良性肿瘤发展趋势评估系统、计算机装置及储存介质的制作方法

本发明涉及一种良性肿瘤发展趋势评估系统、其伺服计算机装置及计算机可读取的储存介质，特别涉及一种用于在放射线处理良性肿瘤前、或放射线处理良性肿瘤后进行其发展趋势评估的系统、伺服计算机装置及计算机可读取的储存介质。

背景技术：

良性肿瘤虽然仅局限于发生部位，不会转移扩散，但仍会增生变大，进而压迫周围组织，且依据发生部位，对于患者有不同影响。举例来说，神经系统的良性肿瘤例如前庭神经鞘瘤(vestibularschwannoma，vs，又称为「听神经瘤」)，起源于前庭耳蜗神经的许旺细胞，是最常见的神经鞘瘤。尽管vs是良性肿瘤，但仍可能导致前庭神经功能受损，并可能因肿瘤的进展或治疗的副作用而产生听力受损、耳鸣、晕眩、面部神经麻痹等风险。

目前已有许多不同的放射处理方法可用于治疗良性肿瘤，例如伽玛刀放射手术(gammakniferadiosurgery，gkrs)。虽然gkrs是一种治疗vs的有效方法，长期肿瘤控制率超过90％，且产生并发症的风险较低，但对于部分患者仍可能有一些问题产生。其一是部分患者可能发生治疗失败的风险；其二是部分患者在进行gkrs后肿瘤肿胀而导致短暂性的肿瘤生长，即假性进展。前述暂时性的假性进展目前只能通过时间间隔与实际肿瘤进展区分。肿瘤的假性进展通常发生在放射处理后的6至18个月内，而实际的肿瘤进展则可在放射处理后的至少2年内确诊。上述两个问题目前仅能在进行放射处理后才能观察到，故容易造成患者及医护人员的心理压力，且目前无法依据不同的患者提供不同的临床建议，以提高治疗的效果。

另外，一般来说，在进行gkrs以前，要先由有经验的外科医生针对肿瘤的影像，进行反复手动圈选肿瘤区域的轮廓，来辨识肿瘤位置，以进行肿瘤体积测量，进而确定治疗区域和治疗剂量。此方式不仅较主观且较耗时。

综上所述，目前公知的良性肿瘤处理方法，在进行放射处理之前，需先由外科医师对肿瘤的影像进行手动圈选，来确认治疗区域与剂量，此方式不仅较主观且较耗时，更无法预先得知患者对于放射处理的反应，以针对不同患者提供除了放射处理以外的临床处理建议。若能在患者进行良性肿瘤放射处理前，事先自动针对其肿瘤影像，评估其肿瘤针对放射处理的反应，再依据评估结果建议患者进行放射处理或其他处理(例如开刀处理)，将对良性肿瘤的治疗带来极大的帮助。

因此，现仍亟需提供一种可自动依据肿瘤影像来评估患者未来的肿瘤发展趋势的评估系统，可依据评估结果提供医护人员不同的建议，以针对不同的患者分别提供优选的处理方法，进而提高处理的效果，以避免因处理结果不佳而使患者产生疑虑并造成医护人员的心理压力。

技术实现要素：

本发明的目的为提供一种自动依据肿瘤影像来评估患者未来的肿瘤发展趋势的评估系统，其可依据评估结果提供医护人员不同的建议，以针对不同的患者分别提供优选的处理方法，进而提高良性肿瘤的处理效果。另外，其也可用来预测该患者是否可能出现肿瘤假性进展，以提早告知患者，有助于减少患者的疑虑及医护人员的压力。

