CN118279302A - 面向脑肿瘤图像的三维重建检测方法及系统 - Google Patents
面向脑肿瘤图像的三维重建检测方法及系统 Download PDFInfo
- Publication number
- CN118279302A CN118279302A CN202410695171.4A CN202410695171A CN118279302A CN 118279302 A CN118279302 A CN 118279302A CN 202410695171 A CN202410695171 A CN 202410695171A CN 118279302 A CN118279302 A CN 118279302A
- Authority
- CN
- China
- Prior art keywords
- tumor
- dimensional
- brain
- initial
- brain tissue
- 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.)
- Pending
Links
- 208000003174 Brain Neoplasms Diseases 0.000 title claims abstract description 20
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 234
- 230000006870 function Effects 0.000 claims abstract description 101
- 210000005013 brain tissue Anatomy 0.000 claims abstract description 92
- 210000004556 brain Anatomy 0.000 claims abstract description 66
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 58
- 230000000877 morphologic effect Effects 0.000 claims abstract description 56
- 230000004927 fusion Effects 0.000 claims abstract description 37
- 238000000605 extraction Methods 0.000 claims abstract description 23
- 238000005516 engineering process Methods 0.000 claims abstract description 20
- 238000013507 mapping Methods 0.000 claims abstract description 19
- 238000012800 visualization Methods 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 230000010354 integration Effects 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 41
- 230000011218 segmentation Effects 0.000 claims description 26
- 238000004458 analytical method Methods 0.000 claims description 21
- 238000001914 filtration Methods 0.000 claims description 14
- 230000002068 genetic effect Effects 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 11
- 210000000349 chromosome Anatomy 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000003709 image segmentation Methods 0.000 claims description 7
- 108090000623 proteins and genes Proteins 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 5
- 239000012634 fragment Substances 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005266 casting Methods 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 19
- 238000003745 diagnosis Methods 0.000 description 13
- 238000011282 treatment Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 238000009472 formulation Methods 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000036210 malignancy Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 208000025966 Neurological disease Diseases 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供面向脑肿瘤图像的三维重建检测方法及系统，涉及检测技术领域，包括对不同模态的脑部医学影像进行配准与融合，利用加权融合策略，自适应确定融合权重，得到融合脑部图像；提取融合脑部图像的脑组织区域；构建多尺度特征集成的肿瘤候选区域提取模型，确定肿瘤候选特征集；根据自适应模糊推理优化策略，动态调整隶属度函数和推理规则，根据肿瘤候选特征集自适应生成最优的模糊推理参数，确定肿瘤目标区域；在三维空间中追踪肿瘤目标区域的肿瘤边界，结合局部形状特征和全局形状先验知识，提取三维肿瘤边界；基于光线投射和表面重建的三维可视化算法，综合利用多视角投影和三维纹理映射技术，实现肿瘤三维形态重建。
Description
技术领域
本发明涉及检测技术，尤其涉及面向脑肿瘤图像的三维重建检测方法及系统。
背景技术
