專利名稱：使用自適應(yīng)判別學(xué)習(xí)和測量融合的導(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熒光透視(fluoroscopic)圖像序列中的導(dǎo)管運(yùn)動的自動跟蹤。
背景技術(shù)：
主動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)管主動脈瓣植入(TAVI)是一種新興技術(shù)，尤其是針對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)通常是在實時熒光透視(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，尤其是對于高?；颊邅碚f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脈和冠狀動脈，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，主動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)識出。當(dāng)沒有造影注射時，主動脈和環(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脈的運(yùn)動，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跟蹤對象(諸如導(dǎo)管)的方法和系統(tǒng)。本發(fā)明的實施例利用自適應(yīng)判別學(xué)習(xí)和測量融合，用以基于圖像的導(dǎo)管跟蹤。本發(fā)明的實施例可以用于在經(jīng)導(dǎo)管主動脈瓣植入(TAVI)中跟蹤豬尾導(dǎo)管。因為豬尾導(dǎo)管具有與主動脈相同的運(yùn)動，所以可能通過跟蹤豬尾導(dǎo)管來跟蹤主動脈的運(yùn)動。在本發(fā)明的一個實施例中，基于在熒光透視圖像序列的至少一個在前幀中的所跟蹤的對象(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)判別模型跟蹤對象。在當(dāng)前幀中可以基于三種類型的測量模型的融合來跟蹤對象，其中所述三種類型測量模型包括在線訓(xùn)練的自適應(yīng)判別模型、離線訓(xùn)練的對象檢測模型以及在線表象模型。


對本領(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)管而對主動脈瓣植入進(jìn)行運(yùn)動補(bǔ)償?shù)膶嵗?；圖2圖示了不同熒光透視圖像序列中的豬尾導(dǎo)管的實例；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)的實例；圖5圖示了根據(jù)本發(fā)明的實施例的用于跟蹤醫(yī)學(xué)圖像序列中的對象的方法；圖6圖示了根據(jù)本發(fā)明的實施例的用于執(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)明的計算機(jī)的高級框圖。
具體實施例方式本發(fā)明涉及一種用于在熒光透視圖像序列中自動跟蹤對象(諸如導(dǎo)管)的方法和系統(tǒng)。數(shù)字圖像常常包括一個或多個對象(或形狀)的數(shù)字表示。在此常常在標(biāo)識和操縱對象方面來描述對象的數(shù)字表示。這樣的操縱是在計算機(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)明的實施例可以使用存儲在計算機(jī)系統(tǒng)內(nèi)的數(shù)據(jù)而在該計算機(jī)系統(tǒng)之內(nèi)被執(zhí)行。本發(fā)明的實施例提供了用于通過自適應(yīng)判別學(xué)習(xí)和測量融合來穩(wěn)健地 (robustly)跟蹤對象的計算框架。這樣的跟蹤框架可以被應(yīng)用于經(jīng)導(dǎo)管主動脈瓣植入 (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)管來對主動脈瓣植入進(jìn)行運(yùn)動補(bǔ)償?shù)膶嵗Ｘi尾導(dǎo)管是被插入到主動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)明的實施例跟蹤豬尾導(dǎo)管尖端的運(yùn)動，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到的豬尾導(dǎo)管尖％5 102。當(dāng)注射造影劑時，主動脈和主動脈瓣在很短的時間內(nèi)將是可見的，可以在2D熒光透視圖像中識別環(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)注射造影時在2D熒光透視圖像中所標(biāo)識出的環(huán)空管道104。當(dāng)沒有造影注射時，主動脈和主動脈瓣 (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)管與主動脈以相同運(yùn)動移動的情況下，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環(huán)空管道的連續(xù)可視化的運(yùn)動補(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)注射造影時所標(biāo)識出的環(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)空管道被用作實例，但是本發(fā)明并不限于此。