CN117422722A - 基于adc图像的肿瘤预后特征评估的方法和装置 - Google Patents
基于adc图像的肿瘤预后特征评估的方法和装置 Download PDFInfo
- Publication number
- CN117422722A CN117422722A CN202311752341.XA CN202311752341A CN117422722A CN 117422722 A CN117422722 A CN 117422722A CN 202311752341 A CN202311752341 A CN 202311752341A CN 117422722 A CN117422722 A CN 117422722A
- Authority
- CN
- China
- Prior art keywords
- image
- dwi
- value
- adc
- tumor
- 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
Links
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 198
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000004393 prognosis Methods 0.000 title claims abstract description 26
- 238000011282 treatment Methods 0.000 claims abstract description 115
- 239000002131 composite material Substances 0.000 claims abstract description 81
- 238000011156 evaluation Methods 0.000 claims abstract description 48
- 238000012937 correction Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000009792 diffusion process Methods 0.000 claims description 42
- 238000013507 mapping Methods 0.000 claims description 42
- 238000002203 pretreatment Methods 0.000 claims description 34
- 230000011218 segmentation Effects 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 10
- 238000003709 image segmentation Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 abstract description 7
- 238000002597 diffusion-weighted imaging Methods 0.000 description 252
- 230000000694 effects Effects 0.000 description 10
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000002980 postoperative effect Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 210000005252 bulbus oculi Anatomy 0.000 description 2
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 206010061309 Neoplasm progression Diseases 0.000 description 1
- 206010030113 Oedema Diseases 0.000 description 1
- 206010054094 Tumour necrosis Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000000711 cancerogenic effect Effects 0.000 description 1
- 231100000315 carcinogenic Toxicity 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000004663 cell proliferation Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 230000005751 tumor progression Effects 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于ADC图像的肿瘤预后特征评估的方法和装置，属于医学图像处理领域。该方法包括：获取治疗前后肿瘤的T2图像、高b值DWI图像和b值为0的DWI图像，通过边缘偏离度算法，配准并合并三幅高b值DWI图像，得到DWI合成图像，根据DWI合成图像，生成ADC图像，根据T2图像、DWI合成图像、b值为0的DWI图像和ADC图像，得到治疗前后肿瘤的ADC图像中的第一高信号区域和第二高信号区域，根据治疗前后肿瘤的第一高信号区域，确定幅度校正系数，根据幅度校正系数、治疗前后肿瘤的第二高信号区域，确定ADC评估值，据此评估肿瘤预后的特征。本发明能够精准地为术后无明显体积变化的肿瘤预后评估提供依据。
Description
技术领域
本发明涉及医学图像处理技术领域，尤其涉及一种基于ADC图像的肿瘤预后特征评估的方法和装置。
背景技术
肿瘤是机体在各种致癌因子作用下，局部组织细胞增生所形成的新生物，根据新生物的细胞特性及对机体的危害性程度，将肿瘤划分为良性肿瘤和恶性肿瘤，是致死率较高的疾病之一。
目前，用于确定治疗效果和评估临床试验中肿瘤进展阶段的标准是肿瘤学中的效果评估标准，即测量对比肿瘤的最大截面面积，其计算方法为最大直径与其垂直直径的乘积，对于多病灶则取各自的乘积之和，并以此作为基准对术后肿瘤效果的评估提供依据。
但是现有的测量方法是通过肿瘤大小对肿瘤的预后效果做粗略的判断，当遇到治疗前后同一肿瘤的肿瘤大小无明显变化的情况时，该方法无法准确地判断肿瘤的进展情况，不能精准地为术后肿瘤效果的评估提供依据。
发明内容
为了解决现有技术中存在的当遇到治疗前后同一肿瘤的肿瘤大小无明显变化的情况时，无法准确地判断肿瘤的进展情况，不能精准地为预后肿瘤效果的评估提供依据的问题，本发明提供了如下技术方案。
本发明第一方面提供了一种基于ADC图像的肿瘤预后特征评估的方法，包括：
获取针对治疗前肿瘤的T2图像和第一DWI图像，其中，所述第一DWI图像包括：沿读出方向、相位方向和选层方向施加扩散梯度得到的三幅高b值第一DWI图像和未施加扩散梯度得到的b值为0的第一DWI图像；
根据所述b值为0的第一DWI图像，通过边缘偏离度算法，对所述三幅高b值第一DWI图像进行形变配准；
合并形变配准后的三幅高b值第一DWI图像，得到第一DWI合成图像；
根据所述第一DWI合成图像和所述b值为0的第一DWI图像，生成第一ADC图像；
