一种基于腋窝血管-淋巴结dce-mri图像的图像处理方法
技术领域
1.本技术属于图像处理技术领域，具体涉及一种基于腋窝血管-淋巴结dce-mri图像的图像处理方法。
背景技术：2.腋窝淋巴结是乳腺癌最早、最常见的转移部位，腋窝淋巴结转移及其负荷状态对乳腺癌手术方式的选择、辅助治疗方案的制定和愈后的评估具有重要的价值。影像检查作为一种无伤害或低伤害的无创检查方式，是乳腺疾病在临床应用中最为常见且必要的诊断环节，因此使用dce-mri图像提出一种可以判断乳腺癌腋窝淋巴结转移的方法在临床中具有重要价值。
3.目前对于乳腺癌的诊断，主要都是由影像科的医生根据专业的知识和丰富的临床经验给出相应的诊断结果，在敏感度、特异性和准确率上都有待提高，同时需要耗费医生大量时间，效率较低；目前临床中使用前哨淋巴节活检和腋窝淋巴结清扫术来评估腋窝淋巴结转移转态、明确分期。但这种有创方式可导致淋巴水肿、疼痛、麻木、运动障碍等多种并发症，给尚未发生淋巴结高转移负荷的患者造成不必要的痛苦。
4.鉴于此，本技术提供一种基于腋窝血管-淋巴结dce-mri图像的图像处理方法，能够实现精准三维分割腋窝血管和淋巴结，进而对乳腺癌腋窝淋巴结转移情况进行判断。
技术实现要素：5.(一)要解决的技术问题
6.鉴于现有技术的上述缺点、不足，本技术提供一种基于腋窝血管-淋巴结dce-mri图像的图像处理方法。
7.(二)技术方案
8.为达到上述目的，本技术采用如下技术方案：
9.第一方面，本技术提供一种基于腋窝血管-淋巴结dce-mri图像的图像处理方法，包括：
10.s1、针对dce-mri图像显示窗口中的初始腋窝血管-淋巴结图像进行预处理，并基于预处理后的初始腋窝血管-淋巴结图像获得hessian矩阵；
11.所述预处理包括：针对所述初始腋窝血管-淋巴结图像进行窗位调整；
12.所述初始腋窝血管-淋巴结图像为经过造影对比剂处理后的图像，包括血管目标图像和淋巴结目标图像；
13.s2、基于hessian矩阵构建第一极大似然函数，基于所述第一极大似然函数提取预设时间序列的血管目标图像；
14.s3、基于hessian矩阵构建第二极大似然函数，基于所述第二极大似然函数确定初始腋窝血管-淋巴结图像中淋巴结的所处位置，并通过三维区域生长算法提取预设时间序列的淋巴结目标图像；
15.s4、基于预设时间序列的血管目标图像和淋巴结目标图像，通过计算图像对应的灰度均值绘制血管-淋巴结tic曲线图；
16.所述血管-淋巴结tic曲线图包括血管tic曲线和淋巴结tic曲线。
17.可选的，还包括：
18.s5、通过获取tic曲线差值的均值、标准差和中值，判断乳腺癌腋窝淋巴结的转移情况；
19.所述tic曲线差值为：血管-淋巴结tic曲线图中血管tic曲线下面积与淋巴结tic曲线下面积的差值。
20.可选的，所述s1中的基于预处理后的初始腋窝血管-淋巴结图像获得hessian矩阵，包括：
21.获取hessian矩阵的特征值λ1、λ2、λ3，并基于预设特征值排序条件对获取的特征值进行排序；
22.所述预设特征值排序条件为：|λ1|≤|λ2|≤|λ3|；
23.所述hessian矩阵为：
[0024][0025]
其中，x、y、z表示x、y、z三个方向，f表示求导数。
[0026]
可选的，所述s2中的基于hessian矩阵构建第一极大似然函数，包括：
[0027]
所述第一极大似然函数为：
[0028][0029]
其中，α1、β1、γ1为控制第一极大似然函数计算过程灵敏度的参数；
[0030]
其中，
[0031]
可选的，所述s3中的基于hessian矩阵构建第二极大似然函数，包括：
[0032]
所述第二极大似然函数为：
[0033][0034]
