定量描述MRI中脑胶质瘤特征边界变化评估指标的系统技术方案

本发明专利技术公开了定量描述MRI中脑胶质瘤特征边界变化评估指标的系统，包括：图像预处理模块、MSC度量值计算模块、有效性评估模块和预测性评估模块。所述图像预处理模块将获取的脑胶质瘤数据进行去噪和去除孤立体素并填充处理；所述MSC度量值计算模块构建肿瘤的边界划分采样，设计计算脑胶质瘤的边界清晰度系数的模型；所述有效性评估模块利用Bland

【技术实现步骤摘要】
定量描述MRI中脑胶质瘤特征边界变化评估指标的系统


[0001]本专利技术属于计算机视觉
，具体涉及定量描述MRI中脑胶质瘤特征边界变化评估指标的系统。

技术介绍

[0002]脑胶质瘤是构成重大临床挑战的脑肿瘤，与脑膜瘤不同的是，恶性胶质瘤与周围组织没有明显的界面分隔，在脑胶质瘤的边界上部分区域的边界与正常的脑组织是模糊的，因此对于临床医生在诊断脑胶质瘤的边界问题上存在的标准和意见是不统一的。目前，在脑胶质瘤的检查和诊断方面医学成像仍然是金标准。医学成像为医生提供更加直观的诊断媒介，也为研究图像提供数据资源，但是MRI（Magnetic Resonance Imaging, 核磁共振成像） 和CT（Computed Tomography, 计算机断层扫描）肿瘤成像可以提供肿瘤位置的信息，但肿瘤的细微变化可能很难被注意到。并且脑胶质瘤根据恶性程度级别可分为高级别胶质瘤（HGG）和低级别胶质瘤（LGG），低级别胶质瘤生长缓慢，侵袭程度小，而高级别胶质瘤生长速度快，恶性程度高且侵袭的程度大。在肿瘤恶性程度高的浸润生长中往往胶质瘤与组织边界不能够明确的划分。脑胶质瘤细胞的浸润范围超出了t1和t2加权图像的可见增强范围。目前的临床做法是利用t2加权图像对主观判断和计算机辅助条件下对可见肿瘤进行分割，然后在显著的正常脑内均匀增加2cm的边界形成治疗体积。但是这种诊断方法只是一个粗略的近似，很容易对大脑的正常组织造成破坏，甚至对患者的术后造成严重的创伤。因此，基于医学图像对于脑胶质瘤边界的定量研究具有重要意义。
专利
技术实现思路

[0003]本专利技术所要解决的技术问题是：提出了定量描述MRI中脑胶质瘤特征边界变化评估指标的系统，将获得的脑胶质瘤MRI数据进行预处理；对整体脑胶质瘤边界两侧进行等距离划分，测量划分边界的信号强度，采用Bland
‑
Altman检验和卡方检验分析分别评价实际梯度和测量梯度之间的相关性，并结合机器学习线性回归、Cochran
‑
Armitage趋势卡方检验以及皮尔逊相关系数，评估MSC在脑胶质瘤侵袭边界距离的预测性，能够有效的判断脑胶质瘤边界的变化程度，对脑胶质瘤的侵袭具有一定的预判性。
[0004]本专利技术为解决上述技术问题采用以下技术方案：本专利技术提出的定量描述MRI中脑胶质瘤特征边界变化评估指标的系统，包括图像预处理模块、MSC度量值计算模块、有效性评估模块和预测性评估模块。
[0005]所述图像预处理模块，用于对获取的数据集进行预处理，得到预处理后的MR图像和mask二值图像。
[0006]所述MSC度量值计算模块，用于根据图像预处理模块中预处理后的图像，对脑胶质瘤边缘两侧进行等距离采样，提取图像采样强度特征，计算MSC度量值。
[0007]所述有效性评估模块，用于在去除可能对计算脑胶质瘤边缘清晰度影响的其他因素下，采用Bland
‑
Altman检验和卡方检验分析分别评价实际梯度和测量梯度之间的相关
性，评估MSC（Margin Sharpness Coefficient, 边界清晰度系数）的有效性。
[0008]所述预测性评估模块，用于为了了解MSC与脑胶质瘤的侵袭边界之间的关系，结合机器学习线性回归、Cochran
‑
Armitage趋势卡方检验以及皮尔逊相关系数，评估MSC在脑胶质瘤侵袭边界距离的预测性。
[0009]进一步的，所述图像预处理模块，被配置以执行以下动作：步骤1、从数据集中获取脑胶质瘤图像数据集。
[0010]步骤2、划分每个单独的脑胶质瘤ROI图像，并以NII图像文件格式存储。
[0011]步骤3、利用高斯滤波对整个图像进行加权平均，对脑胶质瘤图像进行去噪处理。
[0012]步骤4、利用MATLAB中Morphological函数，对于脑胶质瘤划分的mask二值图像，去除体素小于1000的区域部分，并对非脑胶质瘤划分的mask二值图像部分进行填充，以减少对这部分的计算，获得边界信息。对脑胶质瘤图像和mask二值图像进行预处理，使mask二值图像在脑胶质瘤图像中提供更准确的边界信息作为数据的输入。
[0013]进一步的，所述MSC度量值计算模块，被配置以执行以下动作：在跨越脑胶质瘤边界区域上，对脑胶质瘤边缘两侧进行等距离采样，提取脑胶质瘤图像体素采样强度值，使用非线性最小二乘估计器将采样强度值拟合成sigmoid曲线，具体公式为：；；；其中，M
x
表示强度平移，b表示幅值尺度，d表示函数沿x轴的平移量，MSC
i
表示增长速度，N表示强度差，S
i
表示sigmoid曲线，S
i+1
表示S
i
经过x=d轴对称后的曲线，M
2d
‑
x
表示M
x
沿着x=d翻转后沿sigmoid曲线的强度平移，表示最终生成的边界变化强度曲线。
[0014]根据采样强度值，利用sigmoid函数得到MSC度量值，将其可视化在脑胶质瘤边缘上，获得脑胶质瘤边界两侧变化的速率，即边界变化强度曲线。
[0015]较高的MSC值反映了较高的对比度（即脑胶质瘤组织的边界采样线强度与脑组织的边界采样线强度的对比度），意味着脑胶质瘤组织与正常的脑组织微观结构上有较大的差异。MSC值低则代表脑胶质瘤边缘两侧变化的较为平缓，脑胶质瘤边缘的锐度降低表明边缘的模糊。
[0016]进一步的，所述有效性评估模块，被配置以执行以下动作：利用采样线和脑胶质瘤边界采样点的离散点值计算离散梯度，将其作为脑胶质瘤边界的实际梯度；利用幅值尺度和MSC
i
计算测量梯度，具体公式如下：；其中，G
m
表示测量梯度，δ表示幅值尺度变化指数，θ表示MSC
i
的推导常数。
[0017]利用SPSS软件包中的Bland
‑
Altman检验和卡方检验分析方法获得脑胶质瘤的实际梯度和测量梯度的相关性，Bland
‑
Altman检验中P<0.05且卡方检验分析在0～0.2之间，表明实际梯度和测量梯度具有高度相关性。
[0018]进一步的，所述预测性评估模块，被配置以执行以下动作：time1和time2表示同一脑胶质瘤在不同生长时期成像的时间点，设定在time1时脑胶质瘤的MSC与time1
‑
time2之间沿法线的侵袭距离存在线性关系，测量脑胶质瘤沿time1采样点法线向量到time2的实际侵袭距离L
r
，单位为体素；在机器学习中根据线性回归算法计算在二维线性数值的损失函数值最小情况下的α和β，根据其数值不断的计算损失，直到达到最小损失拟合出脑胶质瘤的预测侵袭距离和测量的MSC之间的最佳线性回归模型；设定该线性关系的公式为：；其中，L
j
表示脑胶质瘤在time1
‑
time2时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.定量描述MRI中脑胶质瘤特征边界变化评估指标的系统，其特征在于，包括图像预处理模块、MSC度量值计算模块、有效性评估模块和预测性评估模块；所述图像预处理模块，用于对获取的数据集进行预处理，得到预处理后的MR图像和mask二值图像；所述MSC度量值计算模块，用于根据图像预处理模块中预处理后的图像，对脑胶质瘤边缘两侧进行等距离采样，提取图像采样强度特征，计算MSC度量值；所述有效性评估模块，用于采用Bland
‑
Altman检验和卡方检验分析分别评价实际梯度和测量梯度之间的相关性，评估MSC的有效性；所述预测性评估模块，用于结合机器学习线性回归、Cochran
‑
Armitage趋势卡方检验以及皮尔逊相关系数，评估MSC在脑胶质瘤侵袭边界距离的预测性。2.根据权利要求1所述的定量描述MRI中脑胶质瘤特征边界变化评估指标的系统，其特征在于，所述图像预处理模块，被配置以执行以下动作：步骤1、从数据集中获取脑胶质瘤图像数据集；步骤2、划分每个单独的脑胶质瘤ROI图像，并以NII图像文件格式存储；步骤3、利用高斯滤波对整个图像进行加权平均，对脑胶质瘤图像进行去噪处理；步骤4、利用MATLAB中Morphological函数，对于脑胶质瘤划分的mask二值图像，去除体素小于1000的区域部分，并对非脑胶质瘤划分的mask二值图像部分进行填充，获得边界信息。3.根据权利要求1所述的定量描述MRI中脑胶质瘤特征边界变化评估指标的系统，其特征在于，所述MSC度量值计算模块，被配置以执行以下动作：在跨越脑胶质瘤边界区域上，对脑胶质瘤边缘两侧进行等距离采样，提取脑胶质瘤图像体素采样强度值，使用非线性最小二乘估计器将采样强度值拟合成sigmoid曲线，具体公式为：；；；其中，M
x
表示强度平移，b表示幅值尺度，d表示函数沿x轴的平移量，MSC
i
表示增长速度，N表示强度差，S
i
表示sigmoid曲线，S
i+1
表示S
i
经过x=d轴对称后的曲线，M
2d
‑
x
表示M
x
沿着x=d翻转后沿sigmoid曲线的强度平移，表示最终生成的边界变化强度曲线；根据采样强度值，利用sigmoid函数得到MSC度量值，将其可视化在脑胶质瘤边缘上，获得脑胶质瘤边界两侧变化的速率，即边界变化强度曲线。4.根据权利要求1所述的定量描述MRI中脑胶质瘤特征边...

【专利技术属性】
技术研发人员：陈苏婷，胡斌武，杨宁，韩光勋，薄业雯，裴加明，孙俊，郑学东，李玮，
申请(专利权)人：南京中网卫星通信股份有限公司，
类型：发明
国别省市：