根据治疗前肿瘤的T2图像、所述第一DWI合成图像、所述b值为0的第一DWI图像和所述第一ADC图像，得到针对治疗前肿瘤的所述第一ADC图像中的第一高信号区域和第二高信号区域；
获取针对治疗后肿瘤的T2图像和第二DWI图像，其中，所述第二DWI图像包括：沿读出方向、相位方向和选层方向施加扩散梯度得到的三幅高b值第二DWI图像和未施加扩散梯度得到的b值为0的第二DWI图像；根据所述b值为0的第二DWI图像，通过边缘偏离度算法，对所述三幅高b值第二DWI图像进行形变配准；合并形变配准后的三幅高b值第二DWI图像，得到第二DWI合成图像；根据所述第二DWI合成图像和所述b值为0的第二DWI图像，生成第二ADC图像；根据治疗后肿瘤的T2图像、所述第二DWI合成图像、所述b值为0的第二DWI图像和所述第二ADC图像，得到针对治疗后肿瘤的所述第二ADC图像中的第一高信号区域和第二高信号区域；
根据治疗前肿瘤的所述第一ADC图像中的第一高信号区域和治疗后肿瘤的所述第二ADC图像中的第一高信号区域，确定幅度校正系数；
根据所述幅度校正系数、治疗前肿瘤的所述第一ADC图像中的第二高信号区域和治疗后肿瘤的所述第二ADC图像中的第二高信号区域，确定ADC评估值；
根据所述ADC评估值，对肿瘤预后的特征进行评估。
优选地，根据所述b值为0的第一DWI图像，通过边缘偏离度算法，对所述三幅高b值第一DWI图像进行形变配准，包括：
针对每幅高b值第一DWI图像，对该幅高b值第一DWI图像进行全局阈值分割处理，将该幅高b值第一DWI图像中小于分割阈值的像素值赋值为0，去除背景区域；
针对去除背景区域后的该幅高b值第一DWI图像内的每个像素点，判断该像素点是否满足像素值不为0且与该像素点相邻的像素点的像素值存在0的条件，若是，则该像素点为边缘像素点，若否，则该像素点不是边缘像素点；
根据判断出的边缘像素点，形成该幅高b值第一DWI图像对应的边缘点集合；
根据三幅高b值第一DWI图像对应的边缘点集合，通过公式，计算三幅高b值第一DWI图像之间边缘点最大的偏离程度，其中，EP、ER和ES分别表示三幅高b值第一DWI图像对应的边缘点集合，/>表示每个边缘点集合内边缘像素点的数目，/>表示三幅高b值第一DWI图像之间边缘点最大的偏离程度；
当所述边缘点最大的偏离程度超过偏离阈值时，将三幅高b值第一DWI图像分别与所述b值为0的第一DWI图像进行形变配准。
优选地，合并形变配准后的三幅高b值第一DWI图像，得到第一DWI合成图像，包括：
通过公式，合并形变配准后的三幅高b值第一DWI图像，得到第一DWI合成图像，其中，/>、/>、/>分别表示三幅高b值第一DWI图像的像素灰度值，/>表示第一DWI合成图像的像素灰度值。
优选地，根据所述第一DWI合成图像和所述b值为0的第一DWI图像，生成第一ADC图像，包括：
根据所述第一DWI合成图像和所述b值为0的第一DWI图像，通过公式，生成第一ADC图像，其中，/>表示表观扩散系数，/>表示b值为0的第一DWI图像的像素灰度值，/>表示第一DWI合成图像的像素灰度值，/>、/>分别表示所述第一DWI合成图像和所述b值为0的第一DWI图像的b值。
优选地，根据治疗前肿瘤的T2图像、所述第一DWI合成图像、所述b值为0的第一DWI图像和所述第一ADC图像，得到针对治疗前肿瘤的所述第一ADC图像中的第一高信号区域和第二高信号区域，包括：
将治疗前肿瘤的T2图像中的全部肿瘤区域WT根据空间坐标映射到所述b值为0的第一DWI图像上，得到原始DWI映射区域；
对所述原始DWI映射区域进行膨胀处理，得到原始DWI映射膨胀区域；
将所述原始DWI映射膨胀区域映射到所述第一DWI合成图像上，得到第一DWI合成图像映射区域；
通过多级阈值法和特征向量分类法，对所述第一DWI合成图像映射区域进行分类，得到第三高信号区域和第二高信号区域；
将所述第一DWI合成图像和所述b值为0的第一DWI图像中对应位置的像素灰度值做相减处理，得到减影图像；
通过全局阈值法，对所述减影图像进行图像分割，得到第四高信号区域；
将所述第四高信号区域与所述第三高信号区域做相减处理，得到第一高信号区域；
将所述第一高信号区域和所述第二高信号区域映射到所述第一ADC图像中，得到针对治疗前肿瘤的所述第一ADC图像中的第一高信号区域和第二高信号区域。
优选地，根据治疗前肿瘤的所述第一ADC图像中的第一高信号区域和治疗后肿瘤的所述第二ADC图像中的第一高信号区域，确定幅度校正系数，包括：
根据治疗前肿瘤的所述第一ADC图像中的第一高信号区域和治疗后肿瘤的所述第二ADC图像中的第一高信号区域，通过公式和，确定幅度校正系数，其中，/>表示治疗前肿瘤的所述第一ADC图像中的第一高信号区域内的ADC平均值，/>表示第/>次治疗后肿瘤的所述第二ADC图像中的第一高信号区域内的ADC平均值，/>表示设定常数，/>表示幅度校正系数。
优选地，根据所述幅度校正系数、治疗前肿瘤的所述第一ADC图像中的第二高信号区域和治疗后肿瘤的所述第二ADC图像中的第二高信号区域，确定ADC评估值，包括：
根据所述幅度校正系数、治疗前肿瘤的所述第一ADC图像中的第二高信号区域和治疗后肿瘤的所述第二ADC图像中的第二高信号区域，通过公式，确定ADC评估值，其中，/>表示治疗前肿瘤的所述第一ADC图像中的第二高信号区域内的ADC平均值，/>表示第/>次治疗后肿瘤的所述第二ADC图像中的第二高信号区域内的ADC平均值，/>表示幅度校正系数，/>表示ADC评估值。
本发明的第二方面，提供一种基于ADC图像的肿瘤预后特征评估的装置，包括：
第一获取模块，用于获取针对治疗前肿瘤的T2图像和第一DWI图像，其中，所述第一DWI图像包括：沿读出方向、相位方向和选层方向施加扩散梯度得到的三幅高b值第一DWI图像和未施加扩散梯度得到的b值为0的第一DWI图像；
配准模块，用于根据所述b值为0的第一DWI图像，通过边缘偏离度算法，对所述三幅高b值第一DWI图像进行形变配准；
合并模块，用于合并形变配准后的三幅高b值第一DWI图像，得到第一DWI合成图像；
生成模块，用于根据所述第一DWI合成图像和所述b值为0的第一DWI图像，生成第一ADC图像；
高信号区域模块，用于根据治疗前肿瘤的T2图像、所述第一DWI合成图像、所述b值为0的第一DWI图像和所述第一ADC图像，得到针对治疗前肿瘤的所述第一ADC图像中的第一高信号区域和第二高信号区域；
重复模块，用于获取针对治疗后肿瘤的T2图像和第二DWI图像，其中，所述第二DWI图像包括：沿读出方向、相位方向和选层方向施加扩散梯度得到的三幅高b值第二DWI图像和未施加扩散梯度得到的b值为0的第二DWI图像；根据所述b值为0的第二DWI图像，通过边缘偏离度算法，对所述三幅高b值第二DWI图像进行形变配准；合并形变配准后的三幅高b值第二DWI图像，得到第二DWI合成图像；根据所述第二DWI合成图像和所述b值为0的第二DWI图像，生成第二ADC图像；根据治疗后肿瘤的T2图像、所述第二DWI合成图像、所述b值为0的第二DWI图像和所述第二ADC图像，得到针对治疗后肿瘤的所述第二ADC图像中的第一高信号区域和第二高信号区域；
系数确定模块，用于根据治疗前肿瘤的所述第一ADC图像中的第一高信号区域和治疗后肿瘤的所述第二ADC图像中的第一高信号区域，确定幅度校正系数；
评估值确定模块，用于根据所述幅度校正系数、治疗前肿瘤的所述第一ADC图像中的第二高信号区域和治疗后肿瘤的所述第二ADC图像中的第二高信号区域，确定ADC评估值；
评估模块，用于根据所述ADC评估值，对肿瘤预后的特征进行评估。
