CN114782448A - 一种基于图像处理的脑胶质瘤辅助分级系统 - Google Patents

一种基于图像处理的脑胶质瘤辅助分级系统 Download PDF

Info

Publication number
CN114782448A
CN114782448A CN202210714439.5A CN202210714439A CN114782448A CN 114782448 A CN114782448 A CN 114782448A CN 202210714439 A CN202210714439 A CN 202210714439A CN 114782448 A CN114782448 A CN 114782448A
Authority
CN
China
Prior art keywords
tumor region
adc value
adc
distance
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210714439.5A
Other languages
English (en)
Other versions
CN114782448B (zh
Inventor
郭丽
陶海泉
刘秀娟
黄国敏
耿冰冰
程光森
张凌育
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhuhai Peoples Hospital
Original Assignee
Zhuhai Peoples Hospital
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhuhai Peoples Hospital filed Critical Zhuhai Peoples Hospital
Priority to CN202210714439.5A priority Critical patent/CN114782448B/zh
Publication of CN114782448A publication Critical patent/CN114782448A/zh
Application granted granted Critical
Publication of CN114782448B publication Critical patent/CN114782448B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于图像处理的脑胶质瘤辅助分级系统，属于脑胶质瘤分级技术领域。该系统包括处理器和存储器，处理器执行存储器存储的计算机程序以实现如下步骤：根据肿瘤区域内各ADC值对应的各像素点的坐标，得到肿瘤区域内各ADC值的主成分方向；根据各ADC值对应的各像素点之间的距离和各ADC值对应的各像素点在对应的主成分方向上的投影长度，得到肿瘤区域内各ADC值的集中程度；根据肿瘤区域内各ADC值对应的各像素点到中心点的距离和集中程度，得到肿瘤区域内各ADC值的扩散程度；根据扩散程度，对肿瘤区域的熵值进行修正，利用修正后的肿瘤区域的熵值对肿瘤区域的恶性程度进行分级。本发明能够提高医生对脑胶质瘤恶性程度等级划分的正确性。

