)選的，所以X射線圖像通常具有低的信噪比，該低的信噪比可導(dǎo)致導(dǎo)管在X射線圖像中看起來模糊，諸如在圖2的圖像(d)中那樣。圖3圖示了其中豬尾導(dǎo)管被另一裝置封閉的熒光透視圖像序列。如圖3中所示，在具有造影注射的熒光透視圖像序列中，豬尾導(dǎo)管尖端302被支架304封閉。為了在這樣的動(dòng)態(tài)環(huán)境中解決上面描述的困難，本發(fā)明的實(shí)施例利用在熒光透視圖像序列中可得到的豐富的和動(dòng)態(tài)的信息。本發(fā)明的實(shí)施例提供了在此稱為“判別跟蹤”的框架，以獲得穩(wěn)健的測(cè)量模塊來在動(dòng)態(tài)環(huán)境中跟蹤一類對(duì)象、例如豬尾導(dǎo)管。本發(fā)明的實(shí)施例利用自適應(yīng)判別學(xué)習(xí)方法來建立在線測(cè)量模型，以辨別對(duì)象與背景。閉合形式的解析解被求出來在沒有更新樣本協(xié)方差矩陣的情況下有效地更新直接來自在線圖像的判別函數(shù)。 本發(fā)明的實(shí)施例進(jìn)一步在單個(gè)測(cè)量模型中引入多個(gè)測(cè)量模型的基于貝葉斯(Bayesian)的融合。根據(jù)有利的實(shí)施例，組合三種類型的測(cè)量模型，其中每個(gè)模型都利用在圖像序列中可得到的不同類型信息
1、在線自適應(yīng)判別模型。該在線自適應(yīng)判別模型對(duì)于每個(gè)序列都被自適應(yīng)地學(xué)習(xí)，以將對(duì)象與背景分離；
2、離線學(xué)習(xí)的對(duì)象檢測(cè)模型。該對(duì)象檢測(cè)模型是根據(jù)所收集的訓(xùn)練數(shù)據(jù)集來離線學(xué)習(xí)的。離線學(xué)習(xí)的對(duì)象檢測(cè)模型可以在一類對(duì)象之內(nèi)處理大變形并且可以被推廣到多種環(huán)境；以及
3、在線表象模型(onlineappearance model)。該在線表象模型特別是針對(duì)要被跟蹤的對(duì)象來建立。該在線表象模型利用對(duì)象在圖像序列的相繼幀之間的一致性。自適應(yīng)判別學(xué)習(xí)模型利用學(xué)習(xí)方法來訓(xùn)練模型，以將對(duì)象與背景分離，并且該自適應(yīng)判別學(xué)習(xí)模型可以有效地處理可從一個(gè)序列改變到另一序列的動(dòng)態(tài)環(huán)境。為了符號(hào)的清楚，對(duì)象類別被表示為由Ω +代表的“正”類別，而背景被表示為由Ω_代表的“負(fù)”類別。 所觀察的圖像被表示為Ζ。提取自圖像塊(imag印atch)的數(shù)據(jù)向量被表示為X，而數(shù)據(jù)向量的相關(guān)聯(lián)的類別標(biāo)志為lx。Ix = I指示X屬于對(duì)象類別，而Ix = -I指示X屬于背景。在線性判別分析中，原始數(shù)據(jù)向量被投影到對(duì)象更容易與背景分離的較低維度的子空間。投影由線性變換表示，即y= Φτχ，其中Φ是線性變換矩陣(或向量)。在有利的實(shí)施方案中，使用費(fèi)舍爾(Fisher)判別分析(FDA)。FDA在每個(gè)類別都通過高斯類分布來近似的假定下提供最佳解。FDA通過最大化類別之間方差和類別內(nèi)方差的比而提取判別特征，如在方程(I)中所示
^ 梁,(I)
Φ'ΣννΦ其中Σ b和Σ ￥分別是類別之間和類別內(nèi)的散布矩陣，這些散布矩陣被計(jì)算為
權(quán)利要求
1.一種用于在熒光透視圖像序列中跟蹤對(duì)象的方法，其包括 基于在熒光透視圖像序列的至少一個(gè)在前幀中的被跟蹤的對(duì)象在線訓(xùn)練自適應(yīng)判別模型；以及 至少基于在線訓(xùn)練的自適應(yīng)判別模型來在熒光透視圖像序列的當(dāng)前幀中跟蹤對(duì)象。
