【技術實現步驟摘要】
本專利技術涉及醫學圖像分析，尤其涉及基于多尺度圖像分析的腫瘤分區識別方法及系統。
技術介紹
1、醫學圖像分析
涉及使用算法和視覺處理技術來解析由各種醫學成像設備（如ct、mri和超聲等）生成的圖像數據，此領域的核心目標是通過提高圖像數據的可解釋性來輔助醫學研究，醫學圖像分析常用于圖像重建、圖像增強、視覺內容提取與分類，以及圖像內容的自動化標注。該技術不僅增加從醫學圖像中提取信息的效率，還改進了圖像數據的管理和分析過程，支持醫學研究和教育應用。
2、其中，腫瘤分區識別方法是指利用圖像分析技術來區分和標記腫瘤圖像中的不同區域，區域具有不同的生物學特性和臨床意義，該方法側重于從醫學圖像中精確區分腫瘤的不同部分，例如腫瘤核心、增生區和壞死區，這種區分對于研究腫瘤的生長模式和發展階段具有重要意義，尤其在進行腫瘤關聯的生物醫學研究和教育中，能夠提供對腫瘤異質性的深入理解，此方法的主要用途包括支持醫學研究，通過精確的圖像分析來探索腫瘤的生物行為及其變異性。
3、現有技術中的腫瘤分區識別方法依賴于對腫瘤區域的粗略劃分，并在一定程度上忽略了區域內細微的生物學差異，現有方法大多基于簡單的閾值分割和單一尺度的圖像處理，這導致腫瘤分區的精度受到限制，尤其是在處理腫瘤邊界模糊或存在多種異質性區域時，容易出現過度簡化的分割結果。由于缺乏對灰度差異、紋理特征和幾何特性之間復雜關系的深入分析，現有技術無法有效識別和區分腫瘤中的增生區、壞死區等細節信息，這種不足直接影響腫瘤行為的研究和臨床決策支持。例如，傳統方法會將腫瘤核心與增生區
技術實現思路
1、本專利技術的目的是解決現有技術中存在的缺點，而提出的基于多尺度圖像分析的腫瘤分區識別方法及系統。
2、為了實現上述目的，本專利技術采用了如下技術方案：基于多尺度圖像分析的腫瘤分區識別方法，包括以下步驟：
3、s1：基于輸入的醫學腫瘤分區圖像，定義像素塊的灰度值分布范圍，按固定尺寸劃分像素塊組，對像素塊的鄰域灰度值進行計算，通過像素塊群組灰度差值的累加，確定分布變化集合，生成多尺度灰度分布圖；
4、s2：基于所述多尺度灰度分布圖，提取像素塊的邊界區域，分析邊界區域的紋理特征差異，選取鄰域內連接關系的區域，獲取邊界分布特性數據，對連接關系和灰度梯度差值進行量化，針對邊界區域與連接特性進行分析，生成邊界連接權重表；
5、s3：基于所述邊界連接權重表，提取權重區域內的幾何特性，分析邊界周長、面積和邊緣連續性，對幾何特性數值進行對比，生成候選幾何特征矩陣，將所述候選幾何特征矩陣作為中心，分析鄰域的空間拓展特性，獲得空間幾何拓展數據；
6、s4：基于所述空間幾何拓展數據，結合拓展區域和候選區域的紋理特性，分析邊界區域的特征分布，標定每個分區的邊界線，提取腫瘤分區內的像素塊，對像素塊的形狀和分布進行特征統計，獲得腫瘤區域分區識別特征數值表。
7、作為本專利技術的進一步方案，所述多尺度灰度分布圖的獲取步驟具體為：
8、s111：基于輸入的醫學腫瘤分區圖像，定義醫學腫瘤分區圖像中的像素塊灰度值分布范圍，按固定尺寸劃分圖像為多個像素塊組，每個像素塊由連續像素點組成，得到初始像素塊組分布數組；
9、s112：對所述初始像素塊組分布數組中的每個像素塊組進行灰度值分析，計算并累加相鄰像素塊組之間的灰度差值，采用公式：
10、；
11、進行歸一化處理并衡量灰度變化，得到灰度差值累計數組；
12、其中，代表第個像素塊的灰度值，代表鄰域的平均灰度值，和分別代表最大和最小灰度值，表示像素塊組中灰度變化的歸一化總和，表示總像素塊數量；
13、s113：利用所述灰度差值累計數組中記錄的信息，分析像素塊組間的分布變化，根據灰度差的統計數據確定分布變化集合，得到多尺度灰度分布圖。
14、作為本專利技術的進一步方案，所述邊界分布特性數據的獲取步驟具體為：
15、s211：分析所述多尺度灰度分布圖，根據像素塊的灰度梯度變化率與對比度變化進行邊界區域提取，對比相鄰像素塊的灰度梯度差異，通過梯度差異閾值篩選高梯度區域，獲取初步邊界區域特性數據；
16、s212：從所述初步邊界區域特性數據中提取鄰域連接特征，采用公式：
17、；
18、分析每個像素對連接強度，并根據連接強度的統計分布設定閾值，生成鄰域內局部連接區域；