Description

一种基于图像处理的脑胶质瘤辅助分级系统
技术领域
本发明涉及脑胶质瘤分级技术领域，具体涉及一种基于图像处理的脑胶质瘤辅助分级系统。
背景技术
目前，世界卫生组织(World Health Organization，WHO)根据脑胶质瘤的恶性程度差异，将其分为四个等级；一般情况下医生会依据不同恶性程度等级的脑胶质瘤为患者制定治疗方案，如果医生对患者的恶性程度等级的判断出现较大误差，则可能会影响患者的预后。
现有的脑胶质瘤分级方法一般是将基于弥散加权成像(Diffusion WeightedImaging，DWI)得到的ADC图像肿瘤区域的熵值作为医生判断脑胶质瘤恶性程度等级的一个参考依据，由于ADC图像肿瘤区域对应的熵值只是各ADC值占比的统计，只能反映ADC值及其所占比例的混乱程度，并不能反映出肿瘤区域内局部区域为高恶性程度等级时肿瘤区域的恶性程度等级，所以不能较准确的反映脑胶质瘤恶性程度的等级。
发明内容
本发明提供一种基于图像处理的脑胶质瘤辅助分级系统，用于解决现有不能准确对脑胶质瘤恶性程度分级的技术问题。
本发明提供的技术方案如下：
一种基于图像处理的脑胶质瘤辅助分级系统，包括处理器和存储器，所述处理器执行所述存储器存储的计算机程序以实现如下步骤：
获取脑胶质瘤患者对应的ADC图，识别所述ADC图像上的肿瘤区域；
根据所述肿瘤区域内的ADC值，得到肿瘤区域对应的中心点；
根据所述肿瘤区域内各ADC值对应的各像素点的坐标，得到所述肿瘤区域内各ADC值对应的主成分方向；根据所述各ADC值对应的各像素点之间的距离和各ADC值对应的各像素点在对应的主成分方向上的投影长度，得到肿瘤区域内各ADC值对应的集中程度；
根据所述肿瘤区域内各ADC值对应的各像素点到所述中心点的距离和所述集中程度，得到肿瘤区域内各ADC值对应的扩散程度；
根据所述扩散程度，对肿瘤区域对应的熵值进行修正，利用修正之后的肿瘤区域的熵值对肿瘤区域的恶性程度进行分级。
作为一个具体实施方式，根据所述肿瘤区域内的ADC值，得到肿瘤区域对应的中心点的方法，包括：
根据所述肿瘤区域内最低ADC值对应的像素点，得到肿瘤区域内最低ADC值对应的凸包；
对所述肿瘤区域内最低ADC值对应的凸包进行中心点检测，得到肿瘤区域内最低ADC值对应凸包的中心点；
获得所述肿瘤区域内最低ADC值对应凸包内距离所述肿瘤区域内最低ADC值对应凸包的中心点最近的像素点，将该像素点记为肿瘤区域对应的中心点。
作为一个具体实施方式，根据所述肿瘤区域内各ADC值对应的各像素点的坐标，得到所述肿瘤区域内各ADC值对应的主成分方向；根据所述各ADC值对应的各像素点之间的距离和各ADC值对应的各像素点在对应的主成分方向上的投影长度，得到肿瘤区域内各ADC值对应的集中程度，包括：
根据所述肿瘤区域内各ADC值对应的各像素点的坐标，利用PCA算法得到肿瘤区域内各ADC值对应的第一主成分方向和各ADC值对应的第二主成分方向，将所述第一主成分方向记为横坐标轴，将所述第二主成分方向记为纵坐标轴；
根据所述肿瘤区域内各ADC值对应的各像素点在对应的横坐标轴上的投影长度，得到肿瘤区域内各ADC值对应的第一投影长度；根据所述肿瘤区域内各ADC值对应的各像素点在对应的纵坐标轴上的投影长度，得到肿瘤区域内各ADC值对应的第二投影长度；
根据所述肿瘤区域内各ADC值对应的各像素点到对应的横坐标轴上的距离，得到肿瘤区域内各ADC值对应的第一距离方差；根据所述肿瘤区域内各ADC值对应的各像素点到对应的纵坐标轴上的距离，得到肿瘤区域内各ADC值对应的第二距离方差；
根据所述第一投影长度、第二投影长度、第一距离方差和第二距离方差，得到肿瘤区域内各ADC值对应的集中程度。
作为一个具体实施方式，根据所述第一投影长度、第二投影长度、第一距离方差和第二距离方差，得到肿瘤区域内各ADC值对应的集中程度的方法，包括：
根据所述肿瘤区域内各ADC值对应的各像素点之间的距离，得到肿瘤区域内各ADC值对应的最小边权值；
根据所述肿瘤区域内各ADC值对应的各像素点投影到对应的横坐标轴上的位置，得到肿瘤区域内各ADC值对应的第一投影方差；根据所述肿瘤区域内各ADC值对应的各像素点投影到对应的纵坐标轴上的位置，得到肿瘤区域内各ADC值对应的第二投影方差；
根据所述第一投影长度、第二投影长度、第一距离方差、第二距离方差、第一投影方差和第二投影方差，得到肿瘤区域内各ADC值对应的形态指标；
根据所述最小边权值和所述形态指标，得到肿瘤区域内各ADC值对应的集中程度。
作为一个具体实施方式，根据如下公式计算肿瘤区域内各ADC值对应的形态指标：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为肿瘤区域内第
Figure DEST_PATH_IMAGE006
个ADC值对应的形态指标，
Figure DEST_PATH_IMAGE008
为肿瘤区域内第
Figure 260616DEST_PATH_IMAGE006
个ADC值对应的第一投影长度，
Figure DEST_PATH_IMAGE010
为肿瘤区域内第
Figure 849861DEST_PATH_IMAGE006
个ADC值对应的第二投影长度，
Figure DEST_PATH_IMAGE012
为肿瘤区域内第
Figure 770543DEST_PATH_IMAGE006
个ADC值对应的第一距离方差，
Figure DEST_PATH_IMAGE014
为肿瘤区域内第
Figure 70812DEST_PATH_IMAGE006
个ADC值对应的第二距离方差，
Figure DEST_PATH_IMAGE016
为肿瘤区域内第
Figure 26130DEST_PATH_IMAGE006
个ADC值对应的第一投影方差，
Figure DEST_PATH_IMAGE018
为胶质瘤患者肿瘤区域内第
Figure 750723DEST_PATH_IMAGE006
个ADC值对应的第二投影方差。
作为一个具体实施方式，根据所述肿瘤区域内各ADC值对应的各像素点坐标和各ADC值对应的各像素点之间的距离，得到肿瘤区域内各ADC值对应的最小边权值的方法，包括：
根据所述肿瘤区域内各ADC值对应的各像素点的坐标，计算所述肿瘤区域内各ADC值对应的各像素点之间的距离，将肿瘤区域内各ADC值对应的各像素点之间的距离记为肿瘤区域内各ADC值对应的各像素点之间的边权值；
根据所述边权值，得到肿瘤区域内各ADC值对应的最小权重生成树；对所述肿瘤区域内各ADC值对应的最小权重生成树对应的各边权值求和，将求和之后的结果记为肿瘤区域内各ADC值对应的最小边权值。
作为一个具体实施方式，根据所述肿瘤区域内各ADC值对应的各像素点到所述中心点的距离和所述集中程度，得到肿瘤区域内各ADC值对应的扩散程度的方法，包括：