2.根據(jù)權(quán)利要求I所述的方法，其中，基于在熒光透視圖像序列的至少一個(gè)在前幀中的被跟蹤的對(duì)象在線訓(xùn)練自適應(yīng)判別模型的步驟包括 提取來自在至少一個(gè)在前幀中的被跟蹤的對(duì)象的正樣本以及遠(yuǎn)離在至少一個(gè)在前幀中的被跟蹤的對(duì)象的負(fù)樣本； 基于所提取的正樣本以及負(fù)樣本，使用梯度下降法來更新線性判別向量，以減少貝葉斯誤差；以及 基于所更新的線性判別向量來更新概率模型。
3.根據(jù)權(quán)利要求2所述的方法，其中，基于在熒光透視圖像序列的至少一個(gè)在前幀中的被跟蹤的對(duì)象在線訓(xùn)練自適應(yīng)判別模型的步驟還包括 重復(fù)更新線性判別向量以及更新概率模型的步驟，直到線性判別向量收斂。
4.根據(jù)權(quán)利要求2所述的方法，其中，最初的線性判別向量基于被注解的訓(xùn)練數(shù)據(jù)而離線訓(xùn)練。
5.根據(jù)權(quán)利要求4所述的方法，其中，最初的線性判別向量使用減少訓(xùn)練數(shù)據(jù)的維度的主成分分析(PCA)以及使用被應(yīng)用到來自PCA的主成分結(jié)果以學(xué)習(xí)最初的判別向量的費(fèi)舍爾判別分析(FDA)而得以離線訓(xùn)練。
6.根據(jù)權(quán)利要求I所述的方法，其中，至少基于在線訓(xùn)練的自適應(yīng)判別模型來在熒光透視圖像序列的當(dāng)前幀中跟蹤對(duì)象的步驟包括 在當(dāng)前幀中使用其中一個(gè)為自適應(yīng)判別模型的多個(gè)測(cè)量模型的融合來跟蹤對(duì)象。
7.根據(jù)權(quán)利要求6所述的方法，其中，在當(dāng)前幀中使用其中一個(gè)為自適應(yīng)判別模型的多個(gè)測(cè)量模型的融合來跟蹤對(duì)象的步驟包括 在當(dāng)前幀中使用為在線訓(xùn)練的自適應(yīng)判別模型、離線訓(xùn)練的對(duì)象檢測(cè)模型以及在線表象模型的融合的總體測(cè)量模型來跟蹤對(duì)象。
8.根據(jù)權(quán)利要求7所述的方法，其中，對(duì)象檢測(cè)模型基于被注解的訓(xùn)練數(shù)據(jù)使用概率推進(jìn)樹(PBT)而被離線訓(xùn)練。
9.根據(jù)權(quán)利要求7所述的方法，其中，基于當(dāng)前幀中的圖像塊與根據(jù)在至少一個(gè)在前幀中的被跟蹤的對(duì)象來在線訓(xùn)練的表象模板之間的差，在線表象模型計(jì)算所述圖像塊的概率。
10.根據(jù)權(quán)利要求7所述的方法，其中，在當(dāng)前幀中使用為在線訓(xùn)練的自適應(yīng)判別模型、離線訓(xùn)練的對(duì)象檢測(cè)模型以及在線表象模型的融合的總體測(cè)量模型來跟蹤對(duì)象的步驟包括 在當(dāng)前幀中基于從至少一個(gè)在前幀傳播的運(yùn)動(dòng)先驗(yàn)概率和總體測(cè)量模型來跟蹤對(duì)象。
11.根據(jù)權(quán)利要求I所述的方法，其中，至少基于在線訓(xùn)練的自適應(yīng)判別模型來在熒光透視圖像序列的當(dāng)前幀中跟蹤對(duì)象的步驟包括 在當(dāng)前幀t中檢測(cè)對(duì)象中的運(yùn)動(dòng)參數(shù)mt，以最大化后驗(yàn)概率P (mt I Zlt)
12.根據(jù)權(quán)利要求I所述的方法，其中，對(duì)象為豬尾導(dǎo)管尖端。
13.一種用于在熒光透視圖像序列中跟蹤對(duì)象的設(shè)備，其包括 用于基于在熒光透視圖像序列的至少一個(gè)在前幀中的被跟蹤的對(duì)象來在線訓(xùn)練自適應(yīng)判別模型的裝置；以及 用于至少基于在線訓(xùn)練的自適應(yīng)判別模型來在熒光透視圖像序列的當(dāng)前幀中跟蹤對(duì)象的裝置。
