基于模板匹配的加速肺结节检测算法研究

计算机工程与应用 ›› 2015, Vol. 51 ›› Issue (7): 184-188.

基于模板匹配的加速肺结节检测算法研究

吴平1，4，王彬1，薛洁2，张岩3，刘辉1

1.昆明理工大学信息工程与自动化学院，昆明 650500
2.云南警官学院信息网络安全学院，昆明 650500
3.哈尔滨工业大学深圳研究生院电子与信息工程学院，广东深圳 518057
4.陕西维视数字图像技术有限公司，西安 710061

出版日期:2015-04-01 发布日期:2015-03-31

Research of accelerate detect of pulmonary nodules based on template matching algorithm

WU Ping1，4, WANG Bin1, XUE Jie2, ZHANG Yan3, LIU Hui1

1.Faculty of Information Engineering and Automation, Kunming University of Science and Technology, Kunming 650500, China
2.School of Information Network Security, Yunnan Police Officer Academy, Kunming 650500, China
3.School of Electronic and Information Engineering, Shenzhen Graduate School, Harbin Institute of Technology, Shenzhen, Guangdong 518057, China
4.Shaanxi Microvision Digital Image Technology Co. Ltd., Xi’an 710061, China

Online:2015-04-01 Published:2015-03-31

摘要/Abstract

摘要： 使用传统的归一化互相关模板匹配算法进行肺结节检测耗时较长，在数据量较多的情况下容易造成漏诊或误诊。提出一种改进算法，主要从优化搜索策略入手，采用粗-精匹配思想，先使用改进SAD算法进行粗匹配找出侯准匹配点，再采用归一化互相关算法在侯准匹配点邻域内进行精确匹配找出最佳匹配点。实验结果表明，与NCC算法和卷积算法相比较，该算法在保证匹配精度的前提下，较大幅度地提高了匹配速率。采用这种算法进行自动肺节点检测可减少检测时间，对辅助完成早期的疑似肺结节点的定位和跟踪诊断有重要意义。

关键词: 模板匹配, 归一化互相关（NCC）, 肺结节, 匹配点

Abstract: In the process of lung nodules detection, because of the large data, the conventional Normalized Cross-Correlation（NCC） algorithm will cost overmuch time, which increases the probability of missed diagnosis. An improved template matching method is proposed to solve the big time-consuming. This new method directs at the search strategy optimizing and adopts the coarse-fine matching idea. An improved Sum of Absolute Differences（SAD） algorithm is used to find all possible matching points firstly, then the best match point in the neighborhood of all possible matching points is found by adopting NCC algorithm. Experimental results show that Compared with NCC algorithm, this new method can not only ensure the accuracy of the template matching, but also greatly reduce the matching time. By using this algorithm, the time of lung nodules detection can be reduced and which is important for the location and tracking of lung nodules in the early stage.

Key words: template matching, Normalized Cross-Correlation（NCC）, pulmonary nodules, matching point

吴平1，4，王彬1，薛洁2，张岩3，刘辉1. 基于模板匹配的加速肺结节检测算法研究[J]. 计算机工程与应用, 2015, 51(7): 184-188.

WU Ping1，4, WANG Bin1, XUE Jie2, ZHANG Yan3, LIU Hui1. Research of accelerate detect of pulmonary nodules based on template matching algorithm[J]. Computer Engineering and Applications, 2015, 51(7): 184-188.

[1]	徐麒皓，李波. 基于NRU网络的肺结节检测方法[J]. 计算机工程与应用, 2021, 57(4): 83-90.
[2]	徐麒皓，李波. 改进双向LSTM的肺结节分割方法[J]. 计算机工程与应用, 2021, 57(15): 237-244.
[3]	徐家俊，张翌维，赵建，相韶华. 针对SM4算法的功耗模板-碰撞分析[J]. 计算机工程与应用, 2021, 57(11): 111-118.
[4]	孙浩天，袁刚，杨杨，刘含秋，郑健，杨晓冬，张寅. 基于三维各向异性卷积的肺结节良恶性分类[J]. 计算机工程与应用, 2021, 57(10): 133-138.
[5]	马玲，罗晓曙，蒋品群. 基于模板匹配和支持向量机的点阵字符识别研究[J]. 计算机工程与应用, 2020, 56(4): 134-139.
[6]	汤宁，卫泽良，张瑞，易东，伍亚舟. 基于多尺度多模式图像的肺结节分类对比研究[J]. 计算机工程与应用, 2020, 56(3): 165-175.
[7]	袁良友，周航，韩丹，许国梁. 引入平滑迭代的骨架提取改进算法[J]. 计算机工程与应用, 2020, 56(24): 188-193.
[8]	钟思华，郭兴明，郑伊能. 改进U-Net网络的肺结节分割方法[J]. 计算机工程与应用, 2020, 56(17): 203-209.
[9]	杨帆1，谢红薇1，刘爱媛2. 基于卷积神经网络的肺结节分类算法[J]. 计算机工程与应用, 2019, 55(7): 145-150.
[10]	吴保荣，强彦，王三虎，唐笑先，刘希靖. 融合多维度卷积神经网络的肺结节分类方法[J]. 计算机工程与应用, 2019, 55(24): 171-177.
[11]	陈寿宏，柳馨雨，马峻，康怀强. 深度卷积神经网络胸片肺结节分类识别研究[J]. 计算机工程与应用, 2018, 54(24): 176-181.
[12]	杨高朝. 基于特征提取的点云自动配准优化研究[J]. 计算机工程与应用, 2018, 54(16): 163-168.
[13]	闫晓斐1，强彦1，原杰2. 基于混合受限玻尔兹曼机的肺结节良恶性诊断[J]. 计算机工程与应用, 2017, 53(23): 153-158.
[14]	刘畅1，唐加山2. 基于全局颜色传递的SIFT匹配算法[J]. 计算机工程与应用, 2017, 53(21): 157-161.
[15]	王国芳1，赵少华2. 镀铜高分子微球X线图像的计数及缺陷检测[J]. 计算机工程与应用, 2016, 52(9): 263-266.