计算所述肿瘤区域内各ADC值对应的各像素点到所述中心点的距离，得到肿瘤区域内各ADC值对应的距离序列；从所述距离序列中选取肿瘤区域内各ADC值对应的最大距离；根据所述最大距离、所述最大距离对应的像素点和所述中心点，得到肿瘤区域内各ADC值对应的最大距离直线方程；
沿着各ADC值对应的最大距离直线方程的斜率方向，得到肿瘤区域内各ADC值对应的最大距离直线方程与所述肿瘤区域边缘的两个交点，记为各ADC值对应的两个交点；
对于任一ADC值：计算该ADC值对应的最大距离对应的像素点与该ADC值对应的两个交点的距离，选取最小距离对应的交点，将所述最小距离对应的交点与中心点的距离记为该ADC值对应的目标距离；
根据所述集中程度、最大距离和目标距离，得到肿瘤区域内各ADC值对应的扩散程度。
作为一个具体实施方式，根据如下公式计算肿瘤区域内各ADC值对应的扩散程度：
Figure DEST_PATH_IMAGE020
其中，
Figure DEST_PATH_IMAGE022
为肿瘤区域内第
Figure 532603DEST_PATH_IMAGE006
个ADC值对应的扩散程度，
Figure DEST_PATH_IMAGE024
为肿瘤区域内第
Figure 138028DEST_PATH_IMAGE006
个ADC值对应的最大距离，
Figure DEST_PATH_IMAGE026
为肿瘤区域内第
Figure 479010DEST_PATH_IMAGE006
个ADC值对应的目标距离，
Figure DEST_PATH_IMAGE028
为肿瘤区域内第
Figure 114784DEST_PATH_IMAGE006
个ADC值对应的集中程度。
本发明根据各ADC值对应的各像素点之间的距离和各ADC值对应的各像素点在对应的主成分方向上的投影长度，得到肿瘤区域内各ADC值对应的集中程度；根据肿瘤区域内各ADC值对应的各像素点到中心点的距离和集中程度，得到肿瘤区域内各ADC值对应的扩散程度；根据扩散程度，对肿瘤区域对应的熵值进行修正，利用修正之后的肿瘤区域的熵值对肿瘤区域的恶性程度进行分级。本发明将肿瘤区域内各ADC值对应的各像素点到中心点的距离和各ADC值对应的集中程度作为得到肿瘤区域内各ADC值对应的扩散程度的依据，将肿瘤区域内各ADC值对应的扩散程度作为对肿瘤区域对应的熵值进行修正的依据，能够提高医生对脑胶质瘤恶性程度等级划分的正确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将
对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一种基于图像处理的脑胶质瘤辅助分级方法的流程图；
图2为本发明的最大距离直线方程与肿瘤区域边缘的两个交点的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明实施例，本领域普通技术人员所获得的所有其它实施例，都属于本发明实施例保护的范围。
除非另有定义，本文所使用的所有的技术和科学技术语与属于本发明的技术人员通常理解的含义相同。
本实施例的一种基于图像处理的脑胶质瘤辅助分级系统，包括处理器和存储器，所述处理器执行所述存储器存储的计算机程序以实现基于图像处理的脑胶质瘤辅助分级方法。如图1所示，该基于图像处理的脑胶质瘤辅助分级方法，包括以下步骤：
步骤S001，获取脑胶质瘤患者对应的ADC图，识别所述ADC图像上的肿瘤区域。
DWI检查是医院检查或者判断脑胶质瘤患者恶性程度等级的常用手段；因为一般情况下如果脑组织出现病变，对应的脑组织内水分子的布朗运动同样也会发生变化，这种变化可以在ADC图像上体现出来；一般情况下没有发生病变的脑组织内ADC值较高，且ADC值相对也较为统一，水分子为自由弥散，则对应的熵值也较低；如果脑组织内出现了病变，会导致ADC值变的较为分散，ADC值也会降低，水分子的弥散会受限，则对应的熵值比较高。但是当脑胶质瘤患者肿瘤区域内的局部肿瘤区域表现出高恶性等级时，对应的脑胶质瘤患者肿瘤恶性等级仍然为高恶性等级，又因为脑胶质瘤患者肿瘤区域内的熵值只是各ADC值占比的统计，只能反映ADC值及其所占比例的混乱程度，并不能准确反映出在肿瘤区域内的局部肿瘤区域表现出高恶性等级时对应的肿瘤恶性等级；因此本实施例通过分析肿瘤区域内的各ADC值在ADC图像中的分布，来合理的修正脑胶质瘤患者肿瘤区域内的各ADC值的占比在熵中的权重，来更加合理的辅助医生对脑胶质瘤患者的肿瘤恶性程度等级进行划分。
本实施例中上述 DWI检查为常规MRI检查中的一个超快速成像序列，主要是利用正常组织和病理组织之间水扩散程度和方向的差别来成像的技术；本实施例使用的MRI扫描设备是美国的GE Signa HDxt 3.0 T MRI扫描仪，采用8通道头部线圈，且患者处于仰卧位；之后利用GE ADW 4.6工作站Functool 2软件对得到的脑胶质瘤患者的DWI图像进行后处理，得到脑胶质瘤患者对应的ADC图像。之后利用分割算法得到ADC图像上的肿瘤区域；所述分割算法为公知技术，不做具体描述。
本实施例中，所述DWI是指弥散加权成像，可以检测颅内水分子弥散运动，也可以反映颅内组织对水分子布朗运动的影响，其中弥散也称为扩散或者布朗运动；所述MRI为核磁共振，ADC是指表观弥散系数(apparent diffusion coefficient,ADC)；所述ADC图像上的ADC值为表观弥散系数，表示水分子的净移动。本实施例中，MRI扫描设备的具体设备参数为公知的，因此本实施例不做具体描述；本实施例通过脑胶质瘤患者的DWI图像得到脑胶质瘤患者对应的ADC图像的过程为现有技术，因此本实施例不做具体描述。
步骤S002，根据所述肿瘤区域内的ADC值，得到肿瘤区域对应的中心点。
本实施例中，由于肿瘤区域内最低ADC值对应的区域是肿瘤区域内肿瘤恶性程度最高区域，因此后续通过分析肿瘤区域内各ADC值与肿瘤区域内肿瘤恶性程度最高区域的关系，可以反映出肿瘤区域内各ADC值的占比在熵中的权重。
本实施例中，根据在脑胶质瘤患者肿瘤区域内各像素点的ADC值，得到肿瘤区域对应的ADC直方图，ADC直方图的横坐标为肿瘤区域内ADC值，ADC直方图的纵坐标为肿瘤区域内各ADC值对应的像素点的数量。本实施例中，根据得到的肿瘤区域对应的ADC直方图对肿瘤区域内各ADC值和各ADC值对应的像素点的数量进行统计，得到在脑胶质瘤患者肿瘤区域内ADC图像上存在的所有ADC值，将肿瘤区域内出现的不同ADC值的次数记为
Figure DEST_PATH_IMAGE030
