具有精准定位功能的计算机辅助肿瘤消融导航系统

摘要

本发明涉及计算机辅助外科学技术领域，具体涉及具有精准定位功能的计算机辅助肿瘤消融导航系统，包括：CT影像处理模块、可视化模块、机器学习模块、肿瘤消融导航模块，其中CT影像处理模块获取肿瘤CT图像的强属性肿瘤点和弱属性肿瘤点，获取弱属性肿瘤点的分割相似性以及强属性肿瘤点的标签模糊度，获取肿瘤区域检测结果，根据肿瘤区域检测结果获取肿瘤性质得到具体检测结果。本发明通过电磁检测与放射影像联合检测方法，可以准确检测出肿瘤位置，且将多个尺度的分割结果融合，能够消除单一分割尺度对位置和大小不是固定的肿瘤检测的局限。

权利要求

1.具有精准定位功能的计算机辅助肿瘤消融导航系统，其特征在于，所述系统包括：

CT影像处理模块：

CT影像处理模块包括CT图像采集模块、CT导航图像感兴趣区域获得模块、弱属性像素点的分割相似性获取模块、肿瘤检测图像获取模块：CT图像采集模块，通过核磁共振技术得到患者的肿瘤区域；

CT导航图像感兴趣区域获得模块，利用探针获取肿瘤区域内的肿瘤CT图像并得到肿瘤CT图像的感兴趣区域；对肿瘤CT图像感兴趣区域进行超像素分割处理，得到强属性肿瘤点和弱属性肿瘤点；

弱属性像素点的分割相似性获取模块，根据相邻两次超像素分割每个弱属性肿瘤点与对应点之间度量距离和欧式距离的关系以及预设弱属性肿瘤点与预设弱属性肿瘤点所在超像素块种子点之间度量距离的关系得到每个弱属性肿瘤点的分割相似性；

肿瘤检测图像获取模块，根据相邻两次超像素分割每个强属性肿瘤点与对应点的度量距离和欧式距离及两次分割相同位置肿瘤点的度量距离的关系得到每个强属性肿瘤点的标签模糊度；设定阈值对每个弱属性肿瘤点的分割相似性、每个强属性肿瘤点的标签模糊度进行判断，得到肿瘤检测图像；对多次SLIC超像素块分割的每相邻两次的分割结果都进行判断得到多个肿瘤检测图像，对多个肿瘤检测图像进行图像融合得到图像检测结果，图像检测结果即为最终肿瘤区域；

机器学习模块：将CT影像处理模块检测到的最终肿瘤区域通过输入机器学习模型中检测肿瘤的恶性等级；

肿瘤消融导航模块：根据CT影像处理模块检测到的最终肿瘤区域位置得到其热消融针的位置，对最终肿瘤区域进行建模获得电场强度分布模型，根据电场分布模型获得消融区域；

可视化模块：将CT影像处理模块中的最终肿瘤区域、机器学习模块得到的恶性肿瘤等级、肿瘤消融导航模块得到的消融针位置和消融区域显示在可视化模块中；

所述得到强属性肿瘤点和弱属性肿瘤点的方法为：

将SLIC超像素块分割后每个超像素块的边缘像素点记为弱属性肿瘤点，超像素块内非边缘像素点记为强属性肿瘤点；

所述根据相邻两次超像素分割每个强属性肿瘤点与对应点的度量距离和欧式距离及两次分割相同位置肿瘤点的度量距离的关系得到每个强属性肿瘤点的标签模糊度的方法为：根据相邻两次SLIC超像素块分割得到的每个超像素块内每个强属性肿瘤点与超像素块内种子点的欧式距离、度量距离以及两次分割相同位置肿瘤点的度量距离的差值得到每个强属性肿瘤点的标签模糊度，标签模糊度的具体计算方法如下：式中， 表示第j次SLIC超像素块分割结果中强属性肿瘤点i与种子点 的度量距离， 为第j+1次SLIC超像素块分割结果中相同位置肿瘤点i与种子点 的度量距离， 表示第j次分割结果中强属性肿瘤点i到种子点 的欧式距离， 表示第j+1次SLIC超像素块分割结果中相同位置肿瘤点i与种子点 的欧式距离， 表示第i个强属性肿瘤点的标签模糊度。

2.根据权利要求1所述的具有精准定位功能的计算机辅助肿瘤消融导航系统，其特征在于，利用探针获取肿瘤区域内的获取肿瘤CT图像并得到肿瘤CT图像的感兴趣区域的方法为：探针可以得到人体内的CT图像，探针在肿瘤区域内进行移动，由于人体内存在肿瘤标记物，此时探针颜色会有变化，此时得到肿瘤CT图像，将探针所探索的位置中具有颜色变化的位置以凸包算法连接。