14.根據(jù)權(quán)利要求13所述的設(shè)備，其中，用于基于在熒光透視圖像序列的至少一個(gè)在前幀中的被跟蹤的對(duì)象來在線訓(xùn)練自適應(yīng)判別模型的裝置包括 用于提取來自在至少一個(gè)在前幀中的被跟蹤的對(duì)象的正樣本以及遠(yuǎn)離在至少一個(gè)在前幀中的被跟蹤的對(duì)象的負(fù)樣本的裝置； 用于基于所提取的正樣本和負(fù)樣本來使用梯度下降法更新線性判別向量以減少貝葉斯誤差的裝置；以及 用于基于所更新的線性判別向量來更新概率模型的裝置。
15.根據(jù)權(quán)利要求14所述的設(shè)備，還包括 用于基于被注解的訓(xùn)練數(shù)據(jù)來離線訓(xùn)練最初的線性判別向量的裝置。
16.根據(jù)權(quán)利要求13所述的設(shè)備，其中，用于至少基于在線訓(xùn)練的自適應(yīng)判別模型來在熒光透視圖像序列的當(dāng)前幀中跟蹤對(duì)象的裝置包括 用于在當(dāng)前幀中使用其中一個(gè)為自適應(yīng)判別模型的多個(gè)測(cè)量模型的融合來跟蹤對(duì)象的裝置。
17.根據(jù)權(quán)利要求16所述的設(shè)備，其中，用于在當(dāng)前幀中使用其中一個(gè)為自適應(yīng)判別模型的多個(gè)測(cè)量模型的融合來跟蹤對(duì)象的裝置包括 用于在當(dāng)前幀中使用為在線訓(xùn)練的自適應(yīng)判別模型、離線訓(xùn)練的對(duì)象檢測(cè)模型以及在線表象模型的融合的總體測(cè)量模型來跟蹤對(duì)象的裝置。
18.根據(jù)權(quán)利要求17所述的設(shè)備，其中，對(duì)象檢測(cè)模型基于被注解的訓(xùn)練數(shù)據(jù)使用概率推進(jìn)樹(PBT)而被離線訓(xùn)練。
19.根據(jù)權(quán)利要求17所述的設(shè)備，其中，基于當(dāng)前幀中的圖像塊與根據(jù)在至少一個(gè)在前幀中的被跟蹤的對(duì)象來在線訓(xùn)練的表象模板之間的差，在線表象模型計(jì)算所述圖像塊的概率。
20.根據(jù)權(quán)利要求17所述的設(shè)備，其中，用于在當(dāng)前幀中使用為在線訓(xùn)練的自適應(yīng)判別模型、離線訓(xùn)練的對(duì)象檢測(cè)模型以及在線表象模型的融合的總體測(cè)量模型來跟蹤對(duì)象的裝置包括 用于在當(dāng)前幀中基于從至少一個(gè)在前幀傳播的運(yùn)動(dòng)先驗(yàn)概率和總體測(cè)量模型來跟蹤對(duì)象的裝置。
21.根據(jù)權(quán)利要求13所述的設(shè)備，其中，對(duì)象為豬尾導(dǎo)管尖端。
22.—種非瞬時(shí)性計(jì)算機(jī)可讀介質(zhì)，其利用用于在熒光透視圖像序列中跟蹤對(duì)象的計(jì)算機(jī)可執(zhí)行指令來編碼，所述計(jì)算機(jī)可執(zhí)行指令限定包括如下步驟的方法 基于在熒光透視圖像序列的至少一個(gè)在前幀中的被跟蹤的對(duì)象在線訓(xùn)練自適應(yīng)判別模型；以及 至少基于在線訓(xùn)練的自適應(yīng)判別模型來在熒光透視圖像序列的當(dāng)前幀中跟蹤對(duì)象。
23.根據(jù)權(quán)利要求22所述的非瞬時(shí)性計(jì)算機(jī)可讀介質(zhì)，其中，基于在熒光透視圖像序列的至少一個(gè)在前幀中的被跟蹤的對(duì)象在線訓(xùn)練自適應(yīng)判別模型的步驟包括 提取來自在至少一個(gè)在前幀中的被跟蹤的對(duì)象的正樣本以及遠(yuǎn)離在至少一個(gè)在前幀中的被跟蹤的對(duì)象的負(fù)樣本； 基于所提取的正樣本以及負(fù)樣本，使用梯度下降法來更新線性判別向量，以減少貝葉斯誤差；以及 基于所更新的線性判別向量來更新概率模型。
24.根據(jù)權(quán)利要求23所述的非瞬時(shí)性計(jì)算機(jī)可讀介質(zhì)，其中，基于在熒光透視圖像序列的至少一個(gè)在前幀中的被跟蹤的對(duì)象在線訓(xùn)練自適應(yīng)判別模型的步驟還包括 重復(fù)更新線性判別向量以及更新概率模型的步驟，直到線性判別向量收斂。