脑肿瘤是一种严重威胁人类健康的疾病，其早期诊断和精准治疗对提高患者生存率至关重要。传统的脑肿瘤诊断主要依赖于医生对二维医学影像的观察和分析，如计算机断层扫描（CT）和磁共振成像（MRI）。然而，由于脑肿瘤的形态结构复杂，在二维平面上难以全面、直观地展示肿瘤的空间位置、大小和形态特征，导致诊断和治疗方案制定的准确性受到限制。
为了克服二维医学影像的局限性，研究人员开始探索利用三维重建技术来辅助脑肿瘤的诊断和治疗。三维重建技术通过对多层二维医学影像进行序列配准、图像分割和表面渲染等处理，生成脑肿瘤的三维模型，使医生能够从任意视角观察肿瘤的空间结构和形态特征，提高诊断的准确性和治疗方案的可视化程度。
然而，现有的三维重建技术在应用于脑肿瘤诊断时仍然存在一些不足。首先，脑部组织结构复杂，软组织间的对比度较低，对图像分割和特征提取算法提出了更高的要求。其次，脑肿瘤形态多样，边界不规则，难以通过简单的几何模型进行表示和重建。此外，传统的三维重建方法往往计算复杂度高，难以实现实时交互和可视化，限制了其在临床应用中的推广。
发明内容
本发明实施例提供面向脑肿瘤图像的三维重建检测方法及系统，能够解决现有技术中的问题。
本发明实施例的第一方面，
提供面向脑肿瘤图像的三维重建检测方法，包括：
对不同模态的脑部医学影像进行配准与融合，利用加权融合策略，自适应确定融合权重，得到融合脑部图像；采用自适应阈值分割算法对融合脑部图像进行预处理，根据融合脑部图像的灰度分布自适应确定最优阈值，结合形态学滤波和连通域分析，提取融合脑部图像的脑组织区域；
构建多尺度特征集成的肿瘤候选区域提取模型，在不同尺度下提取脑组织区域的特征向量，运用特征选择算法优化特征子集，确定肿瘤候选特征集；根据自适应模糊推理优化策略，动态调整隶属度函数和推理规则，根据肿瘤候选特征集自适应生成最优的模糊推理参数，确定肿瘤目标区域；
引入三维形态约束的肿瘤边界提取方法，在三维空间中追踪肿瘤目标区域的肿瘤边界，结合局部形状特征和全局形状先验知识，提取三维肿瘤边界；基于光线投射和表面重建的三维可视化算法，综合利用多视角投影和三维纹理映射技术，实现肿瘤三维形态重建。
在一种可选的实施方式中，
采用自适应阈值分割算法对融合脑部图像进行预处理，根据融合脑部图像的灰度分布自适应确定最优阈值，结合形态学滤波和连通域分析，提取融合脑部图像的脑组织区域包括：
计算所述融合脑部图像的灰度直方图，利用最大类间方差法自适应确定最优分割阈值，基于所述最优分割阈值对所述融合脑部图像进行二值化分割，得到前景区域和背景区域；
对所述前景区域进行形态学开运算，去除所述前景区域中的噪声和孔洞，平滑所述前景区域的边界，得到修正前景区域；
采用基于区域生长的连通域分析方法，根据像素灰度相似性和空间邻接关系，提取出所述修正前景区域的最大连通脑组织区域；
对所述最大连通脑组织区域进行形态学闭运算，填补所述最大连通脑组织区域的孔洞，获得初始脑组织区域；
结合先验的脑部解剖结构知识，对所述初始脑组织区域进行形态学滤波和边界修正，去除残留的非脑组织区域，得到融合脑部图像的脑组织区域。
在一种可选的实施方式中，
采用基于区域生长的连通域分析方法，根据像素灰度相似性和空间邻接关系，提取出所述修正前景区域的最大连通脑组织区域包括：
在所述修正前景区域中，随机选择一个像素点作为初始种子点，将其标记为原始连通脑组织区域；
计算所述初始种子点与其邻域内所有未标记像素点之间的灰度差值，将灰度差值小于预设灰度阈值的像素点纳入到原始连通脑组织区域中，并标记为已访问；
对原始连通脑组织区域中新加入的像素点，递归计算灰度差值，直到没有新的像素点纳入原始连通脑组织区域；
随机选择其他像素点作为初始种子点，直到所述修正前景区域中所有像素点都被标记为已访问，得到多个连通脑组织区域；
比较所述多个连通脑组织区域的像素点数量，选择像素点数量最大的连通区域作为最大连通脑组织区域。
在一种可选的实施方式中，
根据自适应模糊推理优化策略，动态调整隶属度函数和推理规则，根据肿瘤候选特征集自适应生成最优的模糊推理参数，确定肿瘤目标区域包括：
对肿瘤候选特征集进行聚类分析，将脑组织区域划分为若干个聚类簇，每个聚类簇表示一种肿瘤特征模式；
对每个聚类簇对应的肿瘤候选特征集，计算肿瘤候选特征集的特征值的均值和标准差，构建初始隶属度函数，所述初始隶属度函数用于表示各个聚类簇的相似程度；
基于专家知识和历史病例数据，构建初始模糊推理规则库，将肿瘤候选特征集与其对应的肿瘤类型和恶性程度进行关联；
利用遗传算法对所述初始隶属度函数的参数和所述初始模糊推理规则库中推理规则的权重进行优化，通过适应度函数评估多个候选解的性能，选择适应度函数对应的适应度值最大的候选解作为最优组合解，通过最优组合解确定优化隶属度函数和优化模糊推理规则；
对于每个脑组织区域，利用优化隶属度函数计算隶属度，并将隶属度作为优化模糊推理规则的输入，确定推理结果，将推理结果对应的推理值最大的脑组织区域作为肿瘤目标区域。
在一种可选的实施方式中，
利用遗传算法对所述初始隶属度函数的参数和所述初始模糊推理规则库中推理规则的权重进行优化，通过适应度函数评估多个候选解的性能，选择适应度函数对应的适应度值最大的候选解作为最优组合解，通过最优组合解确定优化隶属度函数和优化模糊推理规则包括：
将初始隶属度函数的参数和所述初始模糊推理规则库中推理规则的权重作为遗传算法的染色体编码；
随机生成一个初始种群，每个个体对应一组初始隶属度函数的参数和所述初始模糊推理规则库中推理规则的权重的组合；
采用轮盘赌选择算法从当前初始种群中选择部分个体作为父代个体；
对父代个体进行交叉操作，随机选择两个父代个体，在两个父代个体的染色体上随机选择交叉点，交换交叉点后的基因片段，生成新的子代个体；
以随机概率对新的子代个体进行变异操作，随机选择新的子代个体的基因位，将父代个体和新的子代个体迭代合并形成新的种群，直到达到预设的进化代数或满足收敛条件；
从新的种群中选择适应度值最高的个体作为最优组合解。
在一种可选的实施方式中，
引入三维形态约束的肿瘤边界提取方法，在三维空间中追踪肿瘤目标区域的肿瘤边界，结合局部形状特征和全局形状先验知识，提取三维肿瘤边界包括：
基于确定的肿瘤目标区域，通过对肿瘤目标区域的三维形态进行局部高斯拟合，生成初始肿瘤边界曲面；
提取所述初始肿瘤边界曲面上各个顶点的局部形状特征，所述局部形状特征包括曲率、法向量和形状指数中至少一种；
基于所述局部形状特征和预先确定的先验全局形状特征，构建三维形态约束能量函数，用于评估当前边界曲面与实际肿瘤边界的匹配程度；
利用变分推断和曲面演化技术，在所述三维形态约束能量函数的驱动下，迭代调整和优化所述初始肿瘤边界曲面，直到所述初始肿瘤边界曲面的演化收敛或达到预设的迭代次数，得到最终的三维肿瘤边界。
在一种可选的实施方式中，
基于所述局部形状特征和预先确定的先验全局形状特征，构建三维形态约束能量函数包括：
；
；
；
其中，E表示三维形态约束能量函数，α、β分别表示局部形状特征函数对应的第一权重值和先验全局形状特征函数对应的第二权重值；
E local 表示局部形状特征函数，N表示所述初始肿瘤边界曲面的顶点数，f i 表示第i个顶点对应的局部形状特征，F表示局部形状特征的协方差矩阵；