3.根据权利要求1所述的具有精准定位功能的计算机辅助肿瘤消融导航系统，其特征在于，所述根据相邻两次超像素分割每个弱属性肿瘤点与对应点之间度量距离和欧式距离的关系以及预设弱属性肿瘤点与预设弱属性肿瘤点所在超像素块种子点之间度量距离的关系得到每个弱属性肿瘤点的分割相似性的方法为：在一次超像素分割结果后，获取超像素块内每个弱属性肿瘤点与其所在超像素块种子点的欧氏距离和度量距离，将度量距离与欧式距离的比值记为第一比值，获取此次分割结果的下一次分割结果，获取相同空间位置处肿瘤点与其所在超像素块种子点的欧氏距离和度量距离，将肿瘤点对应度量距离与欧式距离的比值记为第二比值，将第二比值与第一比值的差值作为该弱属性肿瘤点的相似稳定度；

在一次超像素分割结果后，获取弱属性肿瘤点所在超像素块邻近的预设数量的超像素块，将预设数量超像素块中所有弱属性肿瘤点的数量作为第一分割数量，将第一分割数量中所有肿瘤点与其所在超像素块种子点度量距离的和作为第一度量值，获取此次分割结果的下一次分割结果，获取相同位置处肿瘤点所在超像素块邻近的预设数量的超像素块，将预设数量超像素块中所有弱属性肿瘤点的数量作为第二分割数量，将第二分割数量中所有肿瘤点与其所在超像素块种子点度量距离的和作为第二度量值，将第二度量值和第一度量值差值与第一分割数量的比值作为该弱属性肿瘤点的肿瘤可信度；

将每个弱属性肿瘤点的相似稳定度和肿瘤可信度的比值作为每个弱属性肿瘤点的分割相似性。

说明书

具有精准定位功能的计算机辅助肿瘤消融导航系统

技术领域

[0001] 本发明涉及计算机辅助外科学技术领域，具体涉及具有精准定位功能的计算机辅助肿瘤消融导航系统。

背景技术

[0002] 外科手术室可以容纳多种医疗系统及相关设备，这些医疗系统中的计算机辅助导航的肿瘤消融导航系统是一种先进的智能化的系统，该系统就是以核磁共振、CT等医学影像数据为基础，对手术提供可视化的、自动化与智能化的手术引导，例如CN105286988A公开的一种CT影像引导肝肿瘤热消融针定位与导航系统，以及CN113796956A公开的用于外科手术期间计算机辅助导航的外科手术引导系统，在这些现有的基于计算机辅助导航的手术引导系统最重要的一个功能就是根据CT影像数据进行分析，例如计算机辅助导航的手术引导系统中的CT影像分析模块可以对CT影像中的肿瘤进行分割定位和三维重建，然后被显示模块显出在现实器上供医生进行UI交互；该系统的机器学习模块可以多肿瘤区域进行学习，实现对肿瘤的分类；另外该系统的肿瘤消融导航模块根据肿瘤的位置进行自动化的热消融针引导或自动化的手术过程制定与实施。可知该系统很多模块直接或间接的受到CT影像分析结果的影响，CT影像分析结果的好坏，例如肿瘤区域分割与定位的准确与否，直接关乎到后续手术引导或可视化的结果，如果CT影像分析模块对肿瘤区域定位不准确，则该系统无法为医师第一时间提供准确的数据参考，影响手术实施的效率。

[0003] 然而现有的该系统中CT影像分析模块利用神经网络确定肿瘤区域，例如利用语义分割网络，但是这种方法往往受限于CT影像训练数据集规模不够大、肿瘤出现的区域并不固定，人体不同区域对应的CT图像也存在较大的影像密度差异、固定尺寸的医学影像处理技术在面对存在多个区域不同尺寸的肿瘤时，肿瘤的检测结果的准确率比较低等问题。因此提出一种具有精准定位功能的计算机辅助肿瘤消融导航系统来提高具有精准定位功能的计算机辅助肿瘤消融导航系统中CT影像分析模块对肿瘤区域定位的准确性，提高计算机辅助肿瘤外科手术引导系统的效率。

发明内容

[0004] 本发明提供具有精准定位功能的计算机辅助肿瘤消融导航系统，以解决现有的检测目标和相邻物体比较相似影响肿瘤检测准确度的问题，所采用的技术方案具体如下：

[0005] 本发明一个实施例提供了具有精准定位功能的计算机辅助肿瘤消融导航系统，所述系统包括：

[0006] CT影像处理模块：

[0007] CT影像处理模块包括CT图像采集模块、CT导航图像感兴趣区域获得模块、弱属性像素点的分割相似性获取模块、肿瘤检测图像获取模块：

[0008] CT图像采集模块，通过核磁共振技术得到患者的肿瘤区域；

[0009] CT导航图像感兴趣区域获得模块，利用探针获取肿瘤区域内的肿瘤CT图像并得到肿瘤CT图像的感兴趣区域；对肿瘤CT图像感兴趣区域进行超像素分割处理，得到强属性肿瘤点和弱属性肿瘤点；