为达上述目的，本发明提供一种良性肿瘤发展趋势评估系统，包括影像输出装置以及伺服计算机装置。影像输出装置用以输出在良性肿瘤的同一位置所提取的第一影像及第二影像。伺服计算机装置包括影像接收模块、影像前置处理模块、目标物抽出模块、特征抽出模块及趋势分析模块。影像接收模块接收第一影像及第二影像。影像前置处理模块分别对第一影像及第二影像进行影像前置处理，以分别得到第一局部影像及第二局部影像。目标物抽出模块分别对第一局部影像及第二局部影像进行自动检测并圈选出良性肿瘤的位置，以分别得到第一感兴趣区域(roi)影像及第二感兴趣区域影像。特征抽出模块分别对第一感兴趣区域影像及第二感兴趣区域影像进行自动识别，以分别得到至少一个第一特征及至少一个第二特征。趋势分析模块将至少一个第一特征及至少一个第二特征进行分析，以得到肿瘤发展趋势分析结果，以供判断肿瘤发展趋势。

在一个实施例中，影像前置处理模块包括影像调整单元、影像校正单元以及局部影像提取单元。影像调整单元分别对第一影像及第二影像的亮度、清晰度进行调整并去除背景，以得到第一调整影像及第二调整影像。影像校正单元以第一调整影像校正第二调整影像的位置，以得到第一校正影像及第二校正影像。局部影像提取单元分别对第一校正影像及第二校正影像进行局部影像提取，以得到第一局部影像及第二局部影像，其中，第一局部影像及第二局部影像涵盖良性肿瘤及良性肿瘤附近组织的影像。

在一个实施例中，第一影像及第二影像为治疗前的影像或治疗后的影像，当第一影像及第二影像为治疗前的影像时，肿瘤发展趋势分析结果为预测良性肿瘤对放射处理无反应、或预测良性肿瘤对放射处理有反应；当第一影像及第二影像为治疗后的影像时，肿瘤发展趋势分析结果为判断良性肿瘤对放射处理无反应、或判断良性肿瘤对放射处理有反应。

在一个实施例中，当肿瘤发展趋势分析结果为良性肿瘤对放射处理有反应时，为良性肿瘤对放射处理有反应但有假性进展、或良性肿瘤对放射处理有反应且无假性进展。

在一个实施例中，伺服计算机装置进一步包括判断模块，依据肿瘤发展趋势分析结果产生判断结果。

在一个实施例中，当第一影像及第二影像为治疗前的影像，且肿瘤发展趋势分析结果为预测良性肿瘤对放射处理无反应时，判断结果为进行其他处理；当第一影像及第二影像为治疗前的影像，且肿瘤发展趋势分析结果为预测良性肿瘤对放射处理有反应时，判断结果为建议进行放射处理；当第一影像及第二影像为治疗后的影像，且肿瘤发展趋势分析结果为判断良性肿瘤对放射处理无反应时，判断结果为建议进行其他处理；以及当第一影像及第二影像为治疗后的影像，且肿瘤发展趋势分析结果为判断良性肿瘤对放射处理有反应时，判断结果为建议持续追踪。

在一个实施例中，趋势分析模块系储存有多个趋势路径，趋势分析模块借助至少一个第一特征及至少一个第二特征与这些趋势路径进行分析，其中这些趋势路径是通过趋势分析模块对多个参考影像进行分析所获得。

在一个实施例中，伺服计算机装置进一步包括判断结果输出模块，输出判断结果。

在一个实施例中，伺服计算机装置进一步包括处理器，处理器执行影像接收模块、影像前置处理模块、目标物抽出模块、特征抽出模块、趋势分析模块、判断模块及判断结果输出模块。