本发明的第三方面提供一种电子设备，包括处理器和存储器，所述存储器存储有多条指令，所述处理器用于读取所述指令并执行如第一方面所述的方法。
本发明的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有多条指令，所述多条指令可被处理器读取并执行如第一方面所述的方法。
本发明提供的基于ADC图像的肿瘤预后特征评估的方法和装置，具有如下有益效果：本发明通过寻找测量表观扩散系数（apparent diffusion coefficient，ADC）评估值的最佳肿瘤特定区域（即，ADC图像中的第二高信号区域），计算并比较该肿瘤特定区域治疗前后的ADC评估值，并据此来准确判断肿瘤的进展情况，能够针对治疗前后同一肿瘤的肿瘤大小无明显变化的肿瘤，精准地为术后肿瘤特征的评估提供依据。
附图说明
图1为本发明实施例提供的一种基于ADC图像的肿瘤预后特征评估的方法流程示意图。
图2为本发明实施例提供的各高信号区域关系示意图。
图3为本发明实施例提供的一种基于ADC图像的肿瘤预后特征评估的装置的原理结构图。
具体实施方式
为了更好地理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细地说明。
本发明提供的方法可以在如下的终端环境中实施，该终端可以包括一个或多个如下部件：处理器、存储器和显示屏。其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现下述实施例所述的方法。
处理器可以包括一个或者多个处理核心。处理器利用各种接口和线路连接整个终端内的各个部分，通过运行或执行存储在存储器内的指令、程序、代码集或指令集，以及调用存储在存储器内的数据，执行终端的各种功能和处理数据。
存储器可以包括随机存储器（Random Access Memory，RAM），也可以包括只读存储器（Read-Only Memory，ROM）。存储器可用于存储指令、程序、代码、代码集或指令。
显示屏用于显示各个应用程序的用户界面。
除此之外，本领域技术人员可以理解，上述终端的结构并不构成对终端的限定，终端可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。比如，终端中还包括射频电路、输入单元、传感器、音频电路、电源等部件，在此不再赘述。
实施例一
如图1所示，本实施例提供了一种基于ADC图像的肿瘤预后特征评估的方法，包括：
S101：获取针对治疗前肿瘤的T2图像和第一DWI图像。
在本发明实施例中，T2图像是磁共振扫描的一种图像序列，所获取的T2图像内包含有已经通过图像分割技术分割出的并做好标注的全肿瘤区域（the whole tumor， WT）区域。
扩散加权成像（Diffusion Weighted Imaging，DWI）图像是磁共振扫描的一种图像序列，该第一DWI图像包括：沿读出方向、相位方向和选层方向施加扩散梯度得到的三幅高b值（其中b值为b Value，扩散敏感因子）第一DWI图像和未施加扩散梯度得到的b值为0的第一DWI图像。
在此需要说明的是，高b值第一DWI图像是通过在b值为0的DWI扫描序列中施加高b值对应的扩散梯度而得到的图像，b可以选取1000s/mm2，在本发明实施例中记作b1000，也可以选取其他值，这里选用的1000是临床常用b值示例，具体可根据实际情况来定，其中，b值为0的第一DWI图像指的是未施加扩散梯度的第一DWI图像，即，，在本发明实施例中记作b0。
在此需要说明的是，三幅高b值第一DWI图像指的是扩散梯度分别施加在读出方向（R）、相位方向（P）、选层方向（S）形成的三幅不同的高b值第一DWI图像，在本发明实施例中分别记作、/>、/>，另外，b值为0的第一DWI图像记作/>。
S102：根据所述b值为0的第一DWI图像，通过边缘偏离度算法，对所述三幅高b值第一DWI图像进行形变配准。
由于扩散梯度引起的涡流可以导致DWI形变，并且扩散梯度施加在不同的梯度方向上，产生的形变也有所不同，又由于b值为0的第一DWI图像没有施加扩散梯度，形变较小，因此，在本发明实施中，可以将b值为0的第一DWI图像作为基准，对所述三幅高b值第一DWI图像进行形变配准，即，对、/>、/>分别进行形变配准。
基于此，本发明实施例提供了一种根据所述b值为0的第一DWI图像，通过边缘偏离度算法，对所述三幅高b值第一DWI图像进行形变配准的具体实施方式，如下：
针对每幅高b值第一DWI图像，对该幅高b值第一DWI图像进行全局阈值分割处理，将该幅高b值第一DWI图像中小于分割阈值的像素值赋值为0，去除背景区域；针对去除背景区域后的该幅高b值第一DWI图像内的每个像素点，判断该像素点是否满足像素值不为0且与该像素点相邻的像素点的像素值存在0的条件，若是，则该像素点为边缘像素点，若否，则该像素点不是边缘像素点，根据判断出的边缘像素点，形成该幅高b值第一DWI图像对应的边缘点集合；根据三幅高b值第一DWI图像对应的边缘点集合，通过公式，计算三幅高b值第一DWI图像之间边缘点最大的偏离程度，其中，EP、ER和ES分别表示三幅高b值第一DWI图像对应的边缘点集合，/>表示每个边缘点集合内边缘像素点的数目， />表示三幅高b值第一DWI图像之间边缘点最大的偏离程度；当所述边缘点最大的偏离程度超过偏离阈值时，将三幅高b值第一DWI图像分别与所述b值为0的第一DWI图像进行形变配准。
在此需要说明的是，EP、ER和ES内边缘点数目相同，全局阈值分割处理可以选取最大类间方差法。
在此还需要说明的是，在此以的边缘点集合ER计算为例，针对去除背景区域后的该幅高b值/>图像内的每个像素点，判断像素点/>需要同时满足下面两个条件：
（1）周边四个像素点中至少有一个像素点的像素值为0，公式如下：
；
（2）像素点自身像素值不为0，公式如下：
；
其中，代表/>图像中/>位置处的像素灰度值。
应用同样的方法，可以计算出、/>应的边缘点集合EP、ES。
进一步的，然后计算出三幅高b值第一DWI图像之间边缘点最大的偏离程度，公式如下：
；
其中，EP、ER和ES分别表示三幅高b值第一DWI图像对应的边缘点集合，表示每个边缘点集合内边缘像素点的数目，/>表示三幅高b值第一DWI图像之间边缘点最大的偏离程度。
如果（/>为偏离阈值，是一个可变量，作为示例选取0.05），那么本发明实施例中的形变配准操作可以省略。如果/>，将三幅高b值第一DWI图像分别与所述b值为0的第一DWI图像进行形变配准。也就是说，当最大偏离程度/>时，/>、/>、都要进行形变配准，即，将治疗前/>、/>、/>图像分别与/>图像进行形变配准；当/>时，/>、/>、/>无需进行形变配准。
S103：合并形变配准后的三幅高b值第一DWI图像，得到第一DWI合成图像。
进一步的，在对所述三幅高b值第一DWI图像进行形变配准之后，需要合并形变配准后的三幅高b值第一DWI图像，得到第一DWI合成图像。
在本发明实施例中，可以通过公式，合并形变配准后的三幅高b值第一DWI图像，得到第一DWI合成图像，其中，/>、/>、/>分别表示三幅高b值DWI图像的像素灰度值，/>表示第一DWI合成图像的像素灰度值。
S104：根据所述第一DWI合成图像和所述b值为0的第一DWI图像，生成第一ADC图像。
由于本发明是基于表观扩散系数图像对肿瘤的预后特征进行评估的，因此，本发明实施例在得到第一DWI合成图像之后，需要根据所述第一DWI合成图像和所述b值为0的第一DWI图像，生成第一ADC图像。
在本发明实施例中，可以根据所述第一DWI合成图像和所述b值为0的第一DWI图像，通过公式，生成第一ADC图像，其中，/>表示表观扩散系数，/>表示b值为0的第一DWI图像的像素灰度值，/>表示第一DWI合成图像的像素灰度值，/>、/>分别表示所述第一DWI合成图像和所述b值为0的第一DWI图像的b值。