E global 表示先验全局形状特征函数，p表示所述初始肿瘤边界曲面的形状参数，表示形状参数的平均值。
在一种可选的实施方式中，
基于光线投射和表面重建的三维可视化算法，综合利用多视角投影和三维纹理映射技术，实现肿瘤三维形态重建包括：
在肿瘤目标区域内部设置虚拟光源，利用光线投射算法，从多个视角对肿瘤目标区域进行投影，生成一组二维投影图像；
对每个二维投影图像进行图像分割，提取肿瘤边界轮廓，得到一组二维轮廓曲线；
基于光线投射的几何关系，将二维轮廓曲线反投影到三维空间，得到一组三维空间曲线，所述三维空间曲线表示肿瘤表面在不同视角下的轮廓；
利用三维空间曲线插值算法，将离散的三维空间曲线连接起来，生成肿瘤表面网格模型；
利用多视角纹理映射技术，将不同视角下的肿瘤纹理图像映射到肿瘤表面网格模型，得到肿瘤三维形态。
本申请实施例第二方面，
提供面向脑肿瘤图像的三维重建检测系统，包括：
第一单元，用于对不同模态的脑部医学影像进行配准与融合，利用加权融合策略，自适应确定融合权重，得到融合脑部图像；采用自适应阈值分割算法对融合脑部图像进行预处理，根据融合脑部图像的灰度分布自适应确定最优阈值，结合形态学滤波和连通域分析，提取融合脑部图像的脑组织区域；
第二单元，用于构建多尺度特征集成的肿瘤候选区域提取模型，在不同尺度下提取脑组织区域的特征向量，运用特征选择算法优化特征子集，确定肿瘤候选特征集；根据自适应模糊推理优化策略，动态调整隶属度函数和推理规则，根据肿瘤候选特征集自适应生成最优的模糊推理参数，确定肿瘤目标区域；
第三单元，用于引入三维形态约束的肿瘤边界提取方法，在三维空间中追踪肿瘤目标区域的肿瘤边界，结合局部形状特征和全局形状先验知识，提取三维肿瘤边界；基于光线投射和表面重建的三维可视化算法，综合利用多视角投影和三维纹理映射技术，实现肿瘤三维形态重建。
本发明实施例的第三方面，
提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
通过对不同模态的脑部医学影像进行配准与融合，利用加权融合策略自适应确定融合权重，得到融合脑部图像，有效整合了不同模态影像的互补信息，提高了脑组织结构的可辨识度，为后续肿瘤区域提取奠定了基础。
引入自适应模糊推理优化策略，根据肿瘤候选特征集动态调整隶属度函数和推理规则，生成最优的模糊推理参数，自适应确定肿瘤目标区域，克服了传统固定模糊规则的局限性，提高了肿瘤区域识别的适应性和灵活性。
本申请提出三维形态约束的肿瘤边界提取方法，在三维空间中追踪肿瘤目标区域的边界，结合局部形状特征和全局形状先验知识，实现了精确的三维肿瘤边界提取，克服了传统二维分割方法的限制，提高了肿瘤边界描述的空间准确性。
采用基于光线投射和表面重建的三维可视化算法，综合利用多视角投影和三维纹理映射技术，实现了逼真的肿瘤三维形态重建，为医生提供了直观、立体的肿瘤形态观察和分析手段，提升了诊断和治疗方案制定的可视化水平。
附图说明
图1为本发明实施例面向脑肿瘤图像的三维重建检测方法的流程示意图；
图2为本发明实施例面向脑肿瘤图像的三维重建检测系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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、完整地描述，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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本发明实施例面向脑肿瘤图像的三维重建检测方法的流程示意图，如图1所示，所述方法包括：
S101. 对不同模态的脑部医学影像进行配准与融合，利用加权融合策略，自适应确定融合权重，得到融合脑部图像；采用自适应阈值分割算法对融合脑部图像进行预处理，根据融合脑部图像的灰度分布自适应确定最优阈值，结合形态学滤波和连通域分析，提取融合脑部图像的脑组织区域；
在一种可选的实施方式中，
采用自适应阈值分割算法对融合脑部图像进行预处理，根据融合脑部图像的灰度分布自适应确定最优阈值，结合形态学滤波和连通域分析，提取融合脑部图像的脑组织区域包括：
计算所述融合脑部图像的灰度直方图，利用最大类间方差法自适应确定最优分割阈值，基于所述最优分割阈值对所述融合脑部图像进行二值化分割，得到前景区域和背景区域；
对所述前景区域进行形态学开运算，去除所述前景区域中的噪声和孔洞，平滑所述前景区域的边界，得到修正前景区域；
采用基于区域生长的连通域分析方法，根据像素灰度相似性和空间邻接关系，提取出所述修正前景区域的最大连通脑组织区域；
对所述最大连通脑组织区域进行形态学闭运算，填补所述最大连通脑组织区域的孔洞，获得初始脑组织区域；
结合先验的脑部解剖结构知识，对所述初始脑组织区域进行形态学滤波和边界修正，去除残留的非脑组织区域，得到融合脑部图像的脑组织区域。
示例性地，在医学成像领域，脑部图像的准确分析对于诊断和治疗各种神经系统疾病至关重要。传统的图像处理方法往往依赖于固定阈值来分割图像，这可能不适应于脑部图像的特殊性，如灰度的不均匀性。因此，采用自适应阈值分割算法对融合脑部图像进行预处理，可以更精确地提取脑组织区域，提高后续分析的有效性和准确性。
首先，对融合脑部图像进行灰度直方图的计算，这一步骤是为了分析整个图像的灰度分布，为自适应阈值的确定提供数据基础。利用最大类间方差法（Otsu's Method）自适应确定图像的最优分割阈值。该方法通过最大化前景与背景之间的类间方差来自动选择分割阈值，以实现最佳的分割效果。基于上一步骤确定的最优分割阈值，对融合脑部图像进行二值化处理，将图像分割成前景区域（脑组织）和背景区域。
对二值化后的前景区域进行形态学开运算，包括侵蚀后膨胀的过程，这有助于去除小的噪声点和孔洞，并平滑前景区域的边界，从而得到修正的前景区域。采用基于区域生长的连通域分析方法，根据像素灰度的相似性和空间邻接关系，从修正前景区域中提取出最大连通的脑组织区域。对提取出的最大连通脑组织区域实施形态学闭运算（膨胀后侵蚀），以填补区域中的孔洞，获得初始脑组织区域。最后，结合先验的脑部解剖结构知识，对初始脑组织区域进行进一步的形态学滤波和边界修正，以去除残留的非脑组织区域，确保得到的融合脑部图像中的脑组织区域尽可能准确。
在一种可选的实施方式中，
采用基于区域生长的连通域分析方法，根据像素灰度相似性和空间邻接关系，提取出所述修正前景区域的最大连通脑组织区域包括：
在所述修正前景区域中，随机选择一个像素点作为初始种子点，将其标记为原始连通脑组织区域；
计算所述初始种子点与其邻域内所有未标记像素点之间的灰度差值，将灰度差值小于预设灰度阈值的像素点纳入到原始连通脑组织区域中，并标记为已访问；
对原始连通脑组织区域中新加入的像素点，递归计算灰度差值，直到没有新的像素点纳入原始连通脑组织区域；
随机选择其他像素点作为初始种子点，直到所述修正前景区域中所有像素点都被标记为已访问，得到多个连通脑组织区域；