在一个实施例中，良性肿瘤发展趋势评估系统进一步包括用户计算机装置，用以接收伺服计算机装置输出的判断结果。

在一个实施例中，第一影像与第二影像的对比度不同，至少一个第一特征包含纹路特征、或灰阶特征，至少一个第二特征包含纹路特征、或灰阶特征。

在一个实施例中，良性肿瘤为听神经瘤、脑膜瘤、脑下垂体肿瘤、神经细胞瘤、或颅咽管瘤。

为达上述目的，本发明另提供一种伺服计算机装置，应用于良性肿瘤发展趋势评估系统。良性肿瘤发展趋势评估系统包括影像输出装置以及伺服计算机装置。伺服计算机装置包括影像接收模块、影像前置处理模块、目标物抽出模块、特征抽出模块以及趋势分析模块。影像接收模块接收在良性肿瘤的同一位置所提取的第一影像及第二影像。影像前置处理模块分别对第一影像及第二影像进行影像前置处理，以分别得到第一局部影像及第二局部影像。目标物抽出模块分别对第一局部影像及第二局部影像进行自动检测并圈选出良性肿瘤的位置，以分别得到第一感兴趣区域影像及第二感兴趣区域影像。特征抽出模块分别对第一感兴趣区域影像及第二感兴趣区域影像进行自动识别，以分别得到至少一个第一特征及至少一个第二特征。趋势分析模块将至少一个第一特征及至少一个第二特征进行分析，以得到肿瘤发展趋势分析结果，以供判断肿瘤发展趋势。

在一个实施例中，伺服计算机装置进一步包括判断模块，依据肿瘤发展趋势分析结果产生判断结果。

在一个实施例中，影像前置处理模块包括影像调整单元、影像校正单元以及局部影像提取单元。影像调整单元分别对第一影像及第二影像的亮度、清晰度进行调整并去除背景，以得到第一调整影像及第二调整影像。影像校正单元以第一调整影像校正第二调整影像的位置，以得到第一校正影像及第二校正影像。局部影像提取单元分别对第一校正影像及第二校正影像进行局部影像提取，以得到第一局部影像及第二局部影像，其中，第一局部影像及第二局部影像涵盖良性肿瘤及良性肿瘤附近组织的影像。

在一个实施例中，伺服计算机装置进一步包括处理器，处理器执行影像接收模块、影像前置处理模块、目标物抽出模块、特征抽出模块、趋势分析模块及判断模块。

为达上述目的，本发明又提供一种计算机可读取的储存介质，应用于前述良性肿瘤发展趋势评估系统，储存介质储存如前所述的模块，这些模块可供计算机装置的处理器执行。

综上所述，本发明的肿瘤发展趋势评估系统可自动依据肿瘤影像来评估患者未来的肿瘤发展趋势，其可依据评估结果提供医护人员不同的建议，以针对不同的患者分别提供优选的处理方法，进而提高良性肿瘤的处理效果。另外，其也可用于评估该患者是否可能出现肿瘤假性进展，以提早告知患者，更有助于减少患者的疑虑及医护人员的压力。

附图说明

图1a为本发明良性肿瘤发展趋势评估系统的优选实施例的示意图。

图1b为图1a所示的影像前置处理模块的示意图。

图2为本发明良性肿瘤发展趋势评估系统的伺服计算机装置的示意图。

图3为本发明良性肿瘤发展趋势评估系统的实施流程示意图。

图4a至图4e为本发明良性肿瘤发展趋势评估系统所处理的肿瘤影像的示意图。图4a显示第一影像及第二影像的示意图；图4b显示第一调整影像及第二调整影像的示意图；图4c显示第一校正影像及第二校正影像的示意图；图4d显示第一局部影像及第二局部影像的示意图；图4e显示第一感兴趣区域影像及第二感兴趣区域影像的示意图。

图5a至图5c为本发明良性肿瘤发展趋势评估系统利用肿瘤特征以得到肿瘤发展趋势分析结果的示意图，其中该肿瘤发展趋势分析结果为肿瘤对放射处理无反应、或肿瘤对放射处理有反应。图5a显示多个参考影像的肿瘤特征的3d分布图；图5b是由图5a的肿瘤特征分布转换的预测模型得分图；图5c是用于评估肿瘤对放射处理无反应、或肿瘤对放射处理有反应的接收者操作特征曲线图。

图6a至图6c为本发明良性肿瘤发展趋势评估系统利用肿瘤特征以得到肿瘤发展趋势分析结果的示意图，其中该肿瘤发展趋势分析结果为肿瘤对放射处理有反应但有假性进展、或肿瘤对放射处理有反应且无假性进展。图6a显示多个参考影像的肿瘤特征的3d分布图；图6b是由图6a的肿瘤特征分布转换的预测模型得分图；图6c是用于评估肿瘤对放射处理有反应但有假性进展、或肿瘤对放射处理有反应且无假性进展的接收者操作特征曲线图。