其中，α2、β2、γ2为控制第二极大似然函数计算过程灵敏度的参数。
[0035]
可选的，所述s3中的基于所述第二极大似然函数确定初始腋窝血管-淋巴结图像中淋巴结的所处位置，包括：
[0036]
基于初始腋窝血管-淋巴结图像，通过第二极大似然函数初步提取淋巴结所在的图层；
[0037]
以初步提取的图层为中心层上下各获取一层图层，并基于所述中心层以及中心层的上下层获取灰度值最亮的图层；基于所述灰度值最亮的图层确定淋巴结的所处位置。
[0038]
可选的，所述s3中的通过三维区域生长算法提取预设时间序列的淋巴结目标图像，包括：
[0039]
s3-1、针对初始像素点和周围的相邻像素点计算对应的像素点差值的绝对值，并建立像素点值全部为0的模型；
[0040]
s3-2、根据预设的像素点差值阈值和步骤s3-1中所述像素点差值的绝对值，将所建立的模型中对应的像素点值置为1；
[0041]
s3-3、针对所述模型中像素点值置为1的像素点，重复上述步骤s3-1和s3-2，直至计算出全部像素点和周围的相邻像素点之间的像素点差值的绝对值。
[0042]
可选的，所述s4中的基于预设时间序列的血管目标图像和淋巴结目标图像，通过计算图像对应的灰度均值绘制血管-淋巴结tic曲线图，包括：
[0043]
基于经过造影对比剂处理获得的血管目标图像和淋巴结目标图像，针对图像中需要研究的区域获取多个预设时间点对应的灰度均值；
[0044]
所述多个预设时间点为相同时间间隔的时间点。
[0045]
第二方面，本技术提供一种基于腋窝血管-淋巴结dce-mri图像的图像处理系统，包括：
[0046]
图像预处理模块，具体用于针对dce-mri图像显示窗口中的初始腋窝血管-淋巴结图像进行预处理，并基于预处理后的初始腋窝血管-淋巴结图像获得hessian矩阵；
[0047]
血管图像获取模块，具体用于基于hessian矩阵构建第一极大似然函数，基于所述第一极大似然函数提取预设时间序列的血管目标图像；
[0048]
淋巴结图像获取模块，具体用于基于hessian矩阵构建第二极大似然函数，基于所述第二极大似然函数确定初始腋窝血管-淋巴结图像中淋巴结的所处位置，并通过三维区域生长算法提取预设时间序列的淋巴结目标图像；
[0049]
tic图像获取模块，具体用于基于预设时间序列的血管目标图像和淋巴结目标图像，通过计算图像对应的灰度均值绘制血管-淋巴结tic曲线图。
[0050]
(三)有益效果
[0051]
本技术通过获取血管目标图像和淋巴结图像，实现精准三维分割腋窝血管和淋巴结，并基于获取的血管目标图像和淋巴结图像绘制血管-淋巴结tic曲线图，对乳腺癌腋窝淋巴结的转移情况进行判断和预测。
附图说明
[0052]
本技术借助于以下附图进行描述：
[0053]
图1为基于腋窝血管-淋巴结dce-mri图像的图像处理方法的流程示意图；
[0054]
图2-1为初始腋窝血管-淋巴结图像；
[0055]
图2-2为预处理后的初始腋窝血管-淋巴结图像；
[0056]
图3-1为初始腋窝血管-淋巴结图像对应的血管部分图像；
[0057]
图3-2为经过分割得到的血管目标图像；
[0058]
图4-1为初始腋窝血管-淋巴结图像对应的淋巴结部分图像；
[0059]
图4-2为经过分割得到的淋巴结目标图像；
[0060]
图5-1为淋巴结发生转移对应的血管-淋巴结tic曲线图；
[0061]
图5-2为淋巴结未发生转移对应的血管-淋巴结tic曲线图；
[0062]
图6为基于腋窝血管-淋巴结dce-mri图像的图像处理系统的模块组成图；
[0063]
图7为电子设备的构成示意图。
具体实施方式
[0064]