[0010] 弱属性像素点的分割相似性获取模块，根据相邻两次超像素分割每个弱属性肿瘤点与对应点之间度量距离和欧式距离的关系以及预设弱属性肿瘤点与预设弱属性肿瘤点所在超像素块种子点之间度量距离的关系得到每个弱属性肿瘤点的分割相似性；

[0011] 肿瘤检测图像获取模块，根据相邻两次超像素分割每个强属性肿瘤点与对应点的度量距离和欧式距离及两次分割相同位置肿瘤点的度量距离的关系得到每个强属性肿瘤点的标签模糊度；设定阈值对每个弱属性肿瘤点的分割相似性、每个强属性肿瘤点的标签模糊度进行判断，得到肿瘤检测图像；对多次SLIC超像素块分割的每相邻两次的分割结果都进行判断得到多个肿瘤检测图像，对多个肿瘤检测图像进行图像融合得到图像检测结果，图像检测结果即为最终肿瘤区域；

[0012] 机器学习模块：将CT影像处理模块检测到的最终肿瘤区域通过输入机器学习模型中检测肿瘤的恶性等级；

[0013] 肿瘤消融导航模块：根据CT影像处理模块检测到的最终肿瘤区域位置得到其热消融针的位置，对最终肿瘤区域进行建模获得电场强度分布模型，根据电场分布模型获得消融区域；

[0014] 可视化模块：将CT影像处理模块中的最终肿瘤区域、机器学习模块得到的恶性肿瘤等级、肿瘤消融导航模块得到的消融针位置和消融区域显示在可视化模块中。

[0015] 优选的，利用探针获取肿瘤区域内的肿瘤CT图像并得到肿瘤CT图像的感兴趣区域的方法为：

[0016] 探针可以得到人体内的CT图像，探针在肿瘤区域内进行移动，由于人体内存在肿瘤标记物，此时探针颜色会有变化，此时得到肿瘤CT图像，将探针所探索的位置中具有颜色变化的位置以凸包算法连接。

[0017] 优选的，所述得到强属性肿瘤点和弱属性肿瘤点的方法为：

[0018] 将SLIC超像素块分割后每个超像素块的边缘像素点记为弱属性肿瘤点，超像素块内非边缘像素点记为强属性肿瘤点。

[0019] 优选的，所述根据相邻两次超像素分割每个弱属性肿瘤点与对应点之间度量距离和欧式距离的关系以及预设弱属性肿瘤点与预设弱属性肿瘤点所在超像素块种子点之间度量距离的关系得到每个弱属性肿瘤点的分割相似性的方法为：

[0020] 在一次超像素分割结果后，获取超像素块内每个弱属性肿瘤点与其所在超像素块种子点的欧氏距离和度量距离，将度量距离与欧式距离的比值记为第一比值，获取此次分割结果的下一次分割结果，获取相同空间位置处肿瘤点与其所在超像素块种子点的欧氏距离和度量距离，将肿瘤点对应度量距离与欧式距离的比值记为第二比值，将第二比值与第一比值的差值作为该弱属性肿瘤点的相似稳定度；

[0021] 在一次超像素分割结果后，获取弱属性肿瘤点所在超像素块邻近的预设数量的超像素块，将预设数量超像素块中所有弱属性肿瘤点的数量作为第一分割数量，将第一分割数量中所有肿瘤点与其所在超像素块种子点度量距离的和作为第一度量值，获取此次分割结果的下一次分割结果，获取相同位置处肿瘤点所在超像素块邻近的预设数量的超像素块，将预设数量超像素块中所有弱属性肿瘤点的数量作为第二分割数量，将第二分割数量中所有肿瘤点与其所在超像素块种子点度量距离的和作为第二度量值，将第二度量值和第一度量值差值与第一分割数量的比值作为该弱属性肿瘤点的肿瘤可信度；

[0022] 将每个弱属性肿瘤点的相似稳定度和肿瘤可信度的比值作为每个弱属性肿瘤点的分割相似性。

[0023] 优选的，所述根根据相邻两次超像素分割每个强属性肿瘤点与对应点的度量距离和欧式距离及两次分割相同位置肿瘤点的度量距离的关系得到每个强属性肿瘤点的标签模糊度的方法为：