，并得到在ADC图像上脑胶质瘤患者肿瘤区域内各ADC值对应的像素点数量和各ADC值对应的像素点的坐标，例如在ADC图像上脑胶质瘤患者肿瘤区域内第
Figure 10059DEST_PATH_IMAGE006
个ADC值对应的各像素点的坐标位置为
Figure DEST_PATH_IMAGE032
，其中，
Figure DEST_PATH_IMAGE034
为肿瘤区域内第
Figure 589814DEST_PATH_IMAGE006
个ADC值对应的第一个像素点的横坐标，
Figure DEST_PATH_IMAGE036
为肿瘤区域内第
Figure 988565DEST_PATH_IMAGE006
个ADC值对应的第一个像素点的纵坐标，
Figure DEST_PATH_IMAGE038
为肿瘤区域内第
Figure 54961DEST_PATH_IMAGE006
个ADC值对应的像素点的数量，
Figure DEST_PATH_IMAGE040
为肿瘤区域内第
Figure 171952DEST_PATH_IMAGE006
个ADC值对应的第
Figure 650338DEST_PATH_IMAGE038
个像素点的横坐标，
Figure DEST_PATH_IMAGE042
为肿瘤区域内第
Figure 933290DEST_PATH_IMAGE006
个ADC值对应的第
Figure 206139DEST_PATH_IMAGE038
个像素点的纵坐标。
本实施例中，根据上述得到的肿瘤区域内各ADC值对应的各像素点，得到肿瘤区域内最低ADC值对应的凸包；对肿瘤区域内最低ADC值对应的凸包进行中心点检测，得到肿瘤区域内最低ADC值对应凸包的中心点；并获得肿瘤区域内最低ADC值对应凸包内距离肿瘤区域内最低ADC值对应凸包的中心点最近的像素点，将该像素点记为肿瘤区域对应的中心点；本实施例中，凸包的获取方法为现有技术，因此本实施例不做具体描述。
步骤S003，根据所述肿瘤区域内各ADC值对应的各像素点的坐标，得到所述肿瘤区域内各ADC值对应的主成分方向；根据所述各ADC值对应的各像素点之间的距离和各ADC值对应的各像素点在对应的主成分方向上的投影长度，得到肿瘤区域内各ADC值对应的集中程度。
本实施例中，由于肿瘤区域内的各ADC值对应的各像素点之间的位置变得分散，肿瘤区域内ADC值降低，肿瘤区域内水分子弥散受限，所以当肿瘤区域内各ADC值对应的各像素点之间越集中，ADC值对应的各像素点分布的位置越靠近恶性程度最高的区域，表明该ADC值对应的区域越能代表当前肿瘤区域的恶性程度等级，那么在求肿瘤区域内的熵值时，对应的该ADC值的占比的权重值应该较高；当肿瘤区域内的各ADC值对应的各像素点之间的位置越不集中，ADC值对应的各像素点分布的位置越不靠近恶性程度最高的区域，表明该ADC值对应的区域越不能代表当前肿瘤区域的恶性程度等级，那么在求肿瘤区域内的熵值时，对应的该ADC值的占比的权重值应该较低；所以本实施例首先通过分析肿瘤区域内 ADC值对应的像素点之间的集中程度，作为得到各ADC值的占比在熵中的权重的一个重要依据。
本实施例中，根据上述得到的肿瘤区域内各ADC值对应的各像素点的坐标，计算肿瘤区域内各ADC值对应的各像素点之间的距离，将肿瘤区域内各ADC值对应的各像素点之间的距离记为肿瘤区域内各ADC值对应的各像素点之间的边权值；之后对得到的肿瘤区域内各ADC值对应的各像素点坐标和各ADC值对应的各像素点之间的边权值利用根克鲁斯卡尔（Kruskal）算法，得到肿瘤区域内各ADC值对应的最小权重生成树；对肿瘤区域内各ADC值对应的最小权重生成树对应的各边权值求和，将求和之后的结果记为肿瘤区域内各ADC值对应的最小边权值；由于各ADC值对应的最小边权值是通过肿瘤区域内各ADC值对应的各像素点之间的距离得到，因此肿瘤区域内各ADC值对应的最小边权值可以反映各ADC值对应的各像素点之间的集中程度；当肿瘤区域内各ADC值对应的最小边权值越大，对应的各ADC值对应的各像素点之间的集中程度越小，当各ADC值对应的最小边权值越小，对应的各ADC值对应的各像素点之间的集中程度越大。
作为其它的实施方式，也可以根据需求的不同使用其它的方式计算肿瘤区域内各ADC值对应的最小权重生成树，例如可以使用prim算法计算肿瘤区域内各ADC值对应的最小权重生成树。
本实施例中，后续通过分析肿瘤区域内各ADC值对应的形态指标，进一步反映肿瘤区域内各ADC值对应的集中程度；本实施例中，获得肿瘤区域内各ADC值对应的凸包，对肿瘤区域内各ADC值对应的凸包进行边缘提取，得到肿瘤区域内各ADC值对应的凸包的边缘像素点坐标；之后对肿瘤区域内各ADC值对应的各像素点的坐标，利用PCA算法获得肿瘤区域内各ADC值对应的各像素点的坐标的主成分方向，由于坐标为2维数据，可获得2个主成分方向，每个主成分方向都是一个2维的单位向量，每个主成分方向对应一个特征值；本实施例将得到的特征值最大的主成分方向，作为第一主成分方向，得到的特征值最小的主成分方向，作为第二主成分方向，将各 ADC值对应的第一主成分方向记为横坐标轴，将与各ADC值对应的第二主成分方向记为各ADC值对应的纵坐标轴。
本实施例中，根据所述肿瘤区域内各ADC值对应的像素点，得到肿瘤区域内各ADC值对应的凸包，之后将肿瘤区域内各ADC值对应凸包的边缘像素点向对应的横坐标轴上做投影，得到肿瘤区域内各ADC值对应凸包在对应横坐标轴上的投影长度，将肿瘤区域内各ADC值对应凸包在对应横坐标轴上的投影长度记为各ADC值对应的第一投影长度，并将肿瘤区域内各ADC值对应凸包的边缘像素点向对应的纵坐标轴上做投影，得到肿瘤区域内各ADC值对应凸包在对应纵坐标轴上的投影长度，将肿瘤区域内各ADC值对应凸包在纵坐标轴上的投影长度记为各ADC值对应的第二投影长度。
本实施例中，分别选取肿瘤区域内各ADC值对应的横坐标轴上的中心点和纵坐标轴上的中心点，具体得到肿瘤区域内各ADC值对应的横坐标轴中心点和纵坐标轴中心点的方法为：选取肿瘤区域内第
Figure 872744DEST_PATH_IMAGE006
个ADC值对应的横坐标轴上的两个端点，并分别计算第
Figure 154821DEST_PATH_IMAGE006
个ADC值对应的横坐标轴上的两个端点对应的像素点到肿瘤区域对应的中心点的距离，将最大距离对应的端点的像素点记为肿瘤区域内第
Figure 91946DEST_PATH_IMAGE006
个ADC值对应的横坐标轴中心点，之后选取肿瘤区域内第
Figure 66855DEST_PATH_IMAGE006
个ADC值对应的纵坐标轴上的两个端点，并分别计算第
Figure 955177DEST_PATH_IMAGE006
个ADC值对应的纵坐标轴上的两个端点对应的像素点到肿瘤区域对应的中心点的距离，将最大距离对应的端点的像素点记为肿瘤区域内第