比较所述多个连通脑组织区域的像素点数量，选择像素点数量最大的连通区域作为最大连通脑组织区域。
示例性地，在修正前景区域中，随机选择一个像素点作为初始种子点。这个种子点的选择可以基于某种策略，如选择灰度值接近区域平均的点，或直接随机选择。选定的种子点将被标记为原始连通脑组织区域的一部分，并设置为已访问状态。计算初始种子点与其周围邻域（通常是8连通或4连通邻域）内所有未标记的像素点之间的灰度差值。如果这个灰度差值小于预设的灰度阈值，这些像素点被认为与种子点属于同一连通区域，因此将这些像素点纳入到原始连通脑组织区域中，并将它们标记为已访问。
对于新加入原始连通脑组织区域的每一个像素点，重复执行灰度差值计算和区域生长过程。这个递归过程持续进行，直到没有新的像素点可以被添加到当前连通区域中。一旦当前连通区域无法进一步扩展，完成对这个区域的生长过程。此时，从修正前景区域中未被标记为已访问的像素点中，随机选择另一个新的种子点，直到修正前景区域中的所有像素点都被访问过。
在完成所有可能的连通区域的生长后，比较这些区域的像素点数量。选择其中像素点数量最大的连通区域，这个区域被认为是最大的连通脑组织区域。这一步是基于假设较大的连通区域更有可能代表主要的脑组织结构。
通过上述步骤，能够有效地从修正前景区域中提取出最大的连通脑组织区域。这一过程利用了像素之间的灰度相似性和空间邻接关系，结合区域生长的方法，逐步构建出代表脑组织的图像区域。最终获得的最大连通脑组织区域可用于进一步的医学分析和诊断处理。
S102. 构建多尺度特征集成的肿瘤候选区域提取模型，在不同尺度下提取脑组织区域的特征向量，运用特征选择算法优化特征子集，确定肿瘤候选特征集；根据自适应模糊推理优化策略，动态调整隶属度函数和推理规则，根据肿瘤候选特征集自适应生成最优的模糊推理参数，确定肿瘤目标区域；
在一种可选的实施方式中，
根据自适应模糊推理优化策略，动态调整隶属度函数和推理规则，根据肿瘤候选特征集自适应生成最优的模糊推理参数，确定肿瘤目标区域包括：
对肿瘤候选特征集进行聚类分析，将脑组织区域划分为若干个聚类簇，每个聚类簇表示一种肿瘤特征模式；
对每个聚类簇对应的肿瘤候选特征集，计算肿瘤候选特征集的特征值的均值和标准差，构建初始隶属度函数，所述初始隶属度函数用于表示各个聚类簇的相似程度；
基于专家知识和历史病例数据，构建初始模糊推理规则库，将肿瘤候选特征集与其对应的肿瘤类型进行关联；
利用遗传算法对所述初始隶属度函数的参数和所述初始模糊推理规则库中推理规则的权重进行优化，通过适应度函数评估多个候选解的性能，选择适应度函数对应的适应度值最大的候选解作为最优组合解，通过最优组合解确定优化隶属度函数和优化模糊推理规则；
对于每个脑组织区域，利用优化隶属度函数计算隶属度，并将隶属度作为优化模糊推理规则的输入，确定推理结果，将推理结果对应的推理值最大的脑组织区域作为肿瘤目标区域。
示例性地，在不同的尺度上提取脑组织的特征向量。通常，这包括使用不同大小的滤波器或窗口在图像上提取纹理、边缘、形状和强度等特征。这一步骤旨在捕捉肿瘤可能表现出的多样化的局部和全局特征。局部特征：包括小窗口内的像素强度统计、梯度方向直方图等。全局特征：涉及更大区域的特征，如整体图像的纹理分析或区域的形状描述。
在提取了大量特征后，使用特征选择算法来优化特征子集。这一步骤是关键，因为可以去除冗余或无关特征，提高模型的效率和性能。其中，特征选择算法可以包括过滤方法：如方差分析、相关系数检验，这些方法通常在模型训练前进行。
可选地，可以收集脑部图像数据并从中提取肿瘤候选特征集。使用聚类算法（如K-means, GMM等）对肿瘤候选特征集进行聚类处理。每个聚类簇代表一种肿瘤特征模式，可以根据肿瘤的形状、大小、纹理等特性进行分群。
对每个聚类簇，计算其肿瘤候选特征集中特征值的均值和标准差。使用上述统计数据（均值和标准差）来构建初始的隶属度函数，这些函数可以是高斯函数，用于表示不同聚类簇中样本的相似度。基于专家知识和历史病例数据，构建一个初始模糊推理规则库。这些规则将关联肿瘤候选特征集与肿瘤类型及其恶性程度。与临床医生和肿瘤专家合作，确保所设定的规则库可以准确反映肿瘤的临床特性。
利用遗传算法对隶属度函数的参数和模糊推理规则库中的推理规则权重进行优化。这包括编码、选择、交叉和变异等步骤。设计适应度函数来评估多个候选解的性能，选择适应度函数对应的适应度值最高的候选解作为最优解。
对每个脑组织区域使用优化后的隶属度函数计算其隶属度。将计算得到的隶属度作为输入，通过优化后的模糊推理规则确定每个区域的推理结果。推理结果中推理值最大的脑组织区域被标记为肿瘤目标区域。
其中，与肿瘤学专家合作，收集关于不同类型肿瘤的诊断标准和特点。这些数据包括肿瘤的成长速率、形态、边界特征等。从医院的数据库中收集历史病例数据，包括患者的MRI或CT扫描图像、诊断结果、肿瘤类型及其相关特征数据。根据专家的建议和历史数据分析，选择与肿瘤类型高度相关的特征，如肿瘤的大小、形状、质地、增强模式等。对选定的特征进行必要的预处理，例如规范化、去噪声处理和数据标准化，以便于后续处理。
规则形式定义：定义模糊规则的基本形式，通常为“如果 X 是 A，则 Y 是 B”，其中 X 是输入变量（肿瘤特征集），A 是模糊集合（特征的模糊描述），Y 是输出变量（肿瘤类型），B 是模糊集合（肿瘤类型的模糊描述）。
根据收集的专家知识和历史数据，制定初步的模糊推理规则。例如，如果肿瘤的边界是模糊的，并且增长速度快，则可能是恶性肿瘤。模糊集定义：为每个特征和肿瘤类型定义模糊集，例如将“边界清晰度”分为“清晰”、“模糊”、“非常模糊”等模糊集。为每个模糊集构建隶属度函数，这些函数描述了每个特征值对应模糊集的隶属程度。常用的隶属度函数包括三角形、梯形、高斯函数等。初步测试：将初步规则库应用于一部分历史病例数据，观察其预测结果与实际诊断的匹配程度。优化调整：根据测试结果和专家反馈，调整模糊规则和隶属度函数的参数。可能需要增加新的规则或修改现有规则以提高诊断的准确性。
在一种可选的实施方式中，
利用遗传算法对所述初始隶属度函数的参数和所述初始模糊推理规则库中推理规则的权重进行优化，通过适应度函数评估多个候选解的性能，选择适应度函数对应的适应度值最大的候选解作为最优组合解，通过最优组合解确定优化隶属度函数和优化模糊推理规则包括：
将初始隶属度函数的参数和所述初始模糊推理规则库中推理规则的权重作为遗传算法的染色体编码；
随机生成一个初始种群，每个个体对应一组初始隶属度函数的参数和所述初始模糊推理规则库中推理规则的权重的组合；
采用轮盘赌选择算法从当前初始种群中选择部分个体作为父代个体；
对父代个体进行交叉操作，随机选择两个父代个体，在两个父代个体的染色体上随机选择交叉点，交换交叉点后的基因片段，生成新的子代个体；
以随机概率对新的子代个体进行变异操作，随机选择新的子代个体的基因位，将父代个体和新的子代个体迭代合并形成新的种群，直到达到预设的进化代数或满足收敛条件；
