【技术实现步骤摘要】
本专利技术涉及医学图像分析，尤其涉及基于多尺度图像分析的肿瘤分区识别方法及系统。
技术介绍
1、医学图像分析
涉及使用算法和视觉处理技术来解析由各种医学成像设备（如ct、mri和超声等）生成的图像数据，此领域的核心目标是通过提高图像数据的可解释性来辅助医学研究，医学图像分析常用于图像重建、图像增强、视觉内容提取与分类，以及图像内容的自动化标注。该技术不仅增加从医学图像中提取信息的效率，还改进了图像数据的管理和分析过程，支持医学研究和教育应用。
2、其中，肿瘤分区识别方法是指利用图像分析技术来区分和标记肿瘤图像中的不同区域，区域具有不同的生物学特性和临床意义，该方法侧重于从医学图像中精确区分肿瘤的不同部分，例如肿瘤核心、增生区和坏死区，这种区分对于研究肿瘤的生长模式和发展阶段具有重要意义，尤其在进行肿瘤关联的生物医学研究和教育中，能够提供对肿瘤异质性的深入理解，此方法的主要用途包括支持医学研究，通过精确的图像分析来探索肿瘤的生物行为及其变异性。
3、现有技术中的肿瘤分区识别方法依赖于对肿瘤区域的粗略划分，并在一定程度上忽略了区域内细微的生物学差异，现有方法大多基于简单的阈值分割和单一尺度的图像处理，这导致肿瘤分区的精度受到限制，尤其是在处理肿瘤边界模糊或存在多种异质性区域时，容易出现过度简化的分割结果。由于缺乏对灰度差异、纹理特征和几何特性之间复杂关系的深入分析，现有技术无法有效识别和区分肿瘤中的增生区、坏死区等细节信息，这种不足直接影响肿瘤行为的研究和临床决策支持。例如，传统方法会将肿瘤核心与增生区
技术实现思路
1、本专利技术的目的是解决现有技术中存在的缺点，而提出的基于多尺度图像分析的肿瘤分区识别方法及系统。
2、为了实现上述目的，本专利技术采用了如下技术方案：基于多尺度图像分析的肿瘤分区识别方法，包括以下步骤：
3、s1：基于输入的医学肿瘤分区图像，定义像素块的灰度值分布范围，按固定尺寸划分像素块组，对像素块的邻域灰度值进行计算，通过像素块群组灰度差值的累加，确定分布变化集合，生成多尺度灰度分布图；
4、s2：基于所述多尺度灰度分布图，提取像素块的边界区域，分析边界区域的纹理特征差异，选取邻域内连接关系的区域，获取边界分布特性数据，对连接关系和灰度梯度差值进行量化，针对边界区域与连接特性进行分析，生成边界连接权重表；
5、s3：基于所述边界连接权重表，提取权重区域内的几何特性，分析边界周长、面积和边缘连续性，对几何特性数值进行对比，生成候选几何特征矩阵，将所述候选几何特征矩阵作为中心，分析邻域的空间拓展特性，获得空间几何拓展数据；
6、s4：基于所述空间几何拓展数据，结合拓展区域和候选区域的纹理特性，分析边界区域的特征分布，标定每个分区的边界线，提取肿瘤分区内的像素块，对像素块的形状和分布进行特征统计，获得肿瘤区域分区识别特征数值表。
7、作为本专利技术的进一步方案，所述多尺度灰度分布图的获取步骤具体为：
8、s111：基于输入的医学肿瘤分区图像，定义医学肿瘤分区图像中的像素块灰度值分布范围，按固定尺寸划分图像为多个像素块组，每个像素块由连续像素点组成，得到初始像素块组分布数组；
9、s112：对所述初始像素块组分布数组中的每个像素块组进行灰度值分析，计算并累加相邻像素块组之间的灰度差值，采用公式：
10、；
11、进行归一化处理并衡量灰度变化，得到灰度差值累计数组；
12、其中，代表第个像素块的灰度值，代表邻域的平均灰度值，和分别代表最大和最小灰度值，表示像素块组中灰度变化的归一化总和，表示总像素块数量；
13、s113：利用所述灰度差值累计数组中记录的信息，分析像素块组间的分布变化，根据灰度差的统计数据确定分布变化集合，得到多尺度灰度分布图。
14、作为本专利技术的进一步方案，所述边界分布特性数据的获取步骤具体为：
15、s211：分析所述多尺度灰度分布图，根据像素块的灰度梯度变化率与对比度变化进行边界区域提取，对比相邻像素块的灰度梯度差异，通过梯度差异阈值筛选高梯度区域，获取初步边界区域特性数据；
16、s212：从所述初步边界区域特性数据中提取邻域连接特征，采用公式：
17、；
18、分析每个像素对连接强度，并根据连接强度的统计分布设定阈值，生成邻域内局部连接区域；