S105：根据治疗前肿瘤的T2图像、所述第一DWI合成图像、所述b值为0的第一DWI图像和所述第一ADC图像，得到针对治疗前肿瘤的所述第一ADC图像中的第一高信号区域和第二高信号区域。
本发明实施例提供了一种根据治疗前肿瘤的所述T2图像、所述第一DWI合成图像、所述b值为0的第一DWI图像和所述第一ADC图像，得到针对治疗前肿瘤的所述第一ADC图像中的第一高信号区域和第二高信号区域的具体实施方式，如下：
将治疗前肿瘤T2图像中的全部肿瘤区域（the whole tumor, WT）根据空间坐标映射到所述b值为0的第一DWI图像上，得到原始DWI映射区域；对所述原始DWI映射区域进行膨胀处理，得到所述原始DWI映射膨胀区域；将所述原始DWI映射膨胀区域映射到所述第一DWI合成图像上，得到第一DWI合成图像映射区域；通过多级阈值法和特征向量分类法，对所述第一DWI合成图像映射区域进行分类，得到第三高信号区域和第二高信号区域；将所述第一DWI合成图像和所述b值为0的第一DWI图像中对应位置的像素灰度值做相减处理，得到减影图像；通过全局阈值法，对所述减影图像进行图像分割，得到第四高信号区域；将所述第四高信号区域与所述第三高信号区域做相减处理，得到第一高信号区域；将所述第一高信号区域和所述第二高信号区域映射到所述第一ADC图像中，得到针对治疗前肿瘤的所述第一ADC图像中的第一高信号区域和第二高信号区域，如图2所示，图中的序号1、2、3、4分别代表第一高信号区域、第二高信号区域、第三高信号区域、第四高信号区域。第四高信号区域由第一高信号区域和第三高信号区域组成，其中第三高信号区域包含第二高信号区域。
在此需要说明的是，将T2图像的WT区域根据空间坐标映射到图像上，得到原始DWI映射区域。由于扩散序列采集方法本身会带来形变，所以原始DWI映射区域不等同于图像的WT区域（即，/>的WT区域与T2的WT区域在位置和形状上有差异），对原始DWI映射区域进行膨胀处理得到原始DWI映射膨胀区域，其中，核磁共振图像的T2图像和/>的WT区域均表现为较高信号，周边正常组织为低信号，根据这一特征对原始DWI映射区域进行膨胀处理即可。
进一步的，通过多级阈值法和特征向量分类法，对所述第一DWI合成图像映射区域进行分类，得到第三高信号区域和第二高信号区域，具体是，通过多级阈值法（如最大类间方差法），分别对第一DWI合成图像中的第一DWI合成图像映射区域和b值为0的第一DWI图像中的第一DWI合成图像映射区域进行幅度值分类，两幅图像中的第一DWI合成图像映射区域内所有像素点分为高（记作1）、中（记作0）、低（记作-1）三类标记值。然后根据像素点的上述分类标记值，通过特征向量分类法，将除表1所示的两种情况之外的特征向量所对应的像素点全部去除，即只保留、/>所对应的像素点，其中第一种情况/>中的0表示第一DWI合成图像的像素分类标记值，1表示b值为0的第一DWI图像的像素分类标记值；第二种情况/>中的1表示第一DWI合成图像的像素分类标记值，0表示b值为0的第一DWI图像的像素分类标记值；
表1
通过如下公式判断像素点是否属于第三高信号区域：
；
通过如下公式判断像素点是否属于第二高信号区域：
；
其中，为第一DWI合成图像映射区域内像素点的由第一DWI合成图像和b值为0的第一DWI图像构成的特征向量，H1和H2均为由第一DWI合成图像和b值为0的第一DWI图像构成的标准特征向量，例如：某像素点特征向量为/>。第二高信号区域为肿瘤在第一DWI合成图像上的高信号区域。
进一步的，再通过全局阈值法，对所述减影图像进行图像分割，得到第四高信号区域，该第四高信号区域包括脑脊液区域、眼球区域和包含肿瘤的第三高信号区域等。
然后在将所述第四高信号区域与所述第三高信号区域做相减处理，得到第一高信号区域中，需要将得到的第四高信号区域去除包含肿瘤的第三高信号区域，得到第一高信号区域（包含脑脊液、眼球等）。
S106：获取针对治疗后肿瘤的T2图像和第二DWI图像；根据所述b值为0的第二DWI图像，通过边缘偏离度算法，对所述三幅高b值第二DWI图像进行形变配准；合并形变配准后的三幅高b值第二DWI图像，得到第二DWI合成图像；根据所述第二DWI合成图像和所述b值为0的第二DWI图像，生成第二ADC图像；根据治疗后肿瘤的T2图像、所述第二DWI合成图像、所述b值为0的第二DWI图像和所述第二ADC图像，得到针对治疗后肿瘤的所述第二ADC图像中的第一高信号区域和第二高信号区域。
由于本发明是基于治疗前后肿瘤的ADC图像实现的，因此，上述步骤S101到S105只是得到针对治疗前肿瘤的所述第一ADC图像中的第一高信号区域和第二高信号区域，还没有得到针对治疗后肿瘤的所述第二ADC图像中的第一高信号区域和第二高信号区域，因此，在本发明实施例中，需要获取针对治疗后肿瘤的T2图像和第二DWI图像，并对治疗后肿瘤的T2图像和第二DWI图像重复步骤S102到S105之间的操作，得到针对治疗后肿瘤的所述第二ADC图像中的第一高信号区域和第二高信号区域。
同样的，第二DWI图像同样包括：沿读出方向、相位方向和选层方向施加扩散梯度得到的三幅高b值第二DWI图像和未施加扩散梯度得到的b值为0的第二DWI图像，在此不再一一赘述。
S107：根据治疗前肿瘤的所述第一ADC图像中的第一高信号区域和治疗后肿瘤的所述第二ADC图像中的第一高信号区域，确定幅度校正系数。
进一步的，在得到治疗前肿瘤的所述第一ADC图像中的第一高信号区域和治疗后肿瘤的所述第二ADC图像中的第一高信号区域之后，需要根据治疗前肿瘤的所述第一ADC图像中的第一高信号区域和治疗后肿瘤的所述第二ADC图像中的第一高信号区域，确定幅度校正系数。
本发明实施例给出了一种根据治疗前肿瘤的所述第一ADC图像中的第一高信号区域和治疗后肿瘤的所述第二ADC图像中的第一高信号区域，确定幅度校正系数的具体实施方式，如下：
根据治疗前肿瘤的所述第一ADC图像中的第一高信号区域和治疗后肿瘤的所述第二ADC图像中的第一高信号区域，通过公式
和/>，确定幅度校正系数，其中，/>表示治疗前肿瘤的所述第一ADC图像中的第一高信号区域内的ADC平均值，/>表示第/>次治疗后肿瘤的所述第二ADC图像中的第一高信号区域内的ADC平均值，/>表示设定常数，/>表示幅度校正系数。
在此需要说明的是，当或/>时，超出了系统差异（场均匀性等）或误差带来的影响，可考虑病理性改变，不进行校正，此时令/>。
S108：根据所述幅度校正系数、治疗前肿瘤的所述第一ADC图像中的第二高信号区域和治疗后肿瘤的所述第二ADC图像中的第二高信号区域，确定ADC评估值。
本发明实施例在得到幅度校正系数之后，可根据所述幅度校正系数、治疗前肿瘤的所述第一ADC图像中的第二高信号区域和治疗后肿瘤的所述第二ADC图像中的第二高信号区域，确定ADC评估值，具体的：
根据所述幅度校正系数、治疗前肿瘤的所述第一ADC图像中的第二高信号区域和治疗后肿瘤的所述第二ADC图像中的第二高信号区域，通过公式，确定ADC评估值，其中，/>表示治疗前肿瘤的所述第一ADC图像中的第二高信号区域内的ADC平均值，/>表示第/>次治疗后肿瘤的所述第二ADC图像中的第二高信号区域内的ADC平均值，/>表示幅度校正系数，/>表示ADC评估值。
在此需要说明的是，第二高信号区域肿瘤在第一DWI合成图像上的高信号区域，为测量ADC值的最佳区域。
在此还需要说明的是，步骤S107和步骤S108中的使用的是ADC平均值来计算的，还可以采用最小ADC值或最大ADC值来计算的，在此不做限定。