具体实施方式

以下将参照相关附图，说明依据本发明良性肿瘤发展趋势评估系统、伺服计算机装置及计算机可读取的储存介质的优选实施例，其中相同的元件将以相同的附图标记加以说明。

本发明的肿瘤发展趋势评估系统可自动依据肿瘤影像来评估患者未来的肿瘤发展趋势，其可依据评估结果提供医护人员不同的建议，以针对不同的患者分别提供优选的处理方法，进而提高良性肿瘤的处理效果。另外，其也可用于评估该患者是否可能出现肿瘤假性进展，以提早告知患者，更有助于减少患者的疑虑及医护人员的压力。

除非另外定义，否则本文使用的所有技术和科学术语具有与本发明所属技术领域的通常知识者理解的相同的含义。尽管在本发明的测试实验中可以使用与本文描述的那些相似或等同的任何方法和材料，但是本文描述了优选的材料和方法。在描述和要求保护本发明时，将使用以下术语。应该理解的是，这里使用的术语的目的仅用于描述特定实施例，而非对本发明的限制。

术语「良性肿瘤」是指局限于发生部位，不会转移或扩散的肿瘤，例如但不限于听神经瘤、脑膜瘤、脑下垂体肿瘤、神经细胞瘤、或颅咽管瘤，在本文中，术语「良性肿瘤」也可简称为「肿瘤」。

术语「肿瘤进展」是指肿瘤持续生长而变大(持续变大)。

术语「假性进展」是指在进行治疗或处理后肿瘤会先肿大而导致短暂性的肿瘤生长，之后肿瘤会渐渐萎缩而变小(变大再变小)，与肿瘤进展(持续变大)不同。

在本文中，术语「放射处理」是指以放射线进行放射手术，例如但不限于伽玛刀放射手术、电脑刀(cyberknife)放射手术、光子刀(photonknife)放射手术、或是其他本领域技术人员公知可用于治疗良性肿瘤的放射处理方法。

术语「u-net神经网络」又称为「3du-net神经网络」或「3d单路径u-net神经网络」是指一种由卷积神经网络(cnn)衍伸出的一种神经网络，特别用于医疗影像的分析，u-net神经网络用于分析医疗影像的实例请参照如wangg等人，在automaticsegmentationofvestibularschwannomafromt2-weightedmribydeepspatialattentionwithhardness-weightedloss.arxivpreprintarxiv:190603906.2019的文献及ronnebergero等人，在convolutionalnetworksforbiomedicalimagesegmentation.internationalconferenceonmedicalimagecomputingandcomputer-assistedintervention:springer；2015.p.234-41的文献中所述内容，u-net神经网络由23层卷积组成，并池化4次。在u-net神经网络中，在同一个卷积层中，仅使用同一大小的内核(kernel)进行医疗影像的分割，例如但不限于3x3x3。

术语「3d双路径u-net神经网络」是指将「u-net神经网络」改良后的神经网络，在本实施例中，是由10层卷积组成，并池化2次。在3d双路径u-net神经网络，在同一个卷积层中，分别使用两个不同大小的内核进行医疗影像的分割，例如但不限于3x3x1及1x1x3，可通过3x3x1分析影像的平面部分(沿着影像的x-y轴)、同时通过1x1x3分析影像的立体部分(沿着影像的z轴)。因此相比「u-net神经网络」，对于医疗影像的分析能更精确。