19、其中，和表示邻域内像素点的灰度值，表示对应像素点的坐标，表示邻域像素集，是微调因子，表示像素间的连接权重；
20、s213：利用所述邻域内局部连接区域，进行纹理特征分析，对比差异化边界区域的纹理特征差异，评估边界区域的完整性，得到边界分布特性数据。
21、作为本专利技术的进一步方案，所述边界连接权重表的获取步骤具体为：
22、s221：基于所述边界分布特性数据，进行图像像素划分，提取图像中的边界区域和非边界区域，执行像素灰度值分类，通过阈值将差异化区域进行区分，并进行边界区域标记，获取边界区域数据；
23、s222：基于所述边界区域数据，将像素对边界区域内的灰度值进行差值分析，比较相邻像素的灰度差异，并将差值进行量化，获取量化灰度梯度差值数据；
24、s223：基于所述量化灰度梯度差值数据，进行边界区域连接关系分析，通过遍历连接点，量化每个连接的灰度差值，并按灰度梯度差值为每个连接分配权重，生成边界连接权重表。
25、作为本专利技术的进一步方案，所述候选几何特征矩阵的获取步骤具体为：
26、s311：基于所述边界连接权重表，提取区域内每个边界点，通过遍历每个像素的连接情况，记录相邻区域之间的连接权重，判断连接强度，并对连接点进行排序，获取肿瘤分区边界的周长数据；
27、s312：基于所述肿瘤分区边界的周长数据，在每个边界区域内，测量边界的实时长度，识别边界位置，并通过像素叠加分析，获取边界面积数据；
28、s313：基于所述边界面积数据，在每个区域内分析边缘的连续性，检测每个区域内出现的断裂点，并通过对比边界点连接状态，进行边缘连续性分析，对比边界周长数据、边界面积数据和边缘连续性数据，生成候选几何特征矩阵。
29、作为本专利技术的进一步方案，所述空间几何拓展数据的获取步骤具体为：
30、s321：根据所述候选几何特征矩阵，计算每个几何特征的邻域平均值，筛选与中心特征关联的邻域范围，判断每个邻域特征是否偏离中心特征，生成候选邻域几何特征集合；
31、s322：基于所述候选邻域几何特征集合，分析每个邻域特征的空间扩展数据，将邻域特征扩展与中心特征进行分析，采用公式：
32、；
33、计算空间扩展特性系数，生成空间本文档来自技高网...
【技术保护点】
1.基于多尺度图像分析的肿瘤分区识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多尺度图像分析的肿瘤分区识别方法，其特征在于，所述多尺度灰度分布图的获取步骤具体为：
3.根据权利要求2所述的基于多尺度图像分析的肿瘤分区识别方法，其特征在于，所述边界分布特性数据的获取步骤具体为：
4.根据权利要求3所述的基于多尺度图像分析的肿瘤分区识别方法，其特征在于，所述边界连接权重表的获取步骤具体为：
5.根据权利要求4所述的基于多尺度图像分析的肿瘤分区识别方法，其特征在于，所述候选几何特征矩阵的获取步骤具体为：
6.根据权利要求5所述的基于多尺度图像分析的肿瘤分区识别方法，其特征在于，所述空间几何拓展数据的获取步骤具体为：
7.根据权利要求6所述的基于多尺度图像分析的肿瘤分区识别方法，其特征在于，所述肿瘤区域分区识别特征数值表的获取步骤具体为：
8.基于多尺度图像分析的肿瘤分区识别系统，其特征在于，根据权利要求1-7任一项所述的基于多尺度图像分析的肿瘤分区识别方法，所述系统包括：
【技术特征摘要】
1.基于多尺度图像分析的肿瘤分区识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多尺度图像分析的肿瘤分区识别方法，其特征在于，所述多尺度灰度分布图的获取步骤具体为：
3.根据权利要求2所述的基于多尺度图像分析的肿瘤分区识别方法，其特征在于，所述边界分布特性数据的获取步骤具体为：
4.根据权利要求3所述的基于多尺度图像分析的肿瘤分区识别方法，其特征在于，所述边界连接权重表的获取步骤具体为：
5.根据权利要求4所述的基于多尺度...
【专利技术属性】
技术研发人员：廖雄飞，袁柯，谭庭强，王先良，
申请(专利权)人：四川省肿瘤医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。