[0024] 根据相邻两次SLIC超像素块分割得到的每个超像素块内每个强属性肿瘤点与超像素块内种子点的欧式距离、度量距离以及两次分割相同位置肿瘤点的度量距离的差值得到每个强属性肿瘤点的标签模糊度，标签模糊度的具体计算方法如下：

[0025]

[0026] 式中， 表示第j次SLIC超像素块分割结果中强属性肿瘤点i与种子点 的度量距离， 为第j+1次SLIC超像素块分割结果中相同位置肿瘤点i与种子点 的度量距离， 表示第j次分割结果中强属性肿瘤点i到种子点 的欧式距离，表示第j+1次SLIC超像素块分割结果中相同位置肿瘤点i与种子点 的欧式距离， 表示第i个强属性肿瘤点的标签模糊度。

[0027] 本发明的有益效果是：本发明提出具有精准定位功能的计算机辅助肿瘤消融导航系统，针对传统肿瘤检测方法中对针对人员身体中较小肿瘤或者肿瘤附近相似区域干扰造成检测准确度低的问题，本发明将肿瘤像素点分为弱属性的肿瘤像素点和强属性的肿瘤像素点，首先获取CT图像中的感兴趣区域，其次对感兴趣区域进行多尺度的SLIC超像素块分割，在较大尺度的分割基础上进行较小尺度的分割，多尺度分割的作用在于逐步减小超像素块的大小，增加种子点的数量，其有益效果是在种子点增加过程中会使得在大尺度下分割到超像素点边缘分布到较小超像素块靠近种子点的位置，即弱属性和强属性肿瘤像素点在不同尺度分割过程中与种子点的度量距离和相对位置不断的减小，提高弱属性肿瘤像素点的分割结果精准率，避免单一尺度分割将肿瘤像素点分割到非肿瘤超像素块。其次计算对应的分割相似度和标签模糊度，并将多个尺度的分割结果进行融合，融合的有益效果在于从固定大小的CT图像中获取更多的肿瘤像素点的信息，能够消除单一分割尺度对位置和大小不是固定的肿瘤检测的局限。最终根据像素点的标签融合结果得到检测人员中肿瘤像素点的检测结果。

附图说明

[0028] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

[0029] 图1为本发明的一个实施例所提供具有精准定位功能的计算机辅助肿瘤消融导航系统的流程示意图。

具体实施方式

[0030] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0031] 现有的计算机辅助肿瘤消融导航系统是以核磁共振、CT等医学影像数据为基础，对手术提供可视化的、自动化与智能化的手术引导，该系统包括CT影像处理模块、可视化模块、机器学习模块、肿瘤消融导航模块等等；其中CT影像处理模块用于对CT影像上的肿瘤区域定位以及根据肿瘤区域进行三维重建获得肿瘤区域三维模型；获得的肿瘤区域和三维模型会被可视化模块显示在现实器上，并且可视化模块提供UI交互界面与医生进行交互，方便医生从不同视角来观察肿瘤的形状及肿瘤恶化程度；机器学习模块其中一个重要功能便是通过对大量肿瘤区域CT影像的进行学习得到机器学习模型，CT影像处理模块获得的肿瘤区域输入到机器学习模块中的机器学习模型中对肿瘤分类，例如获得肿瘤的恶性等级，并将恶性等级显示在可视化模块上；另外肿瘤消融导航模块既可以包括手术后机器人进行外科手术的辅助，也可以进行热消融针导航，还可以制定手术的实施计划，实现热消融针导航的功能，该模块依赖的数据依然是CT影像处理模块的肿瘤区域定位结果。

[0032] 可知该系统很多模块直接或间接的受到CT影像分析结果的影响，CT影像分析结果的好坏，例如肿瘤区域分割与定位的准确与否，直接关乎到后续手术引导或可视化的结果，如果CT影像分析模块对肿瘤区域定位不准确，则该系统无法为医师第一时间提供准确的数据参考，影响手术实施的效率。然而现有CT影像分析模块利用神经网络确定肿瘤区域，例如利用语义分割网络，但是这种方法往往受限于CT影像训练数据集规模不够大、肿瘤出现的区域并不固定，人体不同区域对应的CT图像也存在较大的影像密度差异、固定尺寸的医学影像处理技术在面对存在多个区域不同尺寸的肿瘤时，肿瘤的检测结果的准确率比较低等问题。

[0033] 因此本发明一个实施例提出一种具有精准定位功能的计算机辅助肿瘤消融导航系统通过对肿瘤区域准确的定位来提高现有肿瘤消融的效率。请参阅图1，其示出了本发明一个实施例提供的具有精准定位功能的计算机辅助肿瘤消融导航系统流程图，该系统包括：CT影像处理模块、可视化模块、机器学习模块、肿瘤消融导航模块；其中CT影像处理模块又细分为如下模块：CT图像采集模块101、CT导航图像感兴趣区域获得模块102、弱属性像素点的分割相似性获取模块103、肿瘤检测图像获取模块104。