从新的种群中选择适应度值最高的个体作为最优组合解。
示例性地，将初始隶属度函数的参数和模糊推理规则库中推理规则的权重定义为遗传算法的染色体。每个染色体代表一个可能的解决方案，包括所有隶属度函数参数和规则权重。
随机生成初始种群，每个个体（染色体）是一组特定的隶属度函数参数和推理规则权重。确定种群大小，通常取决于问题的复杂性和计算资源。
基于隶属度函数参数和推理规则权重，构建适应度函数。适应度函数评估每个个体的性能，通常与诊断的准确性相关。评估标准：包括诊断准确率、误诊率、漏诊率等指标。
采用轮盘赌选择算法从当前种群中选择部分个体作为父代。这种选择方式依据个体的适应度值，适应度高的个体被选中的概率更大。随机选择两个父代个体。在这两个父代个体的染色体上随机选择交叉点，并交换交叉点后的基因片段，生成新的子代个体。
以一定的随机概率进行变异操作，以增加种群的多样性。随机选择新的子代个体的某个基因位，改变其值（例如，调整隶属度函数的参数或规则的权重）。
将父代个体和新的子代个体合并，形成新的种群。重复进行选择、交叉和变异操作，直到达到预设的进化代数或满足某种收敛条件（如适应度改善微小）。在每一代中，评估所有个体的适应度。从最终种群中选择适应度值最高的个体作为最优解。
其中，构建适应度函数通常涉及将多个性能指标合成为单一评分，以便在遗传算法中评估不同的候选解。本申请的适应度函数，用于评估基于模糊逻辑系统的分类准确性和误分类成本。适应度函数的目标是最大化准确率同时最小化误分类成本。因此，可以设计一个适应度函数，其中准确率被优先考虑，但误分类成本也被纳入计算以调整准确率的评分。可以分别为分类准确性和误分类成本分配对应的权重系数，用于调整准确率和误分类成本在适应度函数中的相对重要性。
S103. 引入三维形态约束的肿瘤边界提取方法，在三维空间中追踪肿瘤目标区域的肿瘤边界，结合局部形状特征和全局形状先验知识，提取三维肿瘤边界；基于光线投射和表面重建的三维可视化算法，综合利用多视角投影和三维纹理映射技术，实现肿瘤三维形态重建。
在一种可选的实施方式中，
引入三维形态约束的肿瘤边界提取方法，在三维空间中追踪肿瘤目标区域的肿瘤边界，结合局部形状特征和全局形状先验知识，提取三维肿瘤边界包括：
基于确定的肿瘤目标区域，通过对肿瘤目标区域的三维形态进行局部高斯拟合，生成初始肿瘤边界曲面；
提取所述初始肿瘤边界曲面上各个顶点的局部形状特征，所述局部形状特征包括曲率、法向量和形状指数中至少一种；
基于所述局部形状特征和预先确定的先验全局形状特征，构建三维形态约束能量函数，用于评估当前边界曲面与实际肿瘤边界的匹配程度；
利用变分推断和曲面演化技术，在所述三维形态约束能量函数的驱动下，迭代调整和优化所述初始肿瘤边界曲面，直到所述初始肿瘤边界曲面的演化收敛或达到预设的迭代次数，得到最终的三维肿瘤边界。
在一种可选的实施方式中，
基于所述局部形状特征和预先确定的先验全局形状特征，构建三维形态约束能量函数包括：
；
；
；
其中，E表示三维形态约束能量函数，α、β分别表示局部形状特征函数对应的第一权重值和先验全局形状特征函数对应的第二权重值；
E local 表示局部形状特征函数，N表示所述初始肿瘤边界曲面的顶点数，f i 表示第i个顶点对应的局部形状特征，F表示局部形状特征的协方差矩阵；
E global 表示先验全局形状特征函数，p表示所述初始肿瘤边界曲面的形状参数，表示形状参数的平均值。
示例性地，首先，使用医学成像技术（如 CT 或 MRI）获取肿瘤的三维图像数据，并通过临床放射科医师或使用自动化算法确定肿瘤的目标区域。
对肿瘤目标区域应用局部高斯拟合方法。这一步骤涉及在三维空间中对肿瘤区域的形态进行数学建模，生成一个初始的肿瘤边界曲面，这个曲面初步反映了肿瘤的形状和大小。计算顶点的局部形状特征：在初始肿瘤边界曲面上的每个顶点，计算局部形状特征，如曲率、法向量和形状指数。这些特征有助于描述每个点在曲面上的几何和形态特性。形状特征的选择：根据具体的应用需求选择合适的形状特征或特征组合，以最好地反映肿瘤边界的局部变化。
根据预先确定的全局形状特征（可以基于统计学习得到的肿瘤形状数据库），构建一个能量函数。这个函数将评估当前边界曲面与实际肿瘤边界的匹配程度。设计能量函数以使得与真实肿瘤边界的偏差最小化。这通常涉及到形状特征和先验知识的权重调整。
应用变分推断方法来估计最可能的肿瘤边界，这种方法通过最小化能量函数来寻找最优解。在能量函数的驱动下，通过曲面演化技术迭代调整初始肿瘤边界曲面。这包括平滑、拉伸或压缩曲面，以更好地适应肿瘤的实际形状。重复执行曲面调整和能量评估过程，直到肿瘤边界曲面的演化收敛或达到预设的迭代次数。设置合适的停止标准，如达到最小能量值、达到最大迭代次数或曲面变化低于某一阈值。
在一种可选的实施方式中，
基于光线投射和表面重建的三维可视化算法，综合利用多视角投影和三维纹理映射技术，实现肿瘤三维形态重建包括：
在肿瘤目标区域内部设置虚拟光源，利用光线投射算法，从多个视角对肿瘤目标区域进行投影，生成一组二维投影图像；
对每个二维投影图像进行图像分割，提取肿瘤边界轮廓，得到一组二维轮廓曲线；
基于光线投射的几何关系，将二维轮廓曲线反投影到三维空间，得到一组三维空间曲线，所述三维空间曲线表示肿瘤表面在不同视角下的轮廓；
利用三维空间曲线插值算法，将离散的三维空间曲线连接起来，生成肿瘤表面网格模型；
利用多视角纹理映射技术，将不同视角下的肿瘤纹理图像映射到肿瘤表面网格模型，得到肿瘤三维形态。
示例性地，在肿瘤目标区域内部或周围设置一个或多个虚拟光源。这些光源用于照射肿瘤，并从不同的角度发射光线。使用光线投射算法从多个视角对肿瘤目标区域进行投影。这涉及计算光线从光源出发，穿过肿瘤区域，并在不同角度撞击到虚拟检测器上的路径。每个光线与肿瘤相交处的信息被记录下来，形成一组二维投影图像。这些图像包含了从不同角度观察到的肿瘤的影像数据。
对每个投影图像应用图像分割技术，以提取出肿瘤的边界轮廓。这可以通过阈值处理、边缘检测或其他图像分割算法来实现。从分割结果中提取清晰的二维轮廓曲线，这些曲线代表了肿瘤在每个投影视角下的轮廓。利用光线投射时的几何关系，将二维轮廓曲线反投影回三维空间。这一步需要精确地根据光线的路径和投影角度计算出每个轮廓点在三维空间中的位置。反投影得到的点集被连接成一组三维空间中的曲线，这些曲线描述了肿瘤在不同视角下的三维轮廓。
使用曲线插值算法（如B样条或贝塞尔曲线）将离散的三维空间曲线连接起来，形成一个连续的肿瘤表面网格模型。将不同视角下的肿瘤纹理图像映射到肿瘤表面网格模型上。这一步骤需要处理纹理坐标的对齐和纹理合成，以确保纹理在三维模型上的自然过渡和显示。完成纹理映射后，肿瘤的三维模型可以在三维可视化软件中渲染和查看，显示肿瘤的完整形态和纹理细节。
通过对不同模态的脑部医学影像进行配准与融合，利用加权融合策略自适应确定融合权重，得到融合脑部图像，有效整合了不同模态影像的互补信息，提高了脑组织结构的可辨识度，为后续肿瘤区域提取奠定了基础。