为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。可以理解的是，以下所描述的具体的实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合；为了便于描述，附图中仅示出了与发明相关的部分。
[0065]
在通过具体实施例对本技术中公开的基于腋窝血管-淋巴结dce-mri图像的图像处理方法及系统进行说明陈述之前，需要说明的是：
[0066]
本技术为一个计算机程序，所述计算机程序能够基于电子设备(例如电脑、笔记本电脑等)实现相应的功能，通过接收操作指令对初始腋窝血管-淋巴结图像进行相应的处理，对所述初始腋窝血管-淋巴结图像的处理过程参见具体实施例中的图像处理方法。
[0067]
实施例一提供一种基于腋窝血管-淋巴结dce-mri图像的图像处理方法，如图1所示，具体如下：
[0068]
s1、针对dce-mri图像显示窗口中的初始腋窝血管-淋巴结图像进行预处理，并基于预处理后的初始腋窝血管-淋巴结图像获得hessian矩阵。
[0069]
本实施例中，预处理包括：针对所述初始腋窝血管-淋巴结图像进行窗位调整。
[0070]
本实施例中，初始腋窝血管-淋巴结图像为经过造影对比剂处理后的图像，包括血管目标图像和淋巴结目标图像。
[0071]
s2、基于hessian矩阵构建第一极大似然函数，基于所述第一极大似然函数提取预设时间序列的血管目标图像。
[0072]
s3、基于hessian矩阵构建第二极大似然函数，基于所述第二极大似然函数确定初始腋窝血管-淋巴结图像中淋巴结的所处位置，并通过三维区域生长算法提取预设时间序列的淋巴结目标图像。
[0073]
s4、基于预设时间序列的血管目标图像和淋巴结目标图像，通过计算图像对应的灰度均值绘制血管-淋巴结tic曲线图。
[0074]
本实施例中，血管-淋巴结tic曲线图包括血管tic曲线和淋巴结tic曲线。
[0075]
实施例一中的图像处理方法公开了，基于初始腋窝血管-淋巴结图像构建hessian矩阵，基于hessian矩阵提取血管目标图像，并基于hessian矩阵通过三维区域生长算法提取淋巴结目标图像，以便实现精准三维分割腋窝血管和淋巴结，并基于获取的血管目标图像和淋巴结图像绘制血管-淋巴结tic曲线图，对乳腺癌腋窝淋巴结的转移情况进行判断和
预测。
[0076]
实施例二提供一种基于腋窝血管-淋巴结dce-mri图像的图像处理方法，具体如下：
[0077]
s1、针对dce-mri图像显示窗口中的初始腋窝血管-淋巴结图像进行预处理，并基于预处理后的初始腋窝血管-淋巴结图像获得hessian矩阵。
[0078]
基于前述步骤s1，对于初始腋窝血管-淋巴结图像的预处理，需要说明的是：
[0079]
对于dce-mri图像形式的初始腋窝血管-淋巴结图像，由于在图像扫描时图像中的不同组织对造影对比剂的吸收速率不同，造成图像灰度值并不相同且灰度值范围较大，进而需要对图像进行窗位调整，以便确保在图像选取时找到正确的位置，具体的，图2-1为初始腋窝血管-淋巴结图像，图2-2为预处理后的初始腋窝血管-淋巴结图像。
[0080]
基于前述步骤s1，对于获得的hessian矩阵，需要说明的是：
[0081]
本实施例中，对于前述hessian矩阵的获得，将高斯核设置为1；
[0082]
hessian矩阵具体表示为：
[0083][0084]
其中，x、y、z表示x、y、z三个方向，f表示求导数。
[0085]
本实施例中，一种基于hessian矩阵的处理方式包括：获取hessian矩阵的特征值λ1、λ2、λ3，并基于预设特征值排序条件对获取的特征值进行排序。
[0086]
本实施例中，预设特征值排序条件为：|λ1|≤|λ2|≤|λ3|。
[0087]
s2、基于hessian矩阵构建第一极大似然函数，基于所述第一极大似然函数提取预设时间序列的血管目标图像。
[0088]
基于前述步骤s2，对于第一极大似然函数的构建，需要说明的是：基于获取的hessian矩阵的特征值λ1、λ2、λ3构建第一极大似然函数，所构建的第一极大似然函数具体如下：
[0089][0090][0091]
上式中，α1、β1、γ1为控制第一极大似然函数计算过程灵敏度的参数；本实施例中，α1＝0.5，β1＝0.5，γ1＝15。
[0092]
本实施例中，基于前述hessian矩阵的特征值λ1、λ2、λ3，对初始腋窝血管-淋巴结图
像中的血管区域进行分析，需要说明的是：
[0093]
第一、对于血管区域中的理想血管形状，需要满足：|λ1|≈0、|λ1|＜＜|λ2|、|λ2|≈|λ3|。
[0094]
第二、对血管区域中的板状血管形状和线状血管形状的区分，通过计算前述ra进行判断，具体的：若满足|λ2|＞|λ3|，则血管形状为板状，若满足|λ2|≤|λ3|，则血管形状为线状。
[0095]
第三、对血管区域中的斑点状血管形状的区分，通过计算前述rb进行判断，具体的：若|λ1|和|λ2|同时趋近于无穷小，则对应的区域近似为一个点；若|λ2|和|λ3|同时趋近于无穷小，则对应的区域为线状斑点或板状斑点。
[0096]
第四、由于初始腋窝血管-淋巴结图像中的血管区域的灰度值明显比背景部分灰度值要高，进而通过计算前述s对背景部分和血管部分进行区分。
[0097]
本实施例中，如图3-1和图3-2所示，采用前述第一极大似然函数提取相应的血管目标图像，其中，图3-1为初始腋窝血管-淋巴结图像对应的血管部分图像，图3-2为经过分割得到的血管目标图像。
[0098]
s3、基于hessian矩阵构建第二极大似然函数，基于所述第二极大似然函数确定初始腋窝血管-淋巴结图像中淋巴结的所处位置，并通过三维区域生长算法提取预设时间序列的淋巴结目标图像。
[0099]
基于前述步骤s3，对于第二极大似然函数的构建，需要说明的是：基于获取的hessian矩阵的特征值λ1、λ2、λ3构建第二极大似然函数，所构建的第二极大似然函数具体如下：
[0100][0101]
上式中，α2、β2、γ2为控制第二极大似然函数计算过程灵敏度的参数；本实施例中，α2＝0.5，β2＝0.5，γ2＝15。
[0102]
基于前述步骤s3，对于初始腋窝血管-淋巴结图像中淋巴结所处位置的确定，需要说明的是：
[0103]
第一、基于初始腋窝血管-淋巴结图像，通过第二极大似然函数初步提取淋巴结所在的图层。
[0104]
第二、以初步提取的图层为中心层上下各获取一层图层，并基于中心层以及中心层的上下层获取灰度值最亮的图层。
[0105]
第三、基于灰度值最亮的图层确定淋巴结的所处位置。
[0106]
基于前述步骤s3，对于通过三维区域生长算法提取淋巴结目标图像，需要说明的是：
[0107]
第一、针对初始像素点和周围的相邻像素点计算对应的像素点差值，并建立像素点值全部为0的模型。
[0108]
第二、根据预设的像素点差值阈值和步骤s3-1中所述像素点差值，将所建立的模型中对应的像素点值置为1。
[0109]
第三、针对所述模型中像素点值置为1的像素点，重复上述步骤s3-1和s3-2，直至计算出全部像素点和周围的相邻像素点之间的像素点差值。
[0110]
基于前述三维区域生长算法，需要说明的是：在基于三维区域生长算法对淋巴结目标图像进行获取的过程中，根据医生给出的报告对种子点进行手动选取。
[0111]
本实施例中，如图4-1和图4-2所示，采用前述第二极大似然函数提取相应的淋巴结目标图像，其中，图4-1为初始腋窝血管-淋巴结图像对应的淋巴结部分图像，图4-2为经过分割得到的淋巴结目标图像。