其它幾何模型(例如主動脈模型)也可能被用于可視化運(yùn)動補(bǔ)償。主動脈瓣植入的動態(tài)臨床環(huán)境給對象跟蹤提出了值得注意的現(xiàn)實世界問題。例如，當(dāng)X射線(熒光透視)圖像以任意角被捕獲時，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)動和心臟運(yùn)動而連續(xù)移動。由于這些運(yùn)動，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，造影劑頻繁地被注射到血管中，以便使主動脈可視化，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，這可引起對豬尾導(dǎo)管的自動跟蹤失敗。因為低劑量輻射是優(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。為了在這樣的動態(tài)環(huán)境中解決上面描述的困難，本發(fā)明的實施例利用在熒光透視圖像序列中可得到的豐富的和動態(tài)的信息。本發(fā)明的實施例提供了在此稱為“判別跟蹤”的框架，以獲得穩(wěn)健的測量模塊來在動態(tài)環(huán)境中跟蹤一類對象、例如豬尾導(dǎo)管。本發(fā)明的實施例利用自適應(yīng)判別學(xué)習(xí)方法來建立在線測量模型，以辨別對象與背景。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)明的實施例進(jìn)一步在單個測量模型中引入多個測量模型的基于貝葉斯(Bayesian)的融合。根據(jù)有利的實施例，組合三種類型的測量模型，其中每個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)判別模型對于每個序列都被自適應(yīng)地學(xué)習(xí)，以將對象與背景分離；
2、離線學(xué)習(xí)的對象檢測模型。該對象檢測模型是根據(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)的對象檢測模型可以在一類對象之內(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要被跟蹤的對象來建立。該在線表象模型利用對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序列改變到另一序列的動態(tài)環(huán)境。為了符號的清楚，對象類別被表示為由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)。在有利的實施方案中，使用費(fèi)舍爾(Fisher)判別分析(FDA)。FDA在每個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象的方法，其包括 基于在熒光透視圖像序列的至少一個在前幀中的被跟蹤的對象在線訓(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在前幀中的被跟蹤的對象在線訓(xùn)練自適應(yīng)判別模型的步驟包括 提取來自在至少一個在前幀中的被跟蹤的對象的正樣本以及遠(yuǎn)離在至少一個在前幀中的被跟蹤的對象的負(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在前幀中的被跟蹤的對象在線訓(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)前幀中跟蹤對象的步驟包括 在當(dāng)前幀中使用其中一個為自適應(yīng)判別模型的多個測量模型的融合來跟蹤對象。
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為自適應(yīng)判別模型的多個測量模型的融合來跟蹤對象的步驟包括 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)練的對象檢測模型以及在線表象模型的融合的總體測量模型來跟蹤對象。
8.根據(jù)權(quán)利要求7所述的方法，其中，對象檢測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)在至少一個在前幀中的被跟蹤的對象來在線訓(xùn)練的表象模板之間的差，在線表象模型計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)練的對象檢測模型以及在線表象模型的融合的總體測量模型來跟蹤對象的步驟包括 在當(dāng)前幀中基于從至少一個在前幀傳播的運(yùn)動先驗概率和總體測量模型來跟蹤對象。
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)前幀中跟蹤對象的步驟包括 在當(dāng)前幀t中檢測對象中的運(yùn)動參數(shù)mt，以最大化后驗概率P (mt I Zlt)
12.根據(jù)權(quán)利要求I所述的方法，其中，對象為豬尾導(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在前幀中的被跟蹤的對象來在線訓(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在前幀中的被跟蹤的對象來在線訓(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在前幀中的被跟蹤的對象的正樣本以及遠(yuǎn)離在至少一個在前幀中的被跟蹤的對象的負(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)前幀中跟蹤對象的裝置包括 用于在當(dāng)前幀中使用其中一個為自適應(yīng)判別模型的多個測量模型的融合來跟蹤對象的裝置。