引入自适应模糊推理优化策略，根据肿瘤候选特征集动态调整隶属度函数和推理规则，生成最优的模糊推理参数，自适应确定肿瘤目标区域，克服了传统固定模糊规则的局限性，提高了肿瘤区域识别的适应性和灵活性。
本申请提出三维形态约束的肿瘤边界提取方法，在三维空间中追踪肿瘤目标区域的边界，结合局部形状特征和全局形状先验知识，实现了精确的三维肿瘤边界提取，克服了传统二维分割方法的限制，提高了肿瘤边界描述的空间准确性。
采用基于光线投射和表面重建的三维可视化算法，综合利用多视角投影和三维纹理映射技术，实现了逼真的肿瘤三维形态重建，为医生提供了直观、立体的肿瘤形态观察和分析手段，提升了诊断和治疗方案制定的可视化水平。
图2为本发明实施例面向脑肿瘤图像的三维重建检测系统的结构示意图，如图2所示，所述系统包括：
第一单元，用于对不同模态的脑部医学影像进行配准与融合，利用加权融合策略，自适应确定融合权重，得到融合脑部图像；采用自适应阈值分割算法对融合脑部图像进行预处理，根据融合脑部图像的灰度分布自适应确定最优阈值，结合形态学滤波和连通域分析，提取融合脑部图像的脑组织区域；
第二单元，用于构建多尺度特征集成的肿瘤候选区域提取模型，在不同尺度下提取脑组织区域的特征向量，运用特征选择算法优化特征子集，确定肿瘤候选特征集；根据自适应模糊推理优化策略，动态调整隶属度函数和推理规则，根据肿瘤候选特征集自适应生成最优的模糊推理参数，确定肿瘤目标区域；
第三单元，用于引入三维形态约束的肿瘤边界提取方法，在三维空间中追踪肿瘤目标区域的肿瘤边界，结合局部形状特征和全局形状先验知识，提取三维肿瘤边界；基于光线投射和表面重建的三维可视化算法，综合利用多视角投影和三维纹理映射技术，实现肿瘤三维形态重建。
本发明实施例的第三方面，
提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本发明的各个方面的计算机可读程序指令。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.面向脑肿瘤图像的三维重建检测方法，其特征在于，包括：
对不同模态的脑部医学影像进行配准与融合，利用加权融合策略，自适应确定融合权重，得到融合脑部图像；采用自适应阈值分割算法对融合脑部图像进行预处理，根据融合脑部图像的灰度分布自适应确定最优阈值，结合形态学滤波和连通域分析，提取融合脑部图像的脑组织区域；
构建多尺度特征集成的肿瘤候选区域提取模型，在不同尺度下提取脑组织区域的特征向量，运用特征选择算法优化特征子集，确定肿瘤候选特征集；根据自适应模糊推理优化策略，动态调整隶属度函数和推理规则，根据肿瘤候选特征集自适应生成最优的模糊推理参数，确定肿瘤目标区域；
引入三维形态约束的肿瘤边界提取方法，在三维空间中追踪肿瘤目标区域的肿瘤边界，结合局部形状特征和全局形状先验知识，提取三维肿瘤边界；基于光线投射和表面重建的三维可视化算法，综合利用多视角投影和三维纹理映射技术，实现肿瘤三维形态重建。
2.根据权利要求1所述的方法，其特征在于，采用自适应阈值分割算法对融合脑部图像进行预处理，根据融合脑部图像的灰度分布自适应确定最优阈值，结合形态学滤波和连通域分析，提取融合脑部图像的脑组织区域包括：
计算所述融合脑部图像的灰度直方图，利用最大类间方差法自适应确定最优分割阈值，基于所述最优分割阈值对所述融合脑部图像进行二值化分割，得到前景区域和背景区域；
对所述前景区域进行形态学开运算，去除所述前景区域中的噪声和孔洞，平滑所述前景区域的边界，得到修正前景区域；
采用基于区域生长的连通域分析方法，根据像素灰度相似性和空间邻接关系，提取出所述修正前景区域的最大连通脑组织区域；
对所述最大连通脑组织区域进行形态学闭运算，填补所述最大连通脑组织区域的孔洞，获得初始脑组织区域；
结合先验的脑部解剖结构知识，对所述初始脑组织区域进行形态学滤波和边界修正，去除残留的非脑组织区域，得到融合脑部图像的脑组织区域。
3.根据权利要求2所述的方法，其特征在于，采用基于区域生长的连通域分析方法，根据像素灰度相似性和空间邻接关系，提取出所述修正前景区域的最大连通脑组织区域包括：
在所述修正前景区域中，随机选择一个像素点作为初始种子点，将其标记为原始连通脑组织区域；
计算所述初始种子点与其邻域内所有未标记像素点之间的灰度差值，将灰度差值小于预设灰度阈值的像素点纳入到原始连通脑组织区域中，并标记为已访问；
对原始连通脑组织区域中新加入的像素点，递归计算灰度差值，直到没有新的像素点纳入原始连通脑组织区域；
随机选择其他像素点作为初始种子点，直到所述修正前景区域中所有像素点都被标记为已访问，得到多个连通脑组织区域；
比较所述多个连通脑组织区域的像素点数量，选择像素点数量最大的连通区域作为最大连通脑组织区域。
4.根据权利要求1所述的方法，其特征在于，根据自适应模糊推理优化策略，动态调整隶属度函数和推理规则，根据肿瘤候选特征集自适应生成最优的模糊推理参数，确定肿瘤目标区域包括：
对肿瘤候选特征集进行聚类分析，将脑组织区域划分为若干个聚类簇，每个聚类簇表示一种肿瘤特征模式；
对每个聚类簇对应的肿瘤候选特征集，计算肿瘤候选特征集的特征值的均值和标准差，构建初始隶属度函数，所述初始隶属度函数用于表示各个聚类簇的相似程度；
基于专家知识和历史病例数据，构建初始模糊推理规则库，将肿瘤候选特征集与其对应的肿瘤类型进行关联；
利用遗传算法对所述初始隶属度函数的参数和所述初始模糊推理规则库中推理规则的权重进行优化，通过适应度函数评估多个候选解的性能，选择适应度函数对应的适应度值最大的候选解作为最优组合解，通过最优组合解确定优化隶属度函数和优化模糊推理规则；
对于每个脑组织区域，利用优化隶属度函数计算隶属度，并将隶属度作为优化模糊推理规则的输入，确定推理结果，将推理结果对应的推理值最大的脑组织区域作为肿瘤目标区域。
5.根据权利要求4所述的方法，其特征在于，利用遗传算法对所述初始隶属度函数的参数和所述初始模糊推理规则库中推理规则的权重进行优化，通过适应度函数评估多个候选解的性能，选择适应度函数对应的适应度值最大的候选解作为最优组合解，通过最优组合解确定优化隶属度函数和优化模糊推理规则包括：
将初始隶属度函数的参数和所述初始模糊推理规则库中推理规则的权重作为遗传算法的染色体编码；
随机生成一个初始种群，每个个体对应一组初始隶属度函数的参数和所述初始模糊推理规则库中推理规则的权重的组合；
采用轮盘赌选择算法从当前初始种群中选择部分个体作为父代个体；
对父代个体进行交叉操作，随机选择两个父代个体，在两个父代个体的染色体上随机选择交叉点，交换交叉点后的基因片段，生成新的子代个体；
以随机概率对新的子代个体进行变异操作，随机选择新的子代个体的基因位，将父代个体和新的子代个体迭代合并形成新的种群，直到达到预设的进化代数或满足收敛条件；
从新的种群中选择适应度值最高的个体作为最优组合解。
6.根据权利要求1所述的方法，其特征在于，引入三维形态约束的肿瘤边界提取方法，在三维空间中追踪肿瘤目标区域的肿瘤边界，结合局部形状特征和全局形状先验知识，提取三维肿瘤边界包括：