[0034] CT图像采集模块101，通过核磁共振技术得到患者的肿瘤区域。

[0035] 需要说明的是，在获取患者的肿瘤区域之前，还包括利用电磁成像技术对待检测人员进行前期肿瘤检测，即利用肿瘤组织与正常组织电磁特性不同得到存疑区域，对存疑区域进行药物打靶检测肿瘤标志物，基于肿瘤标志物的检测结果，从而确定该待检测人员是否存在肿瘤，也即是否存在肿瘤区域。

[0036] 检测肿瘤的医学影像主要有CT图像，磁共振成像，超声影像，这些方法一般用于出现肿瘤相关前兆的待检测人员，直接对所有待检测人员使用各类仪器，容易对人体造成额外的危害。因此在进行具体的肿瘤检测前，需要对待检测人员进行前期的肿瘤检测，避免利用CT图像检测肿瘤时，肿瘤细胞已发生浸润和转移，错过最佳治疗时机。肿瘤标志物是指肿瘤组织或宿主与肿瘤相互作用所产生的一类活性物质，能够提示肿瘤的存在和身长变化，因此在肿瘤检测中，首先能够通过对肿瘤标志物的检测判断待检测人员体内是否存在肿瘤。

[0037] 肿瘤标志物是由肿瘤细胞本身表达、分泌、凋亡坏死崩解产生的可以体现肿瘤存在的一类物质，可以在血液、体液、人体组织中没检测到位于血清，体液或组织中，常见的有癌胚蛋白、肿瘤抗原、酶类标志物、激素、糖类抗原等，采血检测的方法是目前肿瘤标志物的主流检测方法之一。具体的，液体活检是一种从血液等非实性样本中取样，用于诊断和检测肿瘤的方法。液体活检技术主要包括循环肿瘤细胞检测、循环肿瘤DNA检测、外泌体检测等。与组织活检相比，液体活检能够早期筛查、检测肿瘤标志物，克服了肿瘤的时空异质性，采集待检测人员的血液样本，使用CTC分析仪、数字PCR仪、二代测序仪等装置获得肿瘤标志物的检测结果。因此，本实施例中通过液体活检的方式获取检测人员肿瘤标志物的检测结果。
即如果检测人员体内检测出肿瘤标志物，说明此检测人员体内存在肿瘤，需要采集该患者的肿瘤区域。

[0038] 本实施例中利用核磁共振成像技术得到肿瘤区域，具体的，脉冲磁动力是在检测人员外部施加高强度脉冲磁场，使用磁场成像技术时将仪器的最高磁场强度调整为1.5T（特斯拉，英文名tesla，符号表明为T，它是磁通量磁感应强度或密度在世界单位制中的导出单位），将适用于铁磁性、亚铁磁性以及顺磁性的纳米粉以及其丝状、棒状的磁性材料即磁性颗粒以埋植、注射、介导及主被动靶向等方式导入检测肿瘤的大致位置，磁性颗粒外部包裹着病毒的抗体，注射进入人体进行检测，一旦人体内存在肿瘤，将磁性颗粒上的抗体结合形成大的颗粒团，如此核磁共振仪就可以得到肿瘤区域。

[0039] CT导航图像感兴趣区域获得模块102，为了准确避开血管、神经、重要脏器，精准的切除病灶，利用计算机导航系统在电脑中显现“虚拟的人体组织”，医生手中的探针所指的位置，显示其内部结构，CT导航图像即可显示所在的手术部位，可以知道是否到达病变部位，如此将手术操作的解剖位置清晰地在荧屏上显示，使医生的手术更为精准、更为安全、更为快速，通过CT透视仪扫描肿瘤的大致区域，在肿瘤区域中，通过探针的移动，可以清晰的看到人体某一部分的CT导航图像，由于人体内存在肿瘤标记物，此时探针颜色会有变化，此时得到包含肿瘤区域的CT图像。此时移动探针，根据探针的颜色变化得到肿瘤存疑区域，其中探针颜色越量，越接近肿瘤标志物。

[0040] 医学CT图像的成像原理是将X射线对存在肿瘤标志物进行横断面照射，根据人体不同器官和组织对X射线的吸收率不同，利用检测器检测到穿过存在肿瘤标志物的肿瘤存疑区域的X射线，最终利用计算机对扫描仪器的扫描影像重建得到CT图像，重建CT图像为RGB图像或灰度图像。