术语「第一」、「第二」在本文仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。

请参照图1a，图1a为本发明良性肿瘤发展趋势评估系统的优选实施例的示意图。在本实施例中，良性肿瘤发展趋势评估系统100包括影像输出装置1以及伺服计算机装置2。

请同时参照图1a及图4a，图4a至图4e为本发明良性肿瘤发展趋势评估系统所处理的肿瘤影像的示意图。图4a显示第一影像及第二影像的示意图。影像输出装置1用以输出在良性肿瘤的同一位置所提取的第一影像i11及第二影像i21。举例来说，良性肿瘤例如但不限于为听神经瘤、脑膜瘤、脑下垂体肿瘤、神经细胞瘤、或颅咽管瘤。第一影像i11及第二影像i21为核磁共振造影(magneticresonanceimaging，mri)影像，且第一影像i11与第二影像i21的对比度不同。换言之，第一影像i11及第二影像i21是在良性肿瘤的同一位置，用核磁共振造影仪器以不同参数进行造影所得到的影像，例如但不限于t1-加权(t1-weighted，t1w)、t2-加权(t2-weighted，t2w)、或t1-加权对比增强(t1-weightedgadoliniumcontrastenhanced，t1w+c)的影像。举例来说，第一影像i11及第二影像i21可以是t1w影像、t2w影像、或t1w+c影像，但两者不同。也就是说，当第一影像i11是t1w影像时，第二影像i21可以是t1w+c影像或t2w影像；当第一影像i11是t2w影像时，第二影像i21可以是t1w影像或t1w+c影像；当第一影像i11是t1w+c影像时，第二影像i21可以是t1w影像或t2w影像。优选的，第一影像i11是t1w+c影像，第二影像i21是t2w影像。

如图1a所示，在本实施例中，伺服计算机装置2包括影像接收模块21、影像前置处理模块22、目标物抽出模块23、特征抽出模块24及趋势分析模块25。

请同时参照图1a及图4a至图4e，用以解释各个模块的作用。图4b显示第一调整影像及第二调整影像的示意图；图4c显示第一校正影像及第二校正影像的示意图；图4d显示第一局部影像及第二局部影像的示意图；图4e显示第一感兴趣区域影像及第二感兴趣区域影像的示意图。

如图1a及图4a所示，影像接收模块21用以接收影像输出装置1所输出的第一影像i11及第二影像i21。

如图1a、图1b、图4a至图4d所示，图1b为图1a所示的影像前置处理模块的示意图。影像前置处理模块22分别对第一影像i11及第二影像i21进行影像前置处理，以分别得到第一局部影像i14及第二局部影像i24。详细而言，请同时参照图1a及图1b，影像前置处理模块22可包括影像调整单元221、影像校正单元222以及局部影像提取单元223。影像调整单元221分别对第一影像i11及第二影像i21的亮度、清晰度进行调整并去除背景，以得到第一调整影像i12及第二调整影像i22。影像校正单元222以第一调整影像i12校正第二调整影像i22的位置，以得到第一校正影像i13及第二校正影像i23。局部影像提取单元223分别对第一校正影像i13及第二校正影像i23进行局部影像提取，以得到第一局部影像i14及第二局部影像i24。也就是说，影像前置处理模块22对第一影像i11及第二影像i21进行亮度、清晰度的调整之后，再将背景(例如定位点、屏蔽(mask))去除后，再以其中一个影像的位置校正另一个影像的位置，使两者的亮度、清晰度、位置都校正完成之后，再提取良性肿瘤(包括良性肿瘤附近组织)的局部影像，以得到第一局部影像i14及第二局部影像i24。

如图1a、图4d至图4e所示，目标物抽出模块23分别对第一局部影像i14及第二局部影像i24进行自动检测并圈选出良性肿瘤的位置，以分别得到第一感兴趣区域(roi)影像i15及第二感兴趣区域影像i25。举例来说，目标物抽出模块23可以是通过卷积神经网络(convolutionalneuralnetwork，cnn)分别对第一局部影像i14及第二局部影像i24进行自动检测并圈选出良性肿瘤的位置。优选的，目标物抽出模块23可以是通过其他能在影像中自动检测并圈选出良性肿瘤的位置的卷积神经网络分别对第一局部影像i14及第二局部影像i24进行自动检测并圈选出良性肿瘤的位置，例如但不限于u-net神经网络(3d单路径u-net神经网络)、或3d双路径u-net神经网络；优选的，目标物抽出模块23是通过3d双路径u-net神经网络分别对第一局部影像i14及第二局部影像i24进行自动检测并圈选出良性肿瘤的位置。