基于确定的肿瘤目标区域，通过对肿瘤目标区域的三维形态进行局部高斯拟合，生成初始肿瘤边界曲面；
提取所述初始肿瘤边界曲面上各个顶点的局部形状特征，所述局部形状特征包括曲率、法向量和形状指数中至少一种；
基于所述局部形状特征和预先确定的先验全局形状特征，构建三维形态约束能量函数，用于评估当前边界曲面与实际肿瘤边界的匹配程度；
利用变分推断和曲面演化技术，在所述三维形态约束能量函数的驱动下，迭代调整和优化所述初始肿瘤边界曲面，直到所述初始肿瘤边界曲面的演化收敛或达到预设的迭代次数，得到最终的三维肿瘤边界。
7.根据权利要求6所述的方法，其特征在于，基于所述局部形状特征和预先确定的先验全局形状特征，构建三维形态约束能量函数包括：
；
；
；
其中，E表示三维形态约束能量函数，α、β分别表示局部形状特征函数对应的第一权重值和先验全局形状特征函数对应的第二权重值；
E local 表示局部形状特征函数，N表示所述初始肿瘤边界曲面的顶点数，f i 表示第i个顶点对应的局部形状特征，F表示局部形状特征的协方差矩阵；
E global 表示先验全局形状特征函数，p表示所述初始肿瘤边界曲面的形状参数，表示形状参数的平均值。
8.根据权利要求1所述的方法，其特征在于，基于光线投射和表面重建的三维可视化算法，综合利用多视角投影和三维纹理映射技术，实现肿瘤三维形态重建包括：
在肿瘤目标区域内部设置虚拟光源，利用光线投射算法，从多个视角对肿瘤目标区域进行投影，生成一组二维投影图像；
对每个二维投影图像进行图像分割，提取肿瘤边界轮廓，得到一组二维轮廓曲线；
基于光线投射的几何关系，将二维轮廓曲线反投影到三维空间，得到一组三维空间曲线，所述三维空间曲线表示肿瘤表面在不同视角下的轮廓；
利用三维空间曲线插值算法，将离散的三维空间曲线连接起来，生成肿瘤表面网格模型；
利用多视角纹理映射技术，将不同视角下的肿瘤纹理图像映射到肿瘤表面网格模型，得到肿瘤三维形态。
9.面向脑肿瘤图像的三维重建检测系统，用于实现前述权利要求1-8中任一项所述的方法，其特征在于，包括：
第一单元，用于对不同模态的脑部医学影像进行配准与融合，利用加权融合策略，自适应确定融合权重，得到融合脑部图像；采用自适应阈值分割算法对融合脑部图像进行预处理，根据融合脑部图像的灰度分布自适应确定最优阈值，结合形态学滤波和连通域分析，提取融合脑部图像的脑组织区域；
第二单元，用于构建多尺度特征集成的肿瘤候选区域提取模型，在不同尺度下提取脑组织区域的特征向量，运用特征选择算法优化特征子集，确定肿瘤候选特征集；根据自适应模糊推理优化策略，动态调整隶属度函数和推理规则，根据肿瘤候选特征集自适应生成最优的模糊推理参数，确定肿瘤目标区域；
第三单元，用于引入三维形态约束的肿瘤边界提取方法，在三维空间中追踪肿瘤目标区域的肿瘤边界，结合局部形状特征和全局形状先验知识，提取三维肿瘤边界；基于光线投射和表面重建的三维可视化算法，综合利用多视角投影和三维纹理映射技术，实现肿瘤三维形态重建。
10.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至8中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410695171.4A CN118279302A (zh) | 2024-05-31 | 2024-05-31 | 面向脑肿瘤图像的三维重建检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410695171.4A CN118279302A (zh) | 2024-05-31 | 2024-05-31 | 面向脑肿瘤图像的三维重建检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118279302A true CN118279302A (zh) | 2024-07-02 |
Family
ID=91648357
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410695171.4A Pending CN118279302A (zh) | 2024-05-31 | 2024-05-31 | 面向脑肿瘤图像的三维重建检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118279302A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103366395A (zh) * | 2013-07-06 | 2013-10-23 | 北京航空航天大学 | 一种基于gpu加速的体数据非真实感绘制方法 |
| CN103366379A (zh) * | 2013-07-29 | 2013-10-23 | 江苏中惠医疗科技股份有限公司 | 基于遗传核模糊聚类的水平集医学图像分割方法 |
| CN104156997A (zh) * | 2014-07-28 | 2014-11-19 | 北京航空航天大学 | 一种基于渲染的快速体数据骨架提取方法 |
| CN104268574A (zh) * | 2014-09-25 | 2015-01-07 | 西安电子科技大学 | 一种基于遗传核模糊聚类的sar图像变化检测方法 |
| CN113160142A (zh) * | 2021-03-24 | 2021-07-23 | 浙江工业大学 | 一种融合先验边界的脑肿瘤分割方法 |
| CN114882051A (zh) * | 2022-04-25 | 2022-08-09 | 大连理工大学 | 一种基于多模态影像的盆腔骨肿瘤的自动分割及三维重建方法 |
| CN116797519A (zh) * | 2022-11-12 | 2023-09-22 | 上海大学 | 脑胶质瘤分割和三维可视化模型训练方法及系统 |
-
2024
- 2024-05-31 CN CN202410695171.4A patent/CN118279302A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103366395A (zh) * | 2013-07-06 | 2013-10-23 | 北京航空航天大学 | 一种基于gpu加速的体数据非真实感绘制方法 |
| CN103366379A (zh) * | 2013-07-29 | 2013-10-23 | 江苏中惠医疗科技股份有限公司 | 基于遗传核模糊聚类的水平集医学图像分割方法 |
| CN104156997A (zh) * | 2014-07-28 | 2014-11-19 | 北京航空航天大学 | 一种基于渲染的快速体数据骨架提取方法 |