[0041] CT图像采集系统包括发射器，接收器，信号采集装置，计算机和图像显示器。CT图像的常见格式有dicom、mhd等，本发明中采用dicom的格式储存CT图像，CT图像包含两部分数据，一是头文件，头文件中是病人和扫描仪器相关信息；二是图像数据，包含512*512个像素点。像素点的颜色值或灰度值是通过CT值转换得到的，CT值的获取和转换为公知技术，具体过程在此不再详细赘述。为了提高CT图像的质量，消除设备、衣物等噪声干扰，通常对CT图像进行形态学的预处理，本发明中分别对CT图像进行闭运算和开运算操作消除图像中的离散点和毛刺，图像的闭运算和开运算为公知技术，具体操作过程不再详细赘述。

[0042] 预处理后的CT图像需要借助物联网才能上传至智能检测平台的服务器，本发明中所述物联网指的是智能终端，例如计算机、智慧屏等等。上传CT图像至服务器的作用在于获取肿瘤在不同部位的信息，可以使得智能检测平台接收更多的肿瘤信息，辅助检测的效果更好。

[0043] 利用CT图像辅助临床肿瘤检测的难点在于对于不同的检测人员或者检测人员不同身体部位内的肿瘤是会发生变化的，想要快速精准对CT图像中的肿瘤进行检测，首先需要对所获CT图像检测出感兴趣区域。本发明中，智能监测平台的服务器中储存了大量的CT图像，有利于训练检测模型。因此首先将探针出现颜色时的所有位置以凸包算法连起来得到一个感兴趣区域。

[0044] 本发明中，从服务器中选择大量肿瘤明显的CT图像，目的是方便人为做标签，利用标签工具标记后，将标记后的CT图像作为模型训练集输入目标检测网络，目标检测网络可采用YoloV5，以SGD为优化器，训练完成后，将待检测的CT图像输入检测模型中，网络的输出是CT图中包含肿瘤区域的检测结果。目标检测网络的训练为公知技术，具体过程不再详细赘述。

[0045] 对于服务器中检测人员的待检测CT图像，经神经网络模型获取感兴趣区域，根据dicom文件中的病人信息将感兴趣区域的检测结果保存到服务器内同一检测人员的数据中。

[0046] 弱属性像素点的分割相似性获取模块103，感兴趣区域的肿瘤检测难点在于肿瘤在不同身体部位的形状是不同的，甚至在不同检测人员同一部位的外形大小也是不同的，想要获得精准的肿瘤检测结果，需要对所获感兴趣区域中每个像素点都进行检测。本发明利用SLIC超像素块分割算法将感兴趣区域进行分割，对于分割后的每个超像素块都得到对应的标签。SLIC超像素块分割感兴趣区域的过程中，由于肿瘤的外型和大小是不一定的，SLIC超像素块分割过程中对于较小的肿瘤很容易产生错误分割，对于较大的肿瘤，SLIC超像素块分割的精度往往较高，仅可能在超像素块的边缘像素点出现错误分割的现象。

[0047] 由于SLIC超像素块分割算法需要预先设置超像素块的大小，因此分割结果中，每个超像素块的大小是一致的，在本发明中，首先从历史数据中获取肿瘤的大小数据，将历史数据中肿瘤大小的最小值记为S，在SLIC超像素块分割时，保证预先设置的超像素块的大小小于S，这样设置的目的在于SLIC超像素块分割过程中，增大了肿瘤区域边缘像素点分割到超像素块边缘点的概率，将每个超像素块的最外围一圈的像素点记为边缘像素点。进一步的，将分割后每个超像素块的边缘像素点记为弱属性肿瘤像素点，超像素块内非边缘像素点记为强属性肿瘤像素点，其中弱属性肿瘤像素点也称为弱属性肿瘤点，强属性肿瘤像素点也称为强属性肿瘤点。

[0048] 进一步的，使用不同尺度的SLIC超像素块分割方法来确定像素点是否为肿瘤像素点，在本实施例中为了方便计算说明，设定SLIC超像素块分割次数为3次。

[0049] 对于弱属性的肿瘤像素点，在SLIC超像素块分割过程中，由于肿瘤较小或者超像素块边缘像素点与相邻像素点较为相似造成了干扰，也就是说当前超像素块的尺度不符合弱属性的肿瘤像素点。因此本发明利用多尺度分割的方法，首先以一个较大尺度分割感兴趣区域，此时超像素块数量N设置为200，将分割后每个超像素块的边缘像素点记为弱属性肿瘤像素点，超像素块内非边缘像素点记为强属性肿瘤像素点。在此基础上进行一个较小尺度的SLIC超像素块分割，此时超像素块数量N设置为300，最后设置超像素块数量N设置为700进行SLIC超像素块分割，分别计算每次弱属性肿瘤像素点和强属性肿瘤像素点对应的特征指标。

[0050] 进一步的，对于所有认为是弱属性肿瘤像素点，获取不同尺度下SLIC超像素块分割的特征值，构建分割相似性F，计算感兴趣区域中第m个弱属性肿瘤像素点的分割相似性：

[0051]

[0052]

[0053]

[0054] 分割相似度为两次尺寸不同的SLIC超像素块分割结果中，弱属性肿瘤像素点与相应种子点的度量差异的变化大小，在不同尺度下，与种子点的度量距离变化越小，说明像素点分割后标签变化的可能越小，越难靠近种子点，像素点是肿瘤像素点的可能性越小。

[0055] 像素点m是超像素块k中的第m个弱属性肿瘤像素点， 是像素点m的相似稳定度， 的作用是用于表征，在不同尺度的SLIC超像素块分割中，像素点m与超像素块k图像信息相似程度的稳定性， 的值越小，说明像素点m与超像素块k图像信息相似程度的稳定性越差。 是像素点m所在超像素块的肿瘤可信度，它的作用是用于表征两次SLIC超像素块分割前后，像素点m所在超像素块与相邻超像素块的聚集区域中弱属性肿瘤像素点的变化， 的值越大，说明超像素块位于肿瘤区域的可能性越低。

[0056] 是第j次SLIC超像素块分割结果中像素点m与种子点的度量距离，可以通过SLIC算法中的度量距离计算公式求得，是第j次SLIC超像素块分割像素点m所在超像素块的种子点，种子点由SLIC超像素块分割算法决定， 是第j次分割结果中像素点m到种子点 的欧氏距离, 是超像素块k的相邻K个相似超像素块中所有弱属性肿瘤像素点的数量，k即为m所在的超像素块。 是第j+1次SLIC超像素块分割结果中像素点m与种子点的度量距离， 是第j+1次SLIC超像素块分割像素点m所在超像素块的种子点，是第j+1次分割结果中像素点m到种子点 的欧氏距离， 是第j+1次分割结果中像素点m所在超像素块的相邻K个相似超像素块中所有弱属性肿瘤像素点的数量，欧式距离和度量距离的计算为公知技术，在此不再详细赘述，其中第j次SLIC超像素块分割结果中像素点m与第j+1次SLIC超像素块分割结果中像素点m为空间位置相同的像素点，第j次SLIC超像素块分割结果中像素点m是弱属性肿瘤像素点。

[0057] K是每次分割结果中与超像素块k周围相邻超像素块中灰度值均值 与超像素块k灰度值均值 最接近的预设的超像素块数量，本发明分别计算 的大小，将计算结果从小到大排除，取前4个排序结果对应的超像素块，即K的大小取4；这样选取的目的在于，SLIC超像素块分割结果中，相似超像素块之间的像素点的具有相似的图像特征，分割到不同相邻超像素块的原因多是因为度量距离超出了超像素块的规定大小，这样选取灰度值均值差值最小的4个的相邻超像素块，可以获取与超像素块k像素点相似像素点的信息，又不会造成太大计算量。

[0058] 分割相似度反映了弱属性肿瘤像素点在不同尺度SLIC超像素块分割中，与不同种子点的度量距离的变化程度，与种子点度量距离的大小决定了弱属性像素点在每次分割中被聚类到哪类超像素块中，如果随着分割尺度的变化， 的值较小，分割相似度 较小，像素点的肿瘤区域的可能较小，对应的弱属性像素点越不可能是真正的肿瘤区域像素点。分割相似度有益效果在于通过不同的分割尺度，利用弱属性肿瘤像素点与种子点的度量距离进行判断，避免一次分割的误差。

[0059] 肿瘤检测图像获取模块104，对于所有强属性肿瘤像素点，此处构建标签模糊度Q，计算感兴趣区域中像素点i的标签模糊度 ：

[0060]

[0061] 式中， 表示第j次SLIC超像素块分割结果中像素点i与种子点 的度量距离， 第j+1次SLIC超像素块分割结果中像素点i与种子点 的度量距离，表示第j次分割结果中像素点i到种子点 的欧式距离， 表示第j+1次
SLIC超像素块分割结果中像素点i与种子点 的欧式距离， 表示第i个像素点的标签模糊度，其中第j次SLIC超像素块分割结果中像素点i与第j+1次SLIC超像素块分割结果中像素点i为空间位置相同的像素点，第j次SLIC超像素块分割结果中像素点i是强属性肿瘤像素点。