S109：根据所述ADC评估值，对肿瘤预后的特征进行评估。
在本发明实施例中，每次对肿瘤治疗之后都会得到一个ADC评估值，进行多次治疗后，可以将ADC评估值以ADC值相对变化曲线的形式画出，/>作为纵轴，治疗次数作为横轴，可以随时间直观地观察治疗效果的变化。如果/>值与前一次治疗相比变大，表示ADC值升高，治疗有效；如果/>值与前一次治疗相比变小，表示ADC值降低，代表肿瘤复发可能。
通过上述方法，本发明通过寻找测量ADC评估值的最佳肿瘤特定区域（即，ADC图像中的第二高信号区域），计算并比较该肿瘤特定区域治疗前后的ADC评估值，并据此来准确判断肿瘤的进展情况，能够针对治疗前后同一肿瘤的肿瘤大小无明显变化的肿瘤，精准地为术后肿瘤效果的评估提供依据。
另外，本发明实施例中还能得到如下效果：
(1)本发明针对DWI图像受扩散梯度涡流影响，不同扩散梯度方向导致变形不同的情况，以边缘点偏离程度为标准，对中心层面（为了减小计算量）偏离程度较大的情况，通过形变配准的方式减小形变差异，然后再多方向合成，提升了合成图像的显示分辨率及图像边界的清晰度。
(2) 本发明利用DWI图像序列特性（对自由水分子运动敏感），将b值为0的DWI图像和高b值DWI图像结合，利用自由水信号的幅值强度变化显著的特点，分割出肿瘤区域外的自由水高信号，即第一高信号区域。以第一高信号区域的ADC均值为参照，解决了治疗前后多次扫描时，系统差异带来的影响，为多次治疗的结果提供基准。
(3)DWI图像序列由于采集原理引起的形变，即与常规T2图像之间存在形变，是DWI图像和ADC图像难以直接与其他图像一起分割的原因。基于常规序列T2图像的肿瘤分割结果，本发明采用膨胀方法处理后，通过特征向量分类的方式分割出计算ADC均值的合理测量区域。分割出的第二高信号区域，作为ADC值的测量区域，自动去除肿瘤坏死区域和水肿区域，避免了这些区域对ADC值测量的影响，这是ADC值测量的关键和难点。同时此方法解决了扩散序列伪影的影响，如T2图像透过效应等。
实施例二
本实施例提供一种基于ADC图像的肿瘤预后特征评估的装置，如图3所示，包括：
第一获取模块201，用于获取针对治疗前肿瘤的T2图像和第一DWI图像，其中，所述第一DWI图像包括：沿读出方向、相位方向和选层方向施加扩散梯度得到的三幅高b值第一DWI图像和未施加扩散梯度得到的b值为0的第一DWI图像；
配准模块202，用于根据所述b值为0的第一DWI图像，通过边缘偏离度算法，对所述三幅高b值第一DWI图像进行形变配准；
合并模块203，用于合并形变配准后的三幅高b值第一DWI图像，得到第一DWI合成图像；
生成模块204，用于根据所述第一DWI合成图像和所述b值为0的第一DWI图像，生成第一ADC图像；
高信号区域模块205，用于根据治疗前肿瘤的T2图像、所述第一DWI合成图像、所述b值为0的第一DWI图像和所述第一ADC图像，得到针对治疗前肿瘤的所述第一ADC图像中的第一高信号区域和第二高信号区域；
重复模块206，用于获取针对治疗后肿瘤的T2图像和第二DWI图像，其中，所述第二DWI图像包括：沿读出方向、相位方向和选层方向施加扩散梯度得到的三幅高b值第二DWI图像和未施加扩散梯度得到的b值为0的第二DWI图像；根据所述b值为0的第二DWI图像，通过边缘偏离度算法，对所述三幅高b值第二DWI图像进行形变配准；合并形变配准后的三幅高b值第二DWI图像，得到第二DWI合成图像；根据所述第二DWI合成图像和所述b值为0的第二DWI图像，生成第二ADC图像；根据治疗后肿瘤的T2图像、所述第二DWI合成图像、所述b值为0的第二DWI图像和所述第二ADC图像，得到针对治疗后肿瘤的所述第二ADC图像中的第一高信号区域和第二高信号区域；
系数确定模块207，用于根据治疗前肿瘤的所述第一ADC图像中的第一高信号区域和治疗后肿瘤的所述第二ADC图像中的第一高信号区域，确定幅度校正系数；
评估值确定模块208，用于根据所述幅度校正系数、治疗前肿瘤的所述第一ADC图像中的第二高信号区域和治疗后肿瘤的所述第二ADC图像中的第二高信号区域，确定ADC评估值；
评估模块209，用于根据所述ADC评估值，对肿瘤预后特征进行评估。
所述配准模块202具体用于，针对每幅高b值第一DWI图像，对该幅高b值第一DWI图像进行全局阈值分割处理，将该幅高b值第一DWI图像中小于分割阈值的像素值赋值为0，去除背景区域；针对去除背景区域后的该幅高b值第一DWI图像内的每个像素点，判断该像素点是否满足像素值不为0且与该像素点相邻的像素点的像素值存在0的条件，若是，则该像素点为边缘像素点，若否，则该像素点不是边缘像素点，根据判断出的边缘像素点，形成该幅高b值第一DWI图像对应的边缘点集合；根据三幅高b值第一DWI图像对应的边缘点集合，通过公式，计算三幅高b值第一DWI图像之间边缘点最大的偏离程度，其中，EP、ER和ES分别表示三幅高b值第一DWI图像对应的边缘点集合，/>表示每个边缘点集合内边缘像素点的数目，/>表示三幅高b值第一DWI图像之间边缘点最大的偏离程度；当所述边缘点最大的偏离程度超过偏离阈值时，将三幅高b值第一DWI图像分别与所述b值为0的第一DWI图像进行形变配准。
所述合并模块203具体用于，通过公式，合并形变配准后的三幅高b值第一DWI图像，得到第一DWI合成图像，其中，/>、/>、/>分别表示三幅高b值DWI图像的像素灰度值，/>表示第一DWI合成图像的像素灰度值。
所述生成模块204具体用于，根据所述第一DWI合成图像和所述b值为0的第一DWI图像，通过公式，生成第一ADC图像，其中，/>表示表观扩散系数，/>表示b值为0的第一DWI图像的像素灰度值，/>表示第一DWI合成图像的像素灰度值，/>、/>分别表示所述第一DWI合成图像和所述b值为0的第一DWI图像的b值。
所述高信号区域模块205具体用于，将治疗前肿瘤的T2图像中的WT区域根据空间坐标映射到所述b值为0的第一DWI图像上，得到原始DWI映射区域；对所述原始DWI映射区域进行膨胀处理，得到所述原始DWI映射膨胀区域；将所述原始DWI映射膨胀区域映射到所述第一DWI合成图像上，得到第一DWI合成图像映射区域；通过多级阈值法和特征向量分类法，对所述第一DWI合成图像映射区域进行分类，得到第三高信号区域和第二高信号区域；将所述第一DWI合成图像和所述b值为0的第一DWI图像中对应位置的像素灰度值做相减处理，得到减影图像；通过全局阈值法，对所述减影图像进行图像分割，得到第四高信号区域；将所述第四高信号区域与所述第三高信号区域做相减处理，得到第一高信号区域；将所述第一高信号区域和所述第二高信号区域映射到所述第一ADC图像中，得到针对治疗前肿瘤的所述第一ADC图像中的第一高信号区域和第二高信号区域。
所述系数确定模块207具体用于，根据治疗前肿瘤的所述第一ADC图像中的第一高信号区域和治疗后肿瘤的所述第二ADC图像中的第一高信号区域，通过公式和/>，确定幅度校正系数，其中，表示治疗前肿瘤的所述第一ADC图像中的第一高信号区域内的ADC平均值，表示第/>次治疗后肿瘤的所述第二ADC图像中的第一高信号区域内的ADC平均值，/>表示设定常数，/>表示幅度校正系数。
所述评估值确定模块208具体用于，根据所述幅度校正系数、治疗前肿瘤的所述第一ADC图像中的第二高信号区域和治疗后肿瘤的所述第二ADC图像中的第二高信号区域，通过公式，确定ADC评估值，其中，/>表示治疗前肿瘤的所述第一ADC图像中的第二高信号区域内的ADC平均值，/>表示第/>次治疗后肿瘤的所述第二ADC图像中的第二高信号区域内的ADC平均值，/>表示幅度校正系数，/>表示ADC评估值。