| CN104268574A (zh) * | 2014-09-25 | 2015-01-07 | 西安电子科技大学 | 一种基于遗传核模糊聚类的sar图像变化检测方法 |
| CN113160142A (zh) * | 2021-03-24 | 2021-07-23 | 浙江工业大学 | 一种融合先验边界的脑肿瘤分割方法 |
| CN114882051A (zh) * | 2022-04-25 | 2022-08-09 | 大连理工大学 | 一种基于多模态影像的盆腔骨肿瘤的自动分割及三维重建方法 |
| CN116797519A (zh) * | 2022-11-12 | 2023-09-22 | 上海大学 | 脑胶质瘤分割和三维可视化模型训练方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 关海鸥;许少华;谭峰;: "基于遗传模糊神经网络的植物病斑区域图像分割模型", 农业机械学报, no. 11, 25 November 2010 (2010-11-25) * |
| 刘国才;胡泽田;朱苏雨;袁媛;刘科;吴峥;赵许平;聂茂;张九堂;莫逸;: "头颈部肿瘤PET与MRI融合放疗靶区自适应区域生长勾画", 中国医学物理学杂志, no. 03, 25 March 2016 (2016-03-25), pages 12 - 20 * |
| 龚勋;杨菲;杜章锦;师恩;赵绪;杨子奇;邹海鹏;罗俊;: "甲状腺、乳腺超声影像自动分析技术综述", 软件学报, no. 07, 15 July 2020 (2020-07-15), pages 319 - 356 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11094067B2 (en) | Method and system for image processing | |
| El-Regaily et al. | Survey of computer aided detection systems for lung cancer in computed tomography | |
| JP6514325B2 (ja) | 解剖学的ランドマークベースの特徴に基づいた医用画像をセグメント化するためのシステム及び方法 | |
| Pan et al. | A Bayes-based region-growing algorithm for medical image segmentation | |
| EP1315125B1 (en) | Image processing method and system for disease detection | |
| Badura et al. | Soft computing approach to 3D lung nodule segmentation in CT | |
| Campadelli et al. | A segmentation framework for abdominal organs from CT scans | |
| CN109753997B (zh) | 一种ct图像中的肝脏肿瘤自动精确鲁棒分割方法 | |
| WO2004013811A2 (en) | Image segmentation using jensen-shannon divergence and jensen-renyi divergence | |
| WO2000008600A1 (en) | Autosegmentation / autocontouring system and method | |
| Fan et al. | Lung nodule detection based on 3D convolutional neural networks | |
| CN117635616A (zh) | 用于医学检查结果互认的影像诊断系统 | |
| Xu et al. | Automated lung nodule segmentation using dynamic programming and EM-based classification | |
| CN113160120A (zh) | 基于多模态融合与深度学习的肝脏血管分割方法及系统 | |
| CN114092450A (zh) | 一种基于胃镜检查视频的实时图像分割方法、系统、装置 | |
| Gupta et al. | Breast cancer identification using feature level fusion and hybrid GA-PSO optimized neural network | |
| CN118279302A (zh) | 面向脑肿瘤图像的三维重建检测方法及系统 | |
| Rastgarpour et al. | The status quo of artificial intelligence methods in automatic medical image segmentation | |
| Pandey et al. | Recognition of X-rays bones: challenges in the past, present and future | |
| Majumder et al. | Digital image analysis for early diagnosis of cancer: Identification of pre-cancerous state | |
| Bevilacqua et al. | A neural network approach to medical image segmentation and three-dimensional reconstruction | |
| Obayya et al. | Lung cancer recognition using radon transform and adaptive neuro fuzzy inference system | |
| EP1080449A1 (en) | Autosegmentation / autocontouring system and method | |
| Lvliang et al. | Efficient Clustering of Brain Tumor Segments using Level-set Hybrid Machine Learning Algorithms | |
| Niazi et al. | Entropy-based kernel graph cut with weighted K-means for textural image region segmentation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |