基于多尺度圖像分析的腫瘤分區(qū)識別方法及系統(tǒng) 技術領域 [0001] 本發(fā)明涉及醫(yī)學圖像分析技術領域，尤其涉及基于多尺度圖像分析的腫瘤分區(qū)識 別方法及系統(tǒng)。 背景技術 [0002] 醫(yī)學圖像分析技術領域涉及使用算法和視覺處理技術來解析由各種醫(yī)學成像設 備（如CT、MRI和超聲等）生成的圖像數(shù)據(jù)，此領域的核心目標是通過提高圖像數(shù)據(jù)的可解釋性來輔助醫(yī)學研究，醫(yī)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(yī)學圖像中提取信息的效率，還改進了圖像數(shù) 據(jù)的管理和分析過程，支持醫(yī)學研究和教育應用。 [0003] 其中，腫瘤分區(qū)識別方法是指利用圖像分析技術來區(qū)分和標記腫瘤圖像中的不同 區(qū)域，區(qū)域具有不同的生物學特性和臨床意義，該方法側重于從醫(yī)學圖像中精確區(qū)分腫瘤 的不同部分，例如腫瘤核心、增生區(qū)和壞死區(qū)，這種區(qū)分對于研究腫瘤的生長模式和發(fā)展階段具有重要意義，尤其在進行腫瘤關聯(lián)的生物醫(yī)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(yī)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。 [0004] 現(xiàn)有技術中的腫瘤分區(qū)識別方法依賴于對腫瘤區(qū)域的粗略劃分，并在一定程度上 忽略了區(qū)域內細微的生物學差異，現(xiàn)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(qū)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(qū)域 時，容易出現(xiàn)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(xiàn)有技術無法有效識別和區(qū)分腫瘤中的增生區(qū)、壞死區(qū)等細節(jié)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(tǒng)方法會將腫瘤核心與增生區(qū)混淆，從而導致對腫瘤生長模式的誤判，現(xiàn)有技術難以充分利用圖像的空間信息，邊界和分區(qū)的 準確標定不足，限制腫瘤分區(qū)的深入分析和腫瘤異質性研究的廣度。 發(fā)明內容 [0005] 本發(fā)明的目的是解決現(xiàn)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(qū)識別方法及系統(tǒng)。 [0006] 為了實現(xiàn)上述目的，本發(fā)明采用了如下技術方案：基于多尺度圖像分析的腫瘤分 區(qū)識別方法，包括以下步驟： [0007] S1：基于輸入的醫(yī)學腫瘤分區(qū)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； [0008] S2：基于所述多尺度灰度分布圖，提取像素塊的邊界區(qū)域，分析邊界區(qū)域的紋理特征差異，選取鄰域內連接關系的區(qū)域，獲取邊界分布特性數(shù)據(jù)，對連接關系和灰度梯度差值進行量化，針對邊界區(qū)域與連接特性進行分析，生成邊界連接權重表； [0009] S3：基于所述邊界連接權重表，提取權重區(qū)域內的幾何特性，分析邊界周長、面積和邊緣連續(xù)性，對幾何特性數(shù)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(shù)據(jù)； [0010] S4：基于所述空間幾何拓展數(shù)據(jù)，結合拓展區(qū)域和候選區(qū)域的紋理特性，分析邊界區(qū)域的特征分布，標定每個分區(qū)的邊界線，提取腫瘤分區(qū)內的像素塊，對像素塊的形狀和分布進行特征統(tǒng)計，獲得腫瘤區(qū)域分區(qū)識別特征數(shù)值表。 [0011] 作為本發(fā)明的進一步方案，所述多尺度灰度分布圖的獲取步驟具體為： [0012] S111：基于輸入的醫(yī)學腫瘤分區(qū)圖像，定義醫(yī)學腫瘤分區(qū)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(xù)像素點組成，得到初始像素塊組分布數(shù)組； [0013] S112：對所述初始像素塊組分布數(shù)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： [0014] ； [0015] 進行歸一化處理并衡量灰度變化，得到灰度差值累計數(shù)組； [0016] 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(shù) 量； [0017] S113：利用所述灰度差值累計數(shù)組中記錄的信息，分析像素塊組間的分布變化，根據(jù)灰度差的統(tǒng)計數(shù)據(jù)確定分布變化集合，得到多尺度灰度分布圖。 [0018] 作為本發(fā)明的進一步方案，所述邊界分布特性數(shù)據(jù)的獲取步驟具體為： [0019] S211：分析所述多尺度灰度分布圖，根據(jù)像素塊的灰度梯度變化率與對比度變化 進行邊界區(qū)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(qū)域，獲取初步邊界區(qū)域特性數(shù)據(jù)； [0020] S212：從所述初步邊界區(qū)域特性數(shù)據(jù)中提取鄰域連接特征，采用公式： [0021] ； [0022] 分析每個像素對連接強度，并根據(jù)連接強度的統(tǒng)計分布設定閾值，生成鄰域內局 部連接區(qū)域； [0023] 其中， 和 表示鄰域內像素點的灰度值， 表示對應像素

1.基于多尺度圖像分析的腫瘤分區(qū)識別方法，其特征在于，包括以下步驟： 基于輸入的醫(yī)學腫瘤分區(qū)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； 基于所述多尺度灰度分布圖，提取像素塊的邊界區(qū)域，分析邊界區(qū)域的紋理特征差異，選取鄰域內連接關系的區(qū)域，獲取邊界分布特性數(shù)據(jù)，對連接關系和灰度梯度差值進行量化，針對邊界區(qū)域與連接特性進行分析，生成邊界連接權重表； 所述邊界分布特性數(shù)據(jù)包括邊界分布密度、邊界分布形態(tài)、邊界分布規(guī)律； 基于所述邊界連接權重表，提取權重區(qū)域內的幾何特性，分析邊界周長、面積和邊緣連續(xù)性，對幾何特性數(shù)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(shù)據(jù)； 所述空間幾何拓展數(shù)據(jù)包括拓展區(qū)域紋理特性、候選區(qū)域幾何形態(tài)、邊界特征分布； 基于所述空間幾何拓展數(shù)據(jù)，結合拓展區(qū)域和候選區(qū)域的紋理特性，分析邊界區(qū)域的特征分布，標定每個分區(qū)的邊界線，提取腫瘤分區(qū)內的像素塊，對像素塊的形狀和分布進行特征統(tǒng)計，獲得腫瘤區(qū)域分區(qū)識別特征數(shù)值表。 2.根據(jù)權利要求1所述的基于多尺度圖像分析的腫瘤分區(qū)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： 基于輸入的醫(yī)學腫瘤分區(qū)圖像，定義醫(yī)學腫瘤分區(qū)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(xù)像素點組成，得到初始像素塊組分布數(shù)組； 對所述初始像素塊組分布數(shù)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： ； 進行歸一化處理并衡量灰度變化，得到灰度差值累計數(shù)組； 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(shù)量； 利用所述灰度差值累計數(shù)組中記錄的信息，分析像素塊組間的分布變化，根據(jù)灰度差的統(tǒng)計數(shù)據(jù)確定分布變化集合，得到多尺度灰度分布圖。 3.根據(jù)權利要求2所述的基于多尺度圖像分析的腫瘤分區(qū)識別方法，其特征在于，所述邊界分布特性數(shù)據(jù)的獲取步驟具體為： 分析所述多尺度灰度分布圖，根據(jù)像素塊的灰度梯度變化率與對比度變化進行邊界區(qū)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(qū)域，獲取初步邊界區(qū)域特性數(shù)據(jù)；