该装置可实现上述实施例一提供的肿瘤预后效果评估的方法，具体的预测方法可参见实施例一中的描述，在此不再赘述。
实施例三
本发明提供了一种电子设备，包括处理器和存储器，所述存储器存储有多条指令，所述处理器用于读取所述指令并执行前述实施例一中的任一种方法。其中处理器和存储器可以通过总线或者其他方式连接，以通过总线连接为例。处理器可以为中央处理器（Central Processing Unit，CPU）。处理器还可以为其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific IntegratedCircuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本申请实施例中的方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的方法。
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实施例四
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有多条指令，所述指令可被所述处理器加载并执行，以使所述处理器能够执行如实施例一中的任意一种方法。该计算机可读存储介质可以是有形存储介质，诸如随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、软盘、硬盘、可移动存储盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于ADC图像的肿瘤预后特征评估的方法，其特征在于，包括：
获取针对治疗前肿瘤的T2图像和第一DWI图像，其中，所述第一DWI图像包括：沿读出方向、相位方向和选层方向施加扩散梯度得到的三幅高b值第一DWI图像和未施加扩散梯度得到的b值为0的第一DWI图像；
根据所述b值为0的第一DWI图像，通过边缘偏离度算法，对所述三幅高b值第一DWI图像进行形变配准；
合并形变配准后的三幅高b值第一DWI图像，得到第一DWI合成图像；
根据所述第一DWI合成图像和所述b值为0的第一DWI图像，生成第一ADC图像；
根据治疗前肿瘤的T2图像、所述第一DWI合成图像、所述b值为0的第一DWI图像和所述第一ADC图像，得到针对治疗前肿瘤的所述第一ADC图像中的第一高信号区域和第二高信号区域；
获取针对治疗后肿瘤的T2图像和第二DWI图像，其中，所述第二DWI图像包括：沿读出方向、相位方向和选层方向施加扩散梯度得到的三幅高b值第二DWI图像和未施加扩散梯度得到的b值为0的第二DWI图像；根据所述b值为0的第二DWI图像，通过边缘偏离度算法，对所述三幅高b值第二DWI图像进行形变配准；合并形变配准后的三幅高b值第二DWI图像，得到第二DWI合成图像；根据所述第二DWI合成图像和所述b值为0的第二DWI图像，生成第二ADC图像；根据治疗后肿瘤的T2图像、所述第二DWI合成图像、所述b值为0的第二DWI图像和所述第二ADC图像，得到针对治疗后肿瘤的所述第二ADC图像中的第一高信号区域和第二高信号区域；
根据治疗前肿瘤的所述第一ADC图像中的第一高信号区域和治疗后肿瘤的所述第二ADC图像中的第一高信号区域，确定幅度校正系数；
根据所述幅度校正系数、治疗前肿瘤的所述第一ADC图像中的第二高信号区域和治疗后肿瘤的所述第二ADC图像中的第二高信号区域，确定ADC评估值；
根据所述ADC评估值，对肿瘤预后的特征进行评估。
2.根据权利要求1所述的方法，其特征在于，根据所述b值为0的第一DWI图像，通过边缘偏离度算法，对所述三幅高b值第一DWI图像进行形变配准，包括：
针对每幅高b值第一DWI图像，对该幅高b值第一DWI图像进行全局阈值分割处理，将该幅高b值第一DWI图像中小于分割阈值的像素值赋值为0，去除背景区域；
针对去除背景区域后的该幅高b值第一DWI图像内的每个像素点，判断该像素点是否满足像素值不为0且与该像素点相邻的像素点的像素值存在0的条件，若是，则该像素点为边缘像素点，若否，则该像素点不是边缘像素点；
根据判断出的边缘像素点，形成该幅高b值第一DWI图像对应的边缘点集合；
根据三幅高b值第一DWI图像对应的边缘点集合，通过公式，计算三幅高b值第一DWI图像之间边缘点最大的偏离程度，其中，EP、ER和ES分别表示三幅高b值第一DWI图像对应的边缘点集合，/>表示每个边缘点集合内边缘像素点的数目，/>表示三幅高b值第一DWI图像之间边缘点最大的偏离程度；当所述边缘点最大的偏离程度超过偏离阈值时，将三幅高b值第一DWI图像分别与所述b值为0的第一DWI图像进行形变配准。
3.根据权利要求1所述的方法，其特征在于，合并形变配准后的三幅高b值第一DWI图像，得到第一DWI合成图像，包括：
通过公式，合并形变配准后的三幅高b值第一DWI图像，得到第一DWI合成图像，其中，/>、/>、/>分别表示三幅高b值第一DWI图像的像素灰度值，/>表示第一DWI合成图像的像素灰度值。
4.根据权利要求1所述的方法，其特征在于，根据所述第一DWI合成图像和所述b值为0的第一DWI图像，生成第一ADC图像，包括：
根据所述第一DWI合成图像和所述b值为0的第一DWI图像，通过公式，生成第一ADC图像，其中，/>表示表观扩散系数，/>表示b值为0的第一DWI图像的像素灰度值，表示第一DWI合成图像的像素灰度值，/>、/>分别表示所述第一DWI合成图像和所述b值为0的第一DWI图像的b值。
5.根据权利要求1所述的方法，其特征在于，根据治疗前肿瘤的T2图像、所述第一DWI合成图像、所述b值为0的第一DWI图像和所述第一ADC图像，得到针对治疗前肿瘤的所述第一ADC图像中的第一高信号区域和第二高信号区域，包括：
将治疗前肿瘤的T2图像中的全部肿瘤区域WT根据空间坐标映射到所述b值为0的第一DWI图像上，得到原始DWI映射区域；
对所述原始DWI映射区域进行膨胀处理，得到原始DWI映射膨胀区域；
将所述原始DWI映射膨胀区域映射到所述第一DWI合成图像上，得到第一DWI合成图像映射区域；
通过多级阈值法和特征向量分类法，对所述第一DWI合成图像映射区域进行分类，得到第三高信号区域和第二高信号区域；
将所述第一DWI合成图像和所述b值为0的第一DWI图像中对应位置的像素灰度值做相减处理，得到减影图像；
通过全局阈值法，对所述减影图像进行图像分割，得到第四高信号区域；
将所述第四高信号区域与所述第三高信号区域做相减处理，得到第一高信号区域；
将所述第一高信号区域和所述第二高信号区域映射到所述第一ADC图像中，得到针对治疗前肿瘤的所述第一ADC图像中的第一高信号区域和第二高信号区域。
6.根据权利要求1所述的方法，其特征在于，根据治疗前肿瘤的所述第一ADC图像中的第一高信号区域和治疗后肿瘤的所述第二ADC图像中的第一高信号区域，确定幅度校正系数，包括：
根据治疗前肿瘤的所述第一ADC图像中的第一高信号区域和治疗后肿瘤的所述第二ADC图像中的第一高信号区域，通过公式和，确定幅度校正系数，其中，/>表示治疗前肿瘤的所述第一ADC图像中的第一高信号区域内的ADC平均值，/>表示第/>次治疗后肿瘤的所述第二ADC图像中的第一高信号区域内的ADC平均值，/>表示设定常数，/>表示幅度校正系数。
7.根据权利要求1所述的方法，其特征在于，根据所述幅度校正系数、治疗前肿瘤的所述第一ADC图像中的第二高信号区域和治疗后肿瘤的所述第二ADC图像中的第二高信号区域，确定ADC评估值，包括：