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為自適應(yīng)判別模型的多個測量模型的融合來跟蹤對象的裝置包括 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)練的對象檢測模型以及在線表象模型的融合的總體測量模型來跟蹤對象的裝置。
18.根據(jù)權(quán)利要求17所述的設(shè)備，其中，對象檢測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)在至少一個在前幀中的被跟蹤的對象來在線訓(xùn)練的表象模板之間的差，在線表象模型計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)練的對象檢測模型以及在線表象模型的融合的總體測量模型來跟蹤對象的裝置包括 用于在當(dāng)前幀中基于從至少一個在前幀傳播的運(yùn)動先驗概率和總體測量模型來跟蹤對象的裝置。
21.根據(jù)權(quán)利要求13所述的設(shè)備，其中，對象為豬尾導(dǎo)管尖端。
22.—種非瞬時性計算機(jī)可讀介質(zhì)，其利用用于在熒光透視圖像序列中跟蹤對象的計算機(jī)可執(zhí)行指令來編碼，所述計算機(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在前幀中的被跟蹤的對象在線訓(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)前幀中跟蹤對象。
23.根據(jù)權(quán)利要求22所述的非瞬時性計算機(jī)可讀介質(zhì)，其中，基于在熒光透視圖像序列的至少一個在前幀中的被跟蹤的對象在線訓(xùn)練自適應(yīng)判別模型的步驟包括 提取來自在至少一個在前幀中的被跟蹤的對象的正樣本以及遠(yuǎn)離在至少一個在前幀中的被跟蹤的對象的負(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所述的非瞬時性計算機(jī)可讀介質(zhì)，其中，基于在熒光透視圖像序列的至少一個在前幀中的被跟蹤的對象在線訓(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所述的非瞬時性計算機(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所述的非瞬時性計算機(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)前幀中跟蹤對象的步驟包括 在當(dāng)前幀中使用其中一個為自適應(yīng)判別模型的多個測量模型的融合來跟蹤對象。
27.根據(jù)權(quán)利要求26所述的非瞬時性計算機(jī)可讀介質(zhì)，其中，在當(dāng)前幀中使用其中一個為自適應(yīng)判別模型的多個測量模型的融合來跟蹤對象的步驟包括 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)練的對象檢測模型以及在線表象模型的融合的總體測量模型來跟蹤對象。
28.根據(jù)權(quán)利要求27所述的非瞬時性計算機(jī)可讀介質(zhì)，其中，對象檢測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所述的非瞬時性計算機(jī)可讀介質(zhì)，其中，基于當(dāng)前幀中的圖像塊與根據(jù)在至少一個在前幀中的被跟蹤的對象來在線訓(xùn)練的表象模板之間的差，在線表象模型計算所述圖像塊的概率。
30.根據(jù)權(quán)利要求27所述的非瞬時性計算機(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)練的對象檢測模型以及在線表象模型的融合的總體測量模型來跟蹤對象的步驟包括 在當(dāng)前幀中基于從至少一個在前幀傳播的運(yùn)動先驗概率和總體測量模型來跟蹤對象。
31.根據(jù)權(quán)利要求22所述的非瞬時性計算機(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)前幀中跟蹤對象的步驟包括在當(dāng)前幀t中檢測對象中的運(yùn)動參數(shù)mt，以最大化后驗概率P (mt I Zlt)
32.根據(jù)權(quán)利要求22所述的非瞬時性計算機(jī)可讀介質(zhì)，其中，對象為豬尾導(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在前幀中的被跟蹤的對象、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)前幀中跟蹤對象。在當(dāng)前幀中基于三種類型的測量模型的融合來跟蹤對象，這三種類型的測量模型包括在線訓(xùn)練的自適應(yīng)判別模型、離線訓(xùn)練的對象檢測模型以及在線表象模型。
文檔編號A61M25/095GK102697482SQ20121012013
公開日2012年10月3日 申請日期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 申請人:西門子公司