[0062] 标签模糊度反映了在不同尺度的SLIC超像素块分割过程中，肿瘤超像素块非边缘像素点的分割精准度，如果每次分割过程中，像素点都靠近肿瘤超像素块的种子点，对应的与 的值相对偏小。标签模糊度考虑了强属性肿瘤像素点的分割精准度，标签模糊度越小，强属性肿瘤像素点的标签越精准。标签模糊度的有益效果在于考虑了像素点与不同大小肿瘤超像素块种子点的相对变化，避免了单独像素点被划分到肿瘤超像素块的欠分割现象发生。

[0063] 对于其它弱属性肿瘤像素和点强属性肿瘤像素点，分别按照相同的计算公式，计算不同属性肿瘤像素点对应的分割相似度或标签模糊度。

[0064] 根据上述步骤得到每相邻两次SLIC超像素块分割结果中弱属性肿瘤像素点对应的分割相似度和强属性肿瘤像素点对应的标签模糊度。分别设置判断阈值 、 ，的大小取经验值20， 的大小经验值取6，对于弱属性肿瘤像素点，如果对应的分割相似度大于 ，认为是CT图像中肿瘤区域的像素点，对于强属性肿瘤像素点，如果对应的标签模糊度小于，认为该点是CT图像中肿瘤区域的像素点。遍历整幅CT图像，根据所有强属性肿瘤像素点和弱属性肿瘤像素点的判断结果，将所有认为是肿瘤区域像素点的像素值置为1，非肿瘤区域像素点的像素值置为0。

[0065] 根据上述步骤，超像素块N取200时得到第一次分割结果，超像素块N取300时得到第二次分割结果，超像素块N取700时得到第三次分割结果，因此第二次SLIC超像素块分割后，根据第一次、第二次SLIC超像素块分割结果，像素点能够得到一个对应的特征值（即分割相似度或标签模糊度），根据特征值得到感兴趣区域中肿瘤区域的检测结果，记为图像；根据第二次、第三次SLIC超像素块分割结果，像素点能够得到一个对应的特征值，根据特征值得到感兴趣区域中肿瘤区域的检测结果，记为图像 。

[0066] 进一步的，本发明将多尺度超像素分割结果中肿瘤区域检测结果进行图像融合得到CT图像中肿瘤区域的真正检测结果T，即将图像 和图像 进行图像融合，本申请图像融合采用线性融合算法，其计算简单，在CT图像上将肿瘤区域框起来方便后续手术处理。

[0067] 至此，本实施中的CT影像处理模块输出了肿瘤区域，以及肿瘤区域的真正检测结果T，其中肿瘤区域反应了肿瘤准确的定位信息。

[0068] 另外，本实施例提供的可视化模块将肿瘤区域以及真正检测结果T显示在显示器上，方便医生来观察肿瘤的特征，并显示出肿瘤的大小；机器学习模块将真正检测结果T输入到训练好的机器学习模型中根据确定肿瘤的生长形式、浸润性的生长程度以及周围边界是否清晰等肿瘤性质，基于肿瘤性质结合病理检查获得肿瘤的恶性等级，并将恶性等级显示在可视化模块中，本实施例选用的机器学习模型是全连接神经网络，其他实施例可以使用随机森林等机器学习模型；肿瘤消融导航模块，包括消融针，用于根据肿瘤区域的位置进行热消融针导航，对最终肿瘤区域的电压进行模拟建模，根据电势分布获取电场强度分布模型，以此得到消融区域并将消融针的位置和消融区域的大小也实时显示在可视化模块中。

[0069] 具体地，本实施例中所使用的一种具有精准定位功能的计算机辅助肿瘤消融导航系统中可视化模块包含一个显示屏用于显示；另外该系统还包含数据处理单元，例如一个CPU，其中的计算机程序用于执行CT影像处理模块所需的上述方法，并且该数据处理单元还运行机器学习模块中的机器学习模型；该数据处理单元与显示屏连接，保证显示屏能够显示数据处理单元输出的数据，例如将肿瘤区域、真正检测结果T以及肿瘤的恶性等级；该系统还包括存储单元，例如机械硬盘以及内存条等缓存设备，用于存储采集到的CT影像、存储获得的肿瘤区域等数据，存储单元与数据处理单元来连接，保证数据处理单元能够从存储单元读取数据；该系统还包括CT影像设备，CT设备，该设备输出的CT影像被存储在存储单元上；该系统的肿瘤消融导航模块包括肿瘤消融设备，肿瘤消融设备和数据处理单元相连，数据处理单元将获得的肿瘤区域发送给肿瘤消融设备，为肿瘤消融设备的消融针提供引导。

[0070] 需要说明的是，本实施例提供的可视化模块、机器学习模块、肿瘤消融导航模块并非本发明重点，因此实施者可根据具体需求进行实施，本实施例不再详细赘述。

[0071] 以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。