Figure 775365DEST_PATH_IMAGE006
个ADC值对应的纵坐标轴中心点；本实施例通过上述方法，可以得到肿瘤区域内各ADC值对应的横坐标轴中心点和纵坐标轴中心点。
本实施例中，根据肿瘤区域内各ADC值对应的横坐标轴和纵坐标轴，以及肿瘤区域内各ADC值对应的横坐标轴中心点和纵坐标轴中心点，得到肿瘤区域内各ADC值对应的横坐标轴直线方程和肿瘤区域内各ADC值对应的纵坐标轴直线方程。
本实施例中，根据肿瘤区域内各ADC值对应凸包的边缘像素点和各ADC值对应的横坐标轴直线方程，得到肿瘤区域内各ADC值对应凸包的边缘像素点到对应横坐标轴直线上的距离；根据肿瘤区域内各ADC值对应凸包的边缘像素点和对应的纵坐标轴直线方程，得到肿瘤区域内各ADC值对应凸包的边缘像素点到对应横坐标轴直线上的距离；根据肿瘤区域内各ADC值对应凸包的边缘像素点到对应横坐标轴直线上的距离，计算肿瘤区域内各ADC值对应凸包的边缘像素点到对应横坐标轴直线上的距离方差，将得到的肿瘤区域内各ADC值对应凸包的边缘像素点到对应横坐标轴直线上的距离方差记为肿瘤区域内各ADC值对应的第一距离方差；根据肿瘤区域内各ADC值对应凸包的边缘像素点到对应的横坐标轴直线上的距离，计算肿瘤区域内各ADC值对应凸包的边缘像素点到对应纵坐标轴直线上的距离方差，将得到的肿瘤区域内各ADC值对应的凸包的边缘像素点到对应的纵坐标轴直线上的距离方差记为肿瘤区域内各ADC值对应的第二距离方差；之后将肿瘤区域内各ADC值对应凸包的边缘像素点投影到对应横坐标轴上，根据肿瘤区域内各ADC值对应凸包的边缘像素点投影到对应横坐标轴上的各边缘像素点之间的距离，得到肿瘤区域内各ADC值对应凸包的边缘像素点投影到对应横坐标轴上距离方差，将肿瘤区域内各ADC值对应凸包的边缘像素点投影到对应横坐标轴上距离方差记为肿瘤区域内各ADC值对应的第一投影方差；将肿瘤区域内各ADC值对应凸包的边缘像素点投影到对应纵坐标轴上，根据肿瘤区域内各ADC值对应凸包的边缘像素点投影到对应纵坐标轴上的各边缘像素点之间的距离，得到肿瘤区域内各ADC值对应的凸包的边缘像素点投影到对应纵坐标轴上距离方差，将肿瘤区域内各ADC值对应的凸包的边缘像素点投影到对应纵坐标轴上距离方差记为肿瘤区域内各ADC值对应的第二投影方差。
本实施例中，根据肿瘤区域内各ADC值对应的第一投影长度、第二投影长度、第一距离方差、第二距离方差、第一投影方差和第二投影方差，得到肿瘤区域内各ADC值对应的形态程度,根据如下公式计算肿瘤区域内各ADC值对应的形态指标：
Figure DEST_PATH_IMAGE002A
其中，
Figure 173855DEST_PATH_IMAGE004
为肿瘤区域内第
Figure 319665DEST_PATH_IMAGE006
个ADC值对应的形态指标，
Figure 214326DEST_PATH_IMAGE008
为肿瘤区域内第
Figure 838205DEST_PATH_IMAGE006
个ADC值对应的第一投影长度，
Figure 514037DEST_PATH_IMAGE010
为肿瘤区域内第
Figure 830749DEST_PATH_IMAGE006
个ADC值对应的第二投影长度，
Figure 693663DEST_PATH_IMAGE012
为肿瘤区域内第
Figure 619768DEST_PATH_IMAGE006
个ADC值对应的第一距离方差，
Figure 618948DEST_PATH_IMAGE014
为肿瘤区域内第
Figure 840982DEST_PATH_IMAGE006
个ADC值对应的第二距离方差，
Figure 456771DEST_PATH_IMAGE016
为肿瘤区域内第
Figure 923918DEST_PATH_IMAGE006
个ADC值对应的第一投影方差，
Figure 308763DEST_PATH_IMAGE018
为肿瘤区域内第
Figure 436119DEST_PATH_IMAGE006
个ADC值对应的第二投影方差；本实施例中，
Figure DEST_PATH_IMAGE044
的值越大，表明肿瘤区域内第
Figure 476887DEST_PATH_IMAGE006
个ADC值对应的像素点之间的分布越不规则，形态指标的值越大，则肿瘤区域内第
Figure 479216DEST_PATH_IMAGE006
个ADC值对应的各像素点之间的集中程度越小即越分散；
Figure DEST_PATH_IMAGE046
的值越大，表明肿瘤区域内第
Figure 921830DEST_PATH_IMAGE006
个ADC值对应的形态指标的值越大，则肿瘤区域内第
Figure 220087DEST_PATH_IMAGE006
个ADC值对应的各像素点之间的集中程度越小即越分散。
本实施例中，根据肿瘤区域内各ADC值对应的像素点数量、最小边权值以及形态指标，得到肿瘤区域内各ADC值对应的集中程度；且肿瘤区域内各ADC值对应的像素点数量与肿瘤区域内各ADC值对应的集中程度成正相关关系、肿瘤区域内各ADC值对应的边权值以及形态指标与肿瘤区域内各ADC值对应的集中程度成负相关关系；根据如下公式计算肿瘤区域内各ADC值对应的集中程度：
Figure DEST_PATH_IMAGE048
其中，
Figure 650282DEST_PATH_IMAGE028
为肿瘤区域内第
Figure 957766DEST_PATH_IMAGE006
个ADC值对应的集中程度，
Figure DEST_PATH_IMAGE050
为肿瘤区域内第
Figure 222263DEST_PATH_IMAGE006
个ADC值对应的像素点数量，
Figure DEST_PATH_IMAGE052
为肿瘤区域内第
Figure 160263DEST_PATH_IMAGE006
个ADC值对应的最小边权值，
Figure 473826DEST_PATH_IMAGE004
为肿瘤区域内第
Figure 585002DEST_PATH_IMAGE006
个ADC值对应的形态指标。
本实施例中，肿瘤区域内各ADC值对应的集中程度的值越大，表明肿瘤区域对应的脑胶质瘤的恶性程度等级越高；肿瘤区域内各ADC值对应的集中程度的值越小，表明肿瘤区域对应的脑胶质瘤的恶性程度等级越低。
本实施例中，上述计算肿瘤区域内各ADC值对应的集中程度的方法只是本实施例的一个优选；作为其它的实施方式，也可以只根据肿瘤区域内各ADC值对应的第一投影长度、第二投影长度、第一距离方差和第二距离方差，得到肿瘤区域内各ADC值对应的集中程度；或者只根据肿瘤区域内各ADC值对应的最小边权值以及形态指标，得到肿瘤区域内各ADC值对应的集中程度。