根据所述幅度校正系数、治疗前肿瘤的所述第一ADC图像中的第二高信号区域和治疗后肿瘤的所述第二ADC图像中的第二高信号区域，通过公式，确定ADC评估值，其中，/>表示治疗前肿瘤的所述第一ADC图像中的第二高信号区域内的ADC平均值，/>表示第/>次治疗后肿瘤的所述第二ADC图像中的第二高信号区域内的ADC平均值，/>表示幅度校正系数，/>表示ADC评估值。
8.一种基于ADC图像的肿瘤预后特征评估的装置，其特征在于，包括：
第一获取模块，用于获取针对治疗前肿瘤的T2图像和第一DWI图像，其中，所述第一DWI图像包括：沿读出方向、相位方向和选层方向施加扩散梯度得到的三幅高b值第一DWI图像和未施加扩散梯度得到的b值为0的第一DWI图像；
配准模块，用于根据所述b值为0的第一DWI图像，通过边缘偏离度算法，对所述三幅高b值第一DWI图像进行形变配准；
合并模块，用于合并形变配准后的三幅高b值第一DWI图像，得到第一DWI合成图像；
生成模块，用于根据所述第一DWI合成图像和所述b值为0的第一DWI图像，生成第一ADC图像；
高信号区域模块，用于根据治疗前肿瘤的T2图像、所述第一DWI合成图像、所述b值为0的第一DWI图像和所述第一ADC图像，得到针对治疗前肿瘤的所述第一ADC图像中的第一高信号区域和第二高信号区域；
重复模块，用于获取针对治疗后肿瘤的T2图像和第二DWI图像，其中，所述第二DWI图像包括：沿读出方向、相位方向和选层方向施加扩散梯度得到的三幅高b值第二DWI图像和未施加扩散梯度得到的b值为0的第二DWI图像；根据所述b值为0的第二DWI图像，通过边缘偏离度算法，对所述三幅高b值第二DWI图像进行形变配准；合并形变配准后的三幅高b值第二DWI图像，得到第二DWI合成图像；根据所述第二DWI合成图像和所述b值为0的第二DWI图像，生成第二ADC图像；根据治疗后肿瘤的T2图像、所述第二DWI合成图像、所述b值为0的第二DWI图像和所述第二ADC图像，得到针对治疗后肿瘤的所述第二ADC图像中的第一高信号区域和第二高信号区域；
系数确定模块，用于根据治疗前肿瘤的所述第一ADC图像中的第一高信号区域和治疗后肿瘤的所述第二ADC图像中的第一高信号区域，确定幅度校正系数；
评估值确定模块，用于根据所述幅度校正系数、治疗前肿瘤的所述第一ADC图像中的第二高信号区域和治疗后肿瘤的所述第二ADC图像中的第二高信号区域，确定ADC评估值；
评估模块，用于根据所述ADC评估值，对肿瘤预后的特征进行评估。
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有多条指令，所述处理器用于读取所述指令并执行如权利要求1-7任一所述的肿瘤预后特征评估的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有多条指令，所述多条指令可被处理器读取并执行如权利要求1-7任一所述的肿瘤预后特征评估的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311752341.XA CN117422722B (zh) | 2023-12-19 | 2023-12-19 | 基于adc图像的肿瘤预后特征评估的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311752341.XA CN117422722B (zh) | 2023-12-19 | 2023-12-19 | 基于adc图像的肿瘤预后特征评估的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117422722A true CN117422722A (zh) | 2024-01-19 |
| CN117422722B CN117422722B (zh) | 2024-03-29 |
Family
ID=89531169
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311752341.XA Active CN117422722B (zh) | 2023-12-19 | 2023-12-19 | 基于adc图像的肿瘤预后特征评估的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117422722B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100254584A1 (en) * | 2009-04-07 | 2010-10-07 | Siemens Corporation | Automated method for assessment of tumor response to therapy with multi-parametric mri |
| US20110087104A1 (en) * | 2009-10-12 | 2011-04-14 | Silicon Valley Medical Instruments, Inc. | Intravascular ultrasound system for co-registered imaging |
| CN103648518A (zh) * | 2011-06-24 | 2014-03-19 | 诺诺公司 | 局部缺血的组合治疗 |
| CN108538399A (zh) * | 2018-03-22 | 2018-09-14 | 复旦大学 | 一种磁共振肝癌疗效评估方法和系统 |
| US20190223789A1 (en) * | 2016-08-30 | 2019-07-25 | Washington University | Quantitative differentiation of tumor heterogeneity using diffusion mr imaging data |
| CN110717894A (zh) * | 2019-09-20 | 2020-01-21 | 北京深睿博联科技有限责任公司 | 癌症靶向治疗疗效评估方法及装置、设备、存储介质 |
| CN111815624A (zh) * | 2020-07-28 | 2020-10-23 | 复旦大学附属华山医院 | 基于图像处理算法的肿瘤间质比判定方法及系统 |
| US20210358117A1 (en) * | 2020-05-18 | 2021-11-18 | Prince Mohammad Bin Fahd University | Multi-stage brain tumor image processing method and system |
| AU2021206201A1 (en) * | 2020-01-07 | 2022-08-18 | Shanghai Huayu Biotechnology Co., Ltd. | Combination cancer therapy using CHK inhibitor |
| CN116228753A (zh) * | 2023-05-06 | 2023-06-06 | 中山大学孙逸仙纪念医院 | 肿瘤预后评估方法、装置、计算机设备和存储介质 |
| CN117132595A (zh) * | 2023-10-25 | 2023-11-28 | 北京市肿瘤防治研究所 | 一种直肠癌及宫颈癌dwi图像智能轻量处理方法和系统 |
| CN117237435A (zh) * | 2023-11-16 | 2023-12-15 | 北京智源人工智能研究院 | 肿瘤预后效果评估的方法、装置、电子设备和存储介质 |
