【技术实现步骤摘要】
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
[0001]本专利技术涉及术前胶质瘤恶性程度分级
，具体涉及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。
技术介绍
[0002]胶质瘤是最常见的颅内原发肿瘤，从病理学上按照胶质瘤的恶性程度差异，将其分为一到四级；由于不同级别的胶质瘤的治疗方案和预后存在较大的差异，所以术前对肿瘤的恶性程度进行分级对胶质瘤的治疗和预后具有重要的意义。
[0003]现有方法可以实现对术前胶质瘤恶性程度的自动分级，分级结果包括一到四级，然而，同一级别对应的术前胶质瘤恶性程度也是有区别的，若只将上述分级结果展现给医师作为参考，医师将不能获知同一级别下不同患者对应的术前胶质瘤恶性程度的差异。
技术实现思路
[0004]本专利技术提供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，用于解决现有方法不能为医师提供较为精确的患者的术前胶质瘤恶性程度信息的问题，所采用的技术方案具体如下：第一方面，本专利技术一个实施例提供了一种基于机器视觉的术前胶质瘤恶性程度分级方法及...
【技术保护点】
【技术特征摘要】
1.一种基于机器视觉的术前胶质瘤恶性程度分级方法，其特征在于，该方法包括如下步骤：获取胶质瘤患者对应的ADC图，判断所述ADC图上的肿瘤区域；根据所述肿瘤区域内各ADC值对应的各像素点，得到肿瘤区域内各ADC值对应的像素点轮廓；根据所述肿瘤区域内各ADC值对应的像素点数量和所述像素点轮廓的面积，得到肿瘤区域内各ADC值对应的密集程度；根据所述密集程度和肿瘤区域内各像素点的坐标，得到肿瘤区域内各ADC值对应的各像素点的窗口；根据所述窗口内各像素点的坐标，得到肿瘤区域内各ADC值对应的各像素点的密度向量；根据所述密度向量，得到肿瘤区域内各ADC值对应的弥散程度向量；根据所述弥散程度向量，预测肿瘤区域瘤细胞的扩散程度和扩散方向，利用预测得到的肿瘤区域瘤细胞的扩散程度和扩散方向对肿瘤区域的恶性程度进行分级。2.如权利要求1所述的一种基于机器视觉的术前胶质瘤恶性程度分级方法，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，得到肿瘤区域内各ADC值对应的像素点轮廓；根据所述肿瘤区域内各ADC值对应的像素点数量和所述像素点轮廓的面积，得到肿瘤区域内各ADC值对应的密集程度，包括：利用散点轮廓算法得到所述肿瘤区域内各ADC值对应的像素点轮廓，根据所述肿瘤区域内各ADC值对应的像素点轮廓，得到肿瘤区域内各ADC值对应的像素点轮廓面积；计算所述肿瘤区域内各ADC值对应的像素点的数量与对应的所述像素点轮廓面积的比值，将所述肿瘤区域内各ADC值对应的各像素点的数量与对应的所述像素点轮廓面积的比值记为肿瘤区域内各ADC值对应的密集程度。3.如权利要求2所述的一种基于机器视觉的术前胶质瘤恶性程度分级方法，其特征在于，所述根据所述窗口内各像素点的坐标，得到肿瘤区域内各ADC值对应的各像素点的密度向量的方法，包括：选取所述肿瘤区域内各ADC值对应的密集程度中的最大密集程度，将最大密集程度对应的肿瘤区域内ADC值对应窗口的边长记为；根据所述最大密集程度对应的肿瘤区域内ADC值对应窗口的边长、最大密集程度和所述肿瘤区域内各ADC值对应的密集程度，得到肿瘤区域内各ADC值对应窗口的边长；以肿瘤区域内各ADC值对应的各像素点为对应窗口的中心点，根据所述肿瘤区域内各ADC值对应窗口的边长，得到肿瘤区域内各ADC值对应的各像素点对应的窗口；所述窗口为正方形；根据肿瘤区域内各ADC值对应的各像素点对应窗口内的各像素点与对应窗口内中心点之间的距离，得到肿瘤区域内各ADC值对应的各像素点的偏移向量；根据所述偏移向量，得到肿瘤区域内各ADC值对应的各像素点的密度向量。4.如权利要求3所述的一种基于机器视觉的术前胶质瘤恶性程度分级方法，其特征在于，根据如下公式计算肿瘤区域内各ADC值对应窗口的边长：
其中，为肿瘤区域内第个ADC值对应窗口的边长，为肿瘤区域内对应的最大密集程度，为肿瘤区域内第个ADC值对应的密集程度，为最大密集程度对应窗口的边长。5.如权利要求3所述的一种基于机器视觉的术前胶质...
【专利技术属性】
技术研发人员：陶海泉，郭丽，李佳岩，张浩，刘秀娟，吴开华，鲍洪，
申请(专利权)人：珠海市人民医院，
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。