25.根據(jù)權(quán)利要求23所述的非瞬時(shí)性計(jì)算機(jī)可讀介質(zhì)，其中，最初的線性判別向量基于被注解的訓(xùn)練數(shù)據(jù)而被離線訓(xùn)練。
26.根據(jù)權(quán)利要求22所述的非瞬時(shí)性計(jì)算機(jī)可讀介質(zhì)，其中，至少基于在線訓(xùn)練的自適應(yīng)判別模型來在熒光透視圖像序列的當(dāng)前幀中跟蹤對(duì)象的步驟包括 在當(dāng)前幀中使用其中一個(gè)為自適應(yīng)判別模型的多個(gè)測(cè)量模型的融合來跟蹤對(duì)象。
27.根據(jù)權(quán)利要求26所述的非瞬時(shí)性計(jì)算機(jī)可讀介質(zhì)，其中，在當(dāng)前幀中使用其中一個(gè)為自適應(yīng)判別模型的多個(gè)測(cè)量模型的融合來跟蹤對(duì)象的步驟包括 在當(dāng)前幀中使用為在線訓(xùn)練的自適應(yīng)判別模型、離線訓(xùn)練的對(duì)象檢測(cè)模型以及在線表象模型的融合的總體測(cè)量模型來跟蹤對(duì)象。
28.根據(jù)權(quán)利要求27所述的非瞬時(shí)性計(jì)算機(jī)可讀介質(zhì)，其中，對(duì)象檢測(cè)模型基于被注解的訓(xùn)練數(shù)據(jù)使用概率推進(jìn)樹(PBT)而被離線訓(xùn)練。
29.根據(jù)權(quán)利要求27所述的非瞬時(shí)性計(jì)算機(jī)可讀介質(zhì)，其中，基于當(dāng)前幀中的圖像塊與根據(jù)在至少一個(gè)在前幀中的被跟蹤的對(duì)象來在線訓(xùn)練的表象模板之間的差，在線表象模型計(jì)算所述圖像塊的概率。
30.根據(jù)權(quán)利要求27所述的非瞬時(shí)性計(jì)算機(jī)可讀介質(zhì)，其中，在當(dāng)前幀中使用為在線訓(xùn)練的自適應(yīng)判別模型、離線訓(xùn)練的對(duì)象檢測(cè)模型以及在線表象模型的融合的總體測(cè)量模型來跟蹤對(duì)象的步驟包括 在當(dāng)前幀中基于從至少一個(gè)在前幀傳播的運(yùn)動(dòng)先驗(yàn)概率和總體測(cè)量模型來跟蹤對(duì)象。
31.根據(jù)權(quán)利要求22所述的非瞬時(shí)性計(jì)算機(jī)可讀介質(zhì)，其中，至少基于在線訓(xùn)練的自適應(yīng)判別模型來在熒光透視圖像序列的當(dāng)前幀中跟蹤對(duì)象的步驟包括在當(dāng)前幀t中檢測(cè)對(duì)象中的運(yùn)動(dòng)參數(shù)mt，以最大化后驗(yàn)概率P (mt I Zlt)
32.根據(jù)權(quán)利要求22所述的非瞬時(shí)性計(jì)算機(jī)可讀介質(zhì)，其中，對(duì)象為豬尾導(dǎo)管尖端。
全文摘要
本發(fā)明涉及使用自適應(yīng)判別學(xué)習(xí)和測(cè)量融合的導(dǎo)管跟蹤的方法和系統(tǒng)。公開了一種用于基于圖像的導(dǎo)管跟蹤的自適應(yīng)判別學(xué)習(xí)和測(cè)量融合方法和系統(tǒng)。自適應(yīng)判別模型基于在熒光透視圖像序列的至少一個(gè)在前幀中的被跟蹤的對(duì)象、諸如豬尾導(dǎo)管尖端而被在線訓(xùn)練。至少基于在線訓(xùn)練的自適應(yīng)判別模型來在熒光透視圖像序列的當(dāng)前幀中跟蹤對(duì)象。在當(dāng)前幀中基于三種類型的測(cè)量模型的融合來跟蹤對(duì)象，這三種類型的測(cè)量模型包括在線訓(xùn)練的自適應(yīng)判別模型、離線訓(xùn)練的對(duì)象檢測(cè)模型以及在線表象模型。
文檔編號(hào)A61M25/095GK102697482SQ20121012013
公開日2012年10月3日 申請(qǐng)日期2012年3月14日 優(yōu)先權(quán)日2011年3月14日
發(fā)明者D·科馬尼丘, G·芬卡-李, J·貝澤, M·約翰, 王鵬, 鄭冶楓 申請(qǐng)人:西門子公司