步骤S004，根据所述肿瘤区域内各ADC值对应的各像素点到所述中心点的距离和所述集中程度，得到肿瘤区域内各ADC值对应的扩散程度。
本实施例中，肿瘤区域的恶性程度等级不仅与肿瘤区域内各ADC值对应的集中程度有关，还与肿瘤区域内各ADC值对应的各像素点与肿瘤区域对应的中心点的距离有关；本实施例根据两点间的距离公式，计算肿瘤区域内各ADC值对应的各像素点到肿瘤区域对应的中心点的距离，得到肿瘤区域内各ADC值对应的距离序列；从肿瘤区域内各ADC值对应的距离序列中选取肿瘤区域内各ADC值对应的最大距离，并得到最大距离对应的像素点以及对应的斜率方向；根据肿瘤区域内各ADC值对应的最大距离对应的像素点、各ADC值对应的最大距离对应的斜率方向和肿瘤区域对应的中心点，计算得到肿瘤区域内各ADC值对应的最大距离直线方程。
本实施例中，计算两点间距离以及直线方程的过程为公知技术，因此本实施例不做具体描述。
本实施例中，沿着肿瘤区域内各ADC值对应的最大距离直线方程的斜率方向，得到肿瘤区域内各ADC值对应的最大距离直线方程与肿瘤区域边缘的两个交点；对于任一ADC值：计算该ADC值对应的最大距离对应的像素点与该ADC值对应的两个交点的距离，选取最小距离对应的交点，将所述最小距离对应的交点与中心点的距离记为该ADC值对应的目标距离；例如，沿着肿瘤区域内第
Figure 533366DEST_PATH_IMAGE006
个ADC值对应的最大距离直线方程的斜率方向，得到肿瘤区域内第
Figure 439005DEST_PATH_IMAGE006
个ADC值对应的最大距离直线方程与肿瘤区域边缘的两个交点，将两个交点分别记为C点和D点，并将第
Figure 236935DEST_PATH_IMAGE006
个ADC值对应的到肿瘤区域对应的中心点距离最大的像素点记为B,将肿瘤区域对应的中心点记为A，如图2所示；计算肿瘤区域第
Figure 886222DEST_PATH_IMAGE006
个ADC值对应的最大距离对应的像素点B与交点C和 D的距离，若计算得到像素点B与交点C的距离小于像素点B与交点D的距离，将对应的将交点C与中心点A的距离记为肿瘤区域内对应第
Figure 954672DEST_PATH_IMAGE006
个ADC值对应的目标距离。通过上述过程可以得到肿瘤区域内各ADC值对应的目标距离。
本实施例中，根据肿瘤区域内各ADC值对应的集中程度、最大距离和目标距离，得到肿瘤区域内各ADC值对应的扩散程度；根据如下公式计算肿瘤区域内各ADC值对应的扩散程度：
Figure DEST_PATH_IMAGE020A
其中，
Figure 136605DEST_PATH_IMAGE022
为肿瘤区域内第
Figure 657716DEST_PATH_IMAGE006
个ADC值对应的扩散程度，
Figure 845115DEST_PATH_IMAGE024
为肿瘤区域内第
Figure 33651DEST_PATH_IMAGE006
个ADC值对应的最大距离，
Figure 779628DEST_PATH_IMAGE026
为肿瘤区域内第
Figure 788035DEST_PATH_IMAGE006
个ADC值对应的目标距离，
Figure 44704DEST_PATH_IMAGE028
为肿瘤区域内第
Figure 822167DEST_PATH_IMAGE006
个ADC值对应的集中程度。
本实施例中，
Figure DEST_PATH_IMAGE054
可以反映肿瘤区域内各ADC值对应的各像素点的集中程度，
Figure 945238DEST_PATH_IMAGE054
的值越小，说明各ADC值对应的各像素点分布越集中，越可能是高恶性程度区域，
Figure DEST_PATH_IMAGE056
为肿瘤区域各ADC值对应的各像素点在肿瘤区域整体分布的位置，
Figure 113045DEST_PATH_IMAGE056
的值越小，说明相对于整体肿瘤区域，各ADC值对应的各像素点分布越靠近肿瘤区域对应的中心点，越可能是高恶性程度区域，所以肿瘤区域内各ADC值对应的扩散程度的值越小，说明对应ADC值在ADC直方图熵中的权重应当越高。
步骤S005，根据所述扩散程度，对肿瘤区域对应的熵值进行修正，利用修正之后的肿瘤区域的熵值对肿瘤区域的恶性程度进行分级。
本实施例中，根据肿瘤区域内各ADC值对应的扩散程度，对肿瘤区域对应的熵值进行修正，利用修正之后的肿瘤区域的熵值对肿瘤区域的恶性程度进行分级；根据得到的肿瘤区域内各ADC值对应的扩散程度的值越高，对应的ADC值在ADC直方图熵中的权重应当越高；根据如下公式对肿瘤区域对应的熵值进行修正：
Figure DEST_PATH_IMAGE058
其中，
Figure DEST_PATH_IMAGE060
为肿瘤区域修正之后的熵值，
Figure DEST_PATH_IMAGE062
为肿瘤区域内第
Figure 121540DEST_PATH_IMAGE006
个ADC值在肿瘤区域内出现的概率，
Figure 19089DEST_PATH_IMAGE022
为肿瘤区域内第
Figure 873912DEST_PATH_IMAGE006
个ADC值对应的扩散程度，
Figure 856912DEST_PATH_IMAGE030
为肿瘤区域内出现的不同ADC值的次数。
本实施例中，在对脑胶质瘤患者做手术前，医生将肿瘤区域修正之后的熵值作为划分脑胶质瘤恶性程度等级的一个参考数据；本实施例的重点在于对肿瘤区域内的熵值进行修正，如何根据肿瘤区域内的熵值对脑胶质瘤恶性程度等级进行划分的过程为现有技术，本实施例不作具体描述。
本实施例根据各ADC值对应的各像素点之间的距离和各ADC值对应的各像素点在对应的主成分方向上的投影长度，得到肿瘤区域内各ADC值对应的集中程度；根据肿瘤区域内各ADC值对应的各像素点到中心点的距离和集中程度，得到肿瘤区域内各ADC值对应的扩散程度；根据扩散程度，对肿瘤区域对应的熵值进行修正，利用修正之后的肿瘤区域的熵值对肿瘤区域的恶性程度进行分级。本实施例将肿瘤区域内各ADC值对应的各像素点到中心点的距离和各ADC值对应的集中程度作为得到肿瘤区域内各ADC值对应的扩散程度的依据，将肿瘤区域内各ADC值对应的扩散程度作为对肿瘤区域对应的熵值进行修正的依据，能够提高医生对脑胶质瘤恶性程度等级划分的正确性。
需要说明的是,上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣，在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。

Claims (8)

1.一种基于图像处理的脑胶质瘤辅助分级系统，包括处理器和存储器，其特征在于，所述处理器执行所述存储器存储的计算机程序以实现如下步骤：
获取脑胶质瘤患者对应的ADC图，识别所述ADC图像上的肿瘤区域；
根据所述肿瘤区域内的ADC值，得到肿瘤区域对应的中心点；
根据所述肿瘤区域内各ADC值对应的各像素点的坐标，得到所述肿瘤区域内各ADC值对应的主成分方向；根据所述各ADC值对应的各像素点之间的距离和各ADC值对应的各像素点在对应的主成分方向上的投影长度，得到肿瘤区域内各ADC值对应的集中程度；
根据所述肿瘤区域内各ADC值对应的各像素点到所述中心点的距离和所述集中程度，得到肿瘤区域内各ADC值对应的扩散程度；
根据所述扩散程度，对肿瘤区域对应的熵值进行修正，利用修正之后的肿瘤区域的熵值对肿瘤区域的恶性程度进行分级。
2.如权利要求1所述的一种基于图像处理的脑胶质瘤辅助分级系统，其特征在于，所述根据所述肿瘤区域内的ADC值，得到肿瘤区域对应的中心点的方法，包括：
根据所述肿瘤区域内最低ADC值对应的像素点，得到肿瘤区域内最低ADC值对应的凸包；
对所述肿瘤区域内最低ADC值对应的凸包进行中心点检测，得到肿瘤区域内最低ADC值对应凸包的中心点；
获得所述肿瘤区域内最低ADC值对应凸包内距离所述肿瘤区域内最低ADC值对应凸包的中心点最近的像素点，将该像素点记为肿瘤区域对应的中心点。
3.如权利要求1所述的一种基于图像处理的脑胶质瘤辅助分级系统，其特征在于，所述根据所述肿瘤区域内各ADC值对应的各像素点的坐标，得到所述肿瘤区域内各ADC值对应的主成分方向；根据所述各ADC值对应的各像素点之间的距离和各ADC值对应的各像素点在对应的主成分方向上的投影长度，得到肿瘤区域内各ADC值对应的集中程度，包括：
根据所述肿瘤区域内各ADC值对应的各像素点的坐标，利用PCA算法得到肿瘤区域内各ADC值对应的第一主成分方向和各ADC值对应的第二主成分方向，将所述第一主成分方向记为横坐标轴，将所述第二主成分方向记为纵坐标轴；
根据所述肿瘤区域内各ADC值对应的各像素点在对应的横坐标轴上的投影长度，得到肿瘤区域内各ADC值对应的第一投影长度；根据所述肿瘤区域内各ADC值对应的各像素点在对应的纵坐标轴上的投影长度，得到肿瘤区域内各ADC值对应的第二投影长度；
根据所述肿瘤区域内各ADC值对应的各像素点到对应的横坐标轴上的距离，得到肿瘤区域内各ADC值对应的第一距离方差；根据所述肿瘤区域内各ADC值对应的各像素点到对应的纵坐标轴上的距离，得到肿瘤区域内各ADC值对应的第二距离方差；
根据所述第一投影长度、第二投影长度、第一距离方差和第二距离方差，得到肿瘤区域内各ADC值对应的集中程度。
4.如权利要求3所述的一种基于图像处理的脑胶质瘤辅助分级系统，其特征在于，所述根据所述第一投影长度、第二投影长度、第一距离方差和第二距离方差，得到肿瘤区域内各ADC值对应的集中程度的方法，包括：
根据所述肿瘤区域内各ADC值对应的各像素点之间的距离，得到肿瘤区域内各ADC值对应的最小边权值；
根据所述肿瘤区域内各ADC值对应的各像素点投影到对应的横坐标轴上的位置，得到肿瘤区域内各ADC值对应的第一投影方差；根据所述肿瘤区域内各ADC值对应的各像素点投影到对应的纵坐标轴上的位置，得到肿瘤区域内各ADC值对应的第二投影方差；
根据所述第一投影长度、第二投影长度、第一距离方差、第二距离方差、第一投影方差和第二投影方差，得到肿瘤区域内各ADC值对应的形态指标；
根据所述最小边权值和所述形态指标，得到肿瘤区域内各ADC值对应的集中程度。
5.如权利要求4所述的一种基于图像处理的脑胶质瘤辅助分级系统，其特征在于，根据如下公式计算肿瘤区域内各ADC值对应的形态指标：
Figure 650912DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
为肿瘤区域内第
Figure 751592DEST_PATH_IMAGE004
个ADC值对应的形态指标，
Figure DEST_PATH_IMAGE005
为肿瘤区域内第
Figure 387235DEST_PATH_IMAGE004
个ADC值对应的第一投影长度，
Figure 358602DEST_PATH_IMAGE006
为肿瘤区域内第
Figure 959347DEST_PATH_IMAGE004
个ADC值对应的第二投影长度，
Figure DEST_PATH_IMAGE007
为肿瘤区域内第
Figure 78482DEST_PATH_IMAGE004
个ADC值对应的第一距离方差，
Figure 918481DEST_PATH_IMAGE008
为肿瘤区域内第
Figure 744355DEST_PATH_IMAGE004
个ADC值对应的第二距离方差，
Figure DEST_PATH_IMAGE009
为肿瘤区域内第
Figure 843898DEST_PATH_IMAGE004
个ADC值对应的第一投影方差，
Figure 122432DEST_PATH_IMAGE010
为肿瘤区域内第
Figure 771982DEST_PATH_IMAGE004
个ADC值对应的第二投影方差。
6.如权利要求4所述的一种基于图像处理的脑胶质瘤辅助分级系统，其特征在于，所述根据所述肿瘤区域内各ADC值对应的各像素点坐标和各ADC值对应的各像素点之间的距离，得到肿瘤区域内各ADC值对应的最小边权值的方法，包括：
根据所述肿瘤区域内各ADC值对应的各像素点的坐标，计算所述肿瘤区域内各ADC值对应的各像素点之间的距离，将肿瘤区域内各ADC值对应的各像素点之间的距离记为肿瘤区域内各ADC值对应的各像素点之间的边权值；
根据所述边权值，得到肿瘤区域内各ADC值对应的最小权重生成树；对所述肿瘤区域内各ADC值对应的最小权重生成树对应的各边权值求和，将求和之后的结果记为肿瘤区域内各ADC值对应的最小边权值。
7.如权利要求1所述的一种基于图像处理的脑胶质瘤辅助分级系统，其特征在于，所述根据所述肿瘤区域内各ADC值对应的各像素点到所述中心点的距离和所述集中程度，得到肿瘤区域内各ADC值对应的扩散程度的方法，包括：
计算所述肿瘤区域内各ADC值对应的各像素点到所述中心点的距离，得到肿瘤区域内各ADC值对应的距离序列；从所述距离序列中选取肿瘤区域内各ADC值对应的最大距离；根据所述最大距离、所述最大距离对应的像素点和所述中心点，得到肿瘤区域内各ADC值对应的最大距离直线方程；
沿着各ADC值对应的最大距离直线方程的斜率方向，得到肿瘤区域内各ADC值对应的最大距离直线方程与所述肿瘤区域边缘的两个交点，记为各ADC值对应的两个交点；
对于任一ADC值：计算该ADC值对应的最大距离对应的像素点与该ADC值对应的两个交点的距离，选取最小距离对应的交点，将所述最小距离对应的交点与中心点的距离记为该ADC值对应的目标距离；
根据所述集中程度、最大距离和目标距离，得到肿瘤区域内各ADC值对应的扩散程度。
8.如权利要求7所述的一种基于图像处理的脑胶质瘤辅助分级系统，其特征在于，根据如下公式计算肿瘤区域内各ADC值对应的扩散程度：
Figure 452362DEST_PATH_IMAGE012
其中，
Figure DEST_PATH_IMAGE013
为肿瘤区域内第
Figure 988385DEST_PATH_IMAGE004
个ADC值对应的扩散程度，
Figure 691899DEST_PATH_IMAGE014
为肿瘤区域内第
Figure 941877DEST_PATH_IMAGE004
个ADC值对应的最大距离，
Figure DEST_PATH_IMAGE015
为肿瘤区域内第
Figure 7922DEST_PATH_IMAGE004
个ADC值对应的目标距离，
Figure 121372DEST_PATH_IMAGE016
为肿瘤区域内第
Figure 374498DEST_PATH_IMAGE004
个ADC值对应的集中程度。
CN202210714439.5A 2022-06-23 2022-06-23 一种基于图像处理的脑胶质瘤辅助分级系统 Expired - Fee Related CN114782448B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210714439.5A CN114782448B (zh) 2022-06-23 2022-06-23 一种基于图像处理的脑胶质瘤辅助分级系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210714439.5A CN114782448B (zh) 2022-06-23 2022-06-23 一种基于图像处理的脑胶质瘤辅助分级系统