-
2023
- 2023-12-19 CN CN202311752341.XA patent/CN117422722B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100254584A1 (en) * | 2009-04-07 | 2010-10-07 | Siemens Corporation | Automated method for assessment of tumor response to therapy with multi-parametric mri |
| US20110087104A1 (en) * | 2009-10-12 | 2011-04-14 | Silicon Valley Medical Instruments, Inc. | Intravascular ultrasound system for co-registered imaging |
| CN103648518A (zh) * | 2011-06-24 | 2014-03-19 | 诺诺公司 | 局部缺血的组合治疗 |
| US20190223789A1 (en) * | 2016-08-30 | 2019-07-25 | Washington University | Quantitative differentiation of tumor heterogeneity using diffusion mr imaging data |
| CN108538399A (zh) * | 2018-03-22 | 2018-09-14 | 复旦大学 | 一种磁共振肝癌疗效评估方法和系统 |
| CN110717894A (zh) * | 2019-09-20 | 2020-01-21 | 北京深睿博联科技有限责任公司 | 癌症靶向治疗疗效评估方法及装置、设备、存储介质 |
| AU2021206201A1 (en) * | 2020-01-07 | 2022-08-18 | Shanghai Huayu Biotechnology Co., Ltd. | Combination cancer therapy using CHK inhibitor |
| US20210358117A1 (en) * | 2020-05-18 | 2021-11-18 | Prince Mohammad Bin Fahd University | Multi-stage brain tumor image processing method and system |
| CN111815624A (zh) * | 2020-07-28 | 2020-10-23 | 复旦大学附属华山医院 | 基于图像处理算法的肿瘤间质比判定方法及系统 |
| CN116228753A (zh) * | 2023-05-06 | 2023-06-06 | 中山大学孙逸仙纪念医院 | 肿瘤预后评估方法、装置、计算机设备和存储介质 |
| CN117132595A (zh) * | 2023-10-25 | 2023-11-28 | 北京市肿瘤防治研究所 | 一种直肠癌及宫颈癌dwi图像智能轻量处理方法和系统 |
| CN117237435A (zh) * | 2023-11-16 | 2023-12-15 | 北京智源人工智能研究院 | 肿瘤预后效果评估的方法、装置、电子设备和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 刘学伟 等: "后抗逆转录病毒联合疗法时期中医药防治艾滋病 疗效评价思考", 《中华中医药杂志》, 30 November 2023 (2023-11-30) * |
| 李鹏宇: "基于知识图谱和自动机器学习的软件缺陷预测", 《空间控制技术与应用》, 30 April 2021 (2021-04-30) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117422722B (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107492097B (zh) | 一种识别mri图像感兴趣区域的方法及装置 | |
| CN107480677B (zh) | 一种识别三维ct图像中感兴趣区域的方法及装置 | |
| KR20130049091A (ko) | 병변 경계의 오류 검출 장치 및 방법, 병변 경계의 오류 수정 장치 및 방법 및, 병변 경계의 오류 검사 장치 | |
| CN107610162A (zh) | 一种基于互信息与图像分割的三维多模态医学图像自动配准方法 | |
| CN101051387A (zh) | 使用局部加权拟合的图像配准 | |
| CN110782428B (zh) | 一种用于构建临床脑部ct图像roi模板的方法及系统 | |
| CN115965750B (zh) | 血管重建方法、装置、计算机设备和可读存储介质 | |
| JP2013051988A (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
| US20150157298A1 (en) | Apparatus and method for combining three dimensional ultrasound images | |
| CN112348082A (zh) | 深度学习模型构建方法、影像处理方法及可读存储介质 | |
| CN109697699A (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN110598696A (zh) | 医学图像扫描定位方法、医学图像扫描方法和计算机设备 | |
| CN105678750B (zh) | 医学图像的灰度映射曲线生成方法及装置 | |
| CN110415228B (zh) | 神经纤维追踪方法、磁共振系统及存储介质 | |
| CN117237435B (zh) | 肿瘤预后效果评估的方法、装置、电子设备和存储介质 | |
| CN112330787B (zh) | 图像标注方法、装置、存储介质和电子设备 | |
| CN117422722B (zh) | 基于adc图像的肿瘤预后特征评估的方法和装置 | |
| CN111161293B (zh) | 基于直角坐标空间确定gdv能量图像的轮廓的方法及系统 | |
| JP2022179433A (ja) | 画像処理装置及び画像処理方法 | |
| CN108447066A (zh) | 胆道图像分割方法、终端、存储介质 | |
| CN111784664B (zh) | 肿瘤淋巴结分布图谱生成方法 | |
| CN106204520B (zh) | 一种磁共振图像选择定位的方法及装置 | |
| CN113408595B (zh) | 病理图像处理的方法、装置、电子设备及可读存储介质 | |
| US20210251601A1 (en) | Method for ultrasound imaging and related equipment | |
| CN117152181B (zh) | 肿瘤图像分割方法、装置、电子设备和可读存储介质 |
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 |