19、其中，和表示鄰域內像素點的灰度值，表示對應像素點的坐標，表示鄰域像素集，是微調因子，表示像素間的連接權重；
20、s213：利用所述鄰域內局部連接區域，進行紋理特征分析，對比差異化邊界區域的紋理特征差異，評估邊界區域的完整性，得到邊界分布特性數據。
21、作為本專利技術的進一步方案，所述邊界連接權重表的獲取步驟具體為：
22、s221：基于所述邊界分布特性數據，進行圖像像素劃分，提取圖像中的邊界區域和非邊界區域，執行像素灰度值分類，通過閾值將差異化區域進行區分，并進行邊界區域標記，獲取邊界區域數據；
23、s222：基于所述邊界區域數據，將像素對邊界區域內的灰度值進行差值分析，比較相鄰像素的灰度差異，并將差值進行量化，獲取量化灰度梯度差值數據；
24、s223：基于所述量化灰度梯度差值數據，進行邊界區域連接關系分析，通過遍歷連接點，量化每個連接的灰度差值，并按灰度梯度差值為每個連接分配權重，生成邊界連接權重表。
25、作為本專利技術的進一步方案，所述候選幾何特征矩陣的獲取步驟具體為：
26、s311：基于所述邊界連接權重表，提取區域內每個邊界點，通過遍歷每個像素的連接情況，記錄相鄰區域之間的連接權重，判斷連接強度，并對連接點進行排序，獲取腫瘤分區邊界的周長數據；
27、s312：基于所述腫瘤分區邊界的周長數據，在每個邊界區域內，測量邊界的實時長度，識別邊界位置，并通過像素疊加分析，獲取邊界面積數據；
28、s313：基于所述邊界面積數據，在每個區域內分析邊緣的連續性，檢測每個區域內出現的斷裂點，并通過對比邊界點連接狀態，進行邊緣連續性分析，對比邊界周長數據、邊界面積數據和邊緣連續性數據，生成候選幾何特征矩陣。
29、作為本專利技術的進一步方案，所述空間幾何拓展數據的獲取步驟具體為：
30、s321：根據所述候選幾何特征矩陣，計算每個幾何特征的鄰域平均值，篩選與中心特征關聯的鄰域范圍，判斷每個鄰域特征是否偏離中心特征，生成候選鄰域幾何特征集合；
31、s322：基于所述候選鄰域幾何特征集合，分析每個鄰域特征的空間擴展數據，將鄰域特征擴展與中心特征進行分析，采用公式：
32、；
33、計算空間擴展特性系數，生成空間本文檔來自技高網...
【技術保護點】
1.基于多尺度圖像分析的腫瘤分區識別方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于多尺度圖像分析的腫瘤分區識別方法，其特征在于，所述多尺度灰度分布圖的獲取步驟具體為：
3.根據權利要求2所述的基于多尺度圖像分析的腫瘤分區識別方法，其特征在于，所述邊界分布特性數據的獲取步驟具體為：
4.根據權利要求3所述的基于多尺度圖像分析的腫瘤分區識別方法，其特征在于，所述邊界連接權重表的獲取步驟具體為：
5.根據權利要求4所述的基于多尺度圖像分析的腫瘤分區識別方法，其特征在于，所述候選幾何特征矩陣的獲取步驟具體為：
6.根據權利要求5所述的基于多尺度圖像分析的腫瘤分區識別方法，其特征在于，所述空間幾何拓展數據的獲取步驟具體為：
7.根據權利要求6所述的基于多尺度圖像分析的腫瘤分區識別方法，其特征在于，所述腫瘤區域分區識別特征數值表的獲取步驟具體為：
8.基于多尺度圖像分析的腫瘤分區識別系統，其特征在于，根據權利要求1-7任一項所述的基于多尺度圖像分析的腫瘤分區識別方法，所述系統包括：
【技術特征摘要】
1.基于多尺度圖像分析的腫瘤分區識別方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于多尺度圖像分析的腫瘤分區識別方法，其特征在于，所述多尺度灰度分布圖的獲取步驟具體為：
3.根據權利要求2所述的基于多尺度圖像分析的腫瘤分區識別方法，其特征在于，所述邊界分布特性數據的獲取步驟具體為：
4.根據權利要求3所述的基于多尺度圖像分析的腫瘤分區識別方法，其特征在于，所述邊界連接權重表的獲取步驟具體為：
5.根據權利要求4所述的基于多尺度...
【專利技術屬性】
技術研發人員：廖雄飛，袁柯，譚庭強，王先良，
申請(專利權)人：四川省腫瘤醫院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。