Publications (2)

Publication Number Publication Date
CN114782448A true CN114782448A (zh) 2022-07-22
CN114782448B CN114782448B (zh) 2022-09-02

Family

ID=82422449

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210714439.5A Expired - Fee Related CN114782448B (zh) 2022-06-23 2022-06-23 一种基于图像处理的脑胶质瘤辅助分级系统

Country Status (1)

Country Link
CN (1) CN114782448B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140146048A1 (en) * 2012-11-23 2014-05-29 Xu Feng Standardized geometric and physiologic space for visual and quantitative evaluation of tumor mri characteristics
WO2016193847A1 (en) * 2015-06-03 2016-12-08 Koninklijke Philips N.V. Tumor grading using apparent diffusion co-efficient (adc) maps derived from magnetic resonance (mr) data
CN109242866A (zh) * 2018-11-08 2019-01-18 中国科学院生物物理研究所 基于扩散磁共振图像的乳腺肿瘤自动辅助检测系统
JP2019037465A (ja) * 2017-08-25 2019-03-14 株式会社Ａｚｅ 医用画像処理装置、その制御方法、及びプログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140146048A1 (en) * 2012-11-23 2014-05-29 Xu Feng Standardized geometric and physiologic space for visual and quantitative evaluation of tumor mri characteristics
WO2016193847A1 (en) * 2015-06-03 2016-12-08 Koninklijke Philips N.V. Tumor grading using apparent diffusion co-efficient (adc) maps derived from magnetic resonance (mr) data
JP2019037465A (ja) * 2017-08-25 2019-03-14 株式会社Ａｚｅ 医用画像処理装置、その制御方法、及びプログラム
CN109242866A (zh) * 2018-11-08 2019-01-18 中国科学院生物物理研究所 基于扩散磁共振图像的乳腺肿瘤自动辅助检测系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JR BR ET AL: "Diffusion-weighted MR imaging derived apparent diffusion coefficient is predictive of clinical outcome in primary central nervous system lymphoma", 《AMERICAN JOURNAL OF NEURORADIOLOGY》 *
夏亮等: "ADC熵值及平均ADC值对前列腺癌的诊断与病理分级研究", 《医学影像学杂志》 *

Also Published As

Publication number Publication date
CN114782448B (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
EP1820141B1 (en) Multiscale variable domain decomposition method and system for iris identification
CN106340021B (zh) 血管提取方法
EP0757544B1 (en) Computerized detection of masses and parenchymal distortions
JP6077993B2 (ja) 画像の異形を識別するための画像データの処理方法、システムおよびプログラム
US20230005140A1 (en) Automated detection of tumors based on image processing
US9042616B2 (en) Medical image processing device
KR101258814B1 (ko) 동적조영증강 유방 ｍｒ 영상에서 조직별 밝기값 보정 및 종양 강성 제약을 적용한 비강체 정합 방법 및 시스템
CN116993628B (zh) 一种用于肿瘤射频消融引导的ct图像增强系统
CN108364297A (zh) 血管图像分割方法、终端、存储介质
CN109949288A (zh) 肿瘤类型确定系统、方法及存储介质
CN117876402B (zh) 一种用于颞下颌关节紊乱病影像的智能分割方法
CN115830163A (zh) 基于深度学习的确定性引导的渐进式医学图像跨模态生成方法和装置
WO2020140380A1 (zh) 一种光学相干断层扫描图像的快速分割方法及装置
CN114638800A (zh) 一种基于改进Faster-RCNN的头影标记点定位方法
CN116485819B (zh) 一种耳鼻喉检查图像分割方法及系统
Ren et al. Automatic optic disc localization and segmentation in retinal images by a line operator and level sets
CN114782448B (zh) 一种基于图像处理的脑胶质瘤辅助分级系统
CN114862799B (zh) 一种用于flair-mri序列的全自动脑体积分割方法
Ashame et al. Abnormality Detection in Eye Fundus Retina
CN117237389B (zh) 一种中耳胆脂瘤ct影像分割方法
CN118505518B (zh) 一种眼科辅助成像方法及系统
CN114494496B (zh) 基于头部ct平扫影像的颅内出血自动勾画方法及装置
CN114494264B (zh) 一种基于机器视觉的术前胶质瘤恶性程度分级方法及系统
CN118247277B (zh) 一种肺部ct影像自适应增强方法
Lin et al. Vascular tree construction with anatomical realism for retinal images

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220902

CF01 Termination of patent right due to non-payment of annual fee