[0112]
s4、基于预设时间序列的血管目标图像和淋巴结目标图像，通过计算图像对应的灰度均值绘制血管-淋巴结tic曲线图。
[0113]
基于前述步骤s4，对于血管-淋巴结tic曲线图的绘制，需要说明的是：
[0114]
基于dce-mri图像显示窗口中显示的经过造影对比剂处理获得的血管目标图像和淋巴结目标图像，获取多个预设时间点对应的血管目标图像和淋巴结目标图像；针对获取的血管目标图像和淋巴结目标图像，通过计算图像中感兴趣部分的灰度均值，绘制血管-淋巴结tic曲线图。
[0115]
本实施例中，前述多个预设时间点可以为相同时间间隔的时间点。
[0116]
本实施例中，绘制的血管-淋巴结tic曲线图如图5-1和图5-2所示，其中，图5-1为淋巴结发生转移对应的血管-淋巴结tic曲线图，图5-2为淋巴结未发生转移对应的血管-淋巴结tic曲线图。
[0117]
本实施例中，基于前述图5-1和图5-2，需要说明的是：
[0118]
若淋巴结发生转移，则对应的血管tic曲线与淋巴结tic曲线相似程度较高；
[0119]
若淋巴结未发生转移，则对应的血管tic曲线与淋巴结tic曲线相似程度较低。
[0120]
本实施例中，基于前述图5-1和图5-2，还需要说明的是：
[0121]
前述图5-1所示出的情况仅为淋巴结发生转移的多种情况之一，以及前述图5-2所示出的情况仅为淋巴结未发生转移的多种情况之一。
[0122]
s5、通过获取tic曲线差值的均值、标准差和中值，判断乳腺癌腋窝淋巴结的转移情况。
[0123]
本实施例中，tic曲线差值为：血管-淋巴结tic曲线图中血管tic曲线下面积与淋巴结tic曲线下面积的差值。
[0124]
基于前述步骤s5，对于乳腺癌腋窝淋巴结转移情况的判断和预测，需要说明的是：
[0125]
基于血管-淋巴结tic曲线图获取的tic曲线差值的均值、标准差和中值越小，乳腺癌腋窝淋巴结转移的几率越大，具体的，淋巴结转移情况预测表如表1所示。
[0126]
表1.淋巴结转移情况预测表
[0127] tic曲线差值均值tic曲线差值标准差tic曲线差值中值已发生转移组1294.176286384561048.275573230921009.78888888889未发生转移组2585.758754861381616.928674048082464.20535020535
[0128]
基于前述表1，需要说明的是，表1中所示出的仅为淋巴结发生转移及未发生转移的多种情况中的一种。
[0129]
基于前述表1，需要说明的是，基于表1可以看出：当淋巴结已发生转移时所对应的tic曲线差值的均值、标准差和中值，均明显小于淋巴结未发生转移时所对应的tic曲线差
值的均值、标准差和中值。
[0130]
实施例二中的图像处理方法公开了，基于初始腋窝血管-淋巴结图像构建hessian矩阵，基于hessian矩阵提取血管目标图像，并基于hessian矩阵通过三维区域生长算法提取淋巴结目标图像，以便实现精准三维分割腋窝血管和淋巴结，并基于获取的血管目标图像和淋巴结图像绘制血管-淋巴结tic曲线图，对乳腺癌腋窝淋巴结的转移情况进行判断和预测。
[0131]
实施例三提供一种基于腋窝血管-淋巴结dce-mri图像的图像处理系统，如图6所示，具体包括：
[0132]
图像预处理模块，具体用于针对dce-mri图像显示窗口中的初始腋窝血管-淋巴结图像进行预处理，并基于预处理后的初始腋窝血管-淋巴结图像获得hessian矩阵。
[0133]
血管图像获取模块，具体用于基于hessian矩阵构建第一极大似然函数，基于所述第一极大似然函数提取预设时间序列的血管目标图像。
[0134]
淋巴结图像获取模块，具体用于基于hessian矩阵构建第二极大似然函数，基于所述第二极大似然函数确定初始腋窝血管-淋巴结图像中淋巴结的所处位置，并通过三维区域生长算法提取预设时间序列的淋巴结目标图像。
[0135]
tic图像获取模块，具体用于基于预设时间序列的血管目标图像和淋巴结目标图像，通过计算图像对应的灰度均值绘制血管-淋巴结tic曲线图。
[0136]
基于实施例三中所述的图像处理系统，通过图像预处理模块、血管图像获取模块、淋巴结图像获取模块和tic图像获取模块，能够实现精准三维分割腋窝血管和淋巴结，并基于获取的血管目标图像和淋巴结图像绘制血管-淋巴结tic曲线图，对乳腺癌腋窝淋巴结的转移情况进行判断和预测。
[0137]
实施例四提供一种电子设备，如图7所示，具体包括：
[0138]
一个或多个处理器；
[0139]
存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现如实施例一和实施例二中任一实施例所述的方法。
[0140]
应当注意的是，在权利要求中，不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。此外，需要说明的是，在本说明书的描述中，术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述，是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。
[0141]
尽管已描述了本发明的优选实施例，但本领域的技术人员在得知了基本创造性概念后，则可对这些实施例做出另外的变更和修改。所以，权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。
[0142]
显然，本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也应该包含这些修改和变型在内。
技术特征：1.一种基于腋窝血管-淋巴结dce-mri图像的图像处理方法，其特征在于，所述图像处理方法包括：s1、针对dce-mri图像显示窗口中的初始腋窝血管-淋巴结图像进行预处理，并基于预处理后的初始腋窝血管-淋巴结图像获得hessian矩阵；所述预处理包括：针对所述初始腋窝血管-淋巴结图像进行窗位调整；所述初始腋窝血管-淋巴结图像为经过造影对比剂处理后的图像，包括血管目标图像和淋巴结目标图像；s2、基于hessian矩阵构建第一极大似然函数，基于所述第一极大似然函数提取预设时间序列的血管目标图像；s3、基于hessian矩阵构建第二极大似然函数，基于所述第二极大似然函数确定初始腋窝血管-淋巴结图像中淋巴结的所处位置，并通过三维区域生长算法提取预设时间序列的淋巴结目标图像；s4、基于预设时间序列的血管目标图像和淋巴结目标图像，通过计算图像对应的灰度均值绘制血管-淋巴结tic曲线图；所述血管-淋巴结tic曲线图包括血管tic曲线和淋巴结tic曲线。2.根据权利要求1所述的预测方法，其特征在于，还包括：s5、通过获取tic曲线面积差值的均值、标准差和中值，判断乳腺癌腋窝淋巴结转移情况；所述tic曲线差值为：血管-淋巴结tic曲线图中血管tic曲线下面积与淋巴结tic曲线下面积的差值。3.根据权利要求1所述的预测方法，其特征在于，所述s1中的基于预处理后的初始腋窝血管-淋巴结图像获得hessian矩阵，包括：获取hessian矩阵的特征值λ1、λ2、λ3，并基于预设特征值排序条件对获取的特征值进行排序；所述预设特征值排序条件为：|λ1|≤|λ2|≤|λ3|；所述hessian矩阵为：其中，x、y、z表示x、y、z三个方向，f表示求导数。4.根据权利要求3所述的预测方法，其特征在于，所述s2中的基于hessian矩阵构建第一极大似然函数，包括：所述第一极大似然函数为：
其中，α1、β1、γ1为控制第一极大似然函数计算过程灵敏度的参数；其中，5.根据权利要求3所述的预测方法，其特征在于，所述s3中的基于hessian矩阵构建第二极大似然函数，包括：所述第二极大似然函数为：其中，α2、β2、γ2为控制第二极大似然函数计算过程灵敏度的参数。6.根据权利要求1所述的预测方法，其特征在于，所述s3中的基于所述第二极大似然函数确定初始腋窝血管-淋巴结图像中淋巴结的所处位置，包括：基于初始腋窝血管-淋巴结图像，通过第二极大似然函数初步提取淋巴结所在的图层；以初步提取的图层为中心层上下各获取一层图层，并基于所述中心层以及中心层的上下层获取灰度值最亮的图层；基于所述灰度值最亮的图层确定淋巴结的所处位置。7.根据权利要求1所述的预测方法，其特征在于，所述s3中的通过三维区域生长算法提取预设时间序列的淋巴结目标图像，包括：s3-1、针对初始像素点和周围的相邻像素点计算对应的像素点差值，并建立像素点值全部为0的模型；s3-2、根据预设的像素点差值阈值和步骤s3-1中所述像素点差值绝对值，将所建立的模型中对应的像素点值置为1；s3-3、针对所述模型中像素点值置为1的像素点，重复上述步骤s3-1和s3-2，直至像素值差值的绝对值大于所选阈值。8.根据权利要求1所述的预测方法，其特征在于，所述s4中的基于预设时间序列的血管目标图像和淋巴结目标图像，通过计算图像对应的灰度均值绘制血管-淋巴结tic曲线图，包括：基于经过造影对比剂处理获得的血管目标图像和淋巴结目标图像，针对图像中需要研究的区域获取多个预设时间点对应的灰度均值；所述多个预设时间点为相同时间间隔的时间点。9.一种基于腋窝血管-淋巴结dce-mri图像的图像处理系统，其特征在于，所述图像处理系统包括：图像预处理模块，具体用于针对dce-mri图像显示窗口中的初始腋窝血管-淋巴结图像进行预处理，并基于预处理后的初始腋窝血管-淋巴结图像获得hessian矩阵；血管图像获取模块，具体用于基于hessian矩阵构建第一极大似然函数，基于所述第一
极大似然函数提取预设时间序列的血管目标图像；淋巴结图像获取模块，具体用于基于hessian矩阵构建第二极大似然函数，基于所述第二极大似然函数确定初始腋窝血管-淋巴结图像中淋巴结的所处位置，并通过三维区域生长算法提取预设时间序列的淋巴结目标图像；tic图像获取模块，具体用于基于预设时间序列的血管目标图像和淋巴结目标图像，通过计算图像对应的灰度均值绘制血管-淋巴结tic曲线图。10.一种电子设备，其特征在于，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1～8中任一项所述的方法。
技术总结本申请涉及一种基于腋窝血管-淋巴结DCE-MRI图像的图像处理方法，包括：针对DCE-MRI图像显示窗口中的初始腋窝血管-淋巴结图像进行预处理，并基于预处理后的初始腋窝血管-淋巴结图像获得Hessian矩阵；基于Hessian矩阵构建第一极大似然函数，基于所述第一极大似然函数提取预设时间序列的血管目标图像；基于Hessian矩阵构建第二极大似然函数，基于所述第二极大似然函数确定初始腋窝血管-淋巴结图像中淋巴结的所处位置，并通过三维区域生长算法提取预设时间序列的淋巴结目标图像；基于预设时间序列的血管目标图像和淋巴结目标图像，通过计算图像对应的灰度均值绘制血管-淋巴结TIC曲线图。本申请中，通过获取的TIC曲线面积差值，对乳腺癌腋窝淋巴结的是否发生转移进行判断。判断。判断。
技术研发人员：李宏 孙航 王锶淳
受保护的技术使用者：东北大学
技术研发日：2022.06.30
技术公布日：2022/11/1