特征抽出模块24分别对第一感兴趣区域影像i15及第二感兴趣区域影像i25进行自动识别，以分别得到至少一个第一特征及至少一个第二特征。举例而言，至少一个第一特征例如但不限于纹路特征、或灰阶特征、或纹路特征加灰阶特征，至少一个第二特征例如但不限于纹路特征、或灰阶特征、或纹路特征加灰阶特征。纹路特征及灰阶特征包括但不限于第一感兴趣区域影像及第二感兴趣区域影像的局部二值模式平均值(meanoflocalbinarypatterns，meanoflbp)、长程低灰阶优势(longrunlowgray-levelemphasis，lrlgle)、偏度(skewness)、标准偏差(standarddeviation)、均方根(rootmeansquare)，其中局部二值模式平均值是利用局部二值模式滤波器对第一感兴趣区域影像或第二感兴趣区域影像进行分析而得；长程低灰阶优势是利用灰阶长度矩阵(gray-levelrun-lengthmatrix，glrlm)滤波器对第一感兴趣区域影像或第二感兴趣区域影像进行分析而得；偏度(skewness)、标准偏差(standarddeviation)、及均方根(rootmeansquare)是利用直方图(histogram)滤波器对第一感兴趣区域影像或第二感兴趣区域影像进行分析而得。举例来说，特征抽出模块24可以是通过卷积神经网络(cnn)分别利用不同滤波器对第一感兴趣区域影像i15及第二感兴趣区域影像i25进行自动识别，以分别得到至少一个第一特征及至少一个第二特征。优选的，特征抽出模块24可以是通过其他能在影像中自动识别肿瘤特征的卷积神经网络分别利用不同滤波器对第一感兴趣区域影像i15及第二感兴趣区域影像i25进行分析，例如但不限于3d单路径u-net神经网络、或3d双路径u-net神经网络；优选的，特征抽出模块24是通过3d双路径u-net神经网络分别利用不同滤波器对第一感兴趣区域影像i15及第二感兴趣区域影像i25进行分析。

趋势分析模块25将至少一个第一特征及至少一个第二特征进行分析，以得到肿瘤发展趋势分析结果，以供判断肿瘤发展趋势。第一影像及第二影像可以为治疗前的影像或治疗后的影像。当第一影像及第二影像为治疗前的影像时，肿瘤发展趋势分析结果可以为预测良性肿瘤对放射处理无反应、或预测良性肿瘤对放射处理有反应；当第一影像及第二影像为治疗后的影像时，肿瘤发展趋势分析结果可以为判断良性肿瘤对放射处理无反应、或判断良性肿瘤对放射处理有反应。当肿瘤发展趋势分析结果为良性肿瘤对放射处理有反应时，可以为良性肿瘤对放射处理有反应但有假性进展、或良性肿瘤对放射处理有反应且无假性进展。于此，良性肿瘤对放射处理无反应、或良性肿瘤对放射处理有反应是指用于预测/判断对良性肿瘤进行放射处理后，良性肿瘤是否有变化，有变化(包括变大或变小)即为良性肿瘤对放射处理有反应，无变化即为良性肿瘤对放射处理无反应。当肿瘤发展趋势分析结果为良性肿瘤对放射处理有反应(包括肿瘤变大或肿瘤变小)时，可以为良性肿瘤对放射处理有反应但有假性进展(肿瘤先变大再变小)、或良性肿瘤对放射处理有反应且无假性进展(肿瘤变小)。举例来说，趋势分析模块25可以是通过例如但不限于支持向量机(supportvectormachine，svm)、手动、或差距分析(gapanalysis)将至少一个第一特征及至少一个第二特征进行分析，以得到肿瘤发展趋势分析结果。优选的，趋势分析模块25是通过支持向量机对至少一个第一特征及至少一个第二特征进行分析。在本实施例中，趋势分析模块25可储存有多个趋势路径，趋势分析模块25借助至少一个第一特征及至少一个第二特征与这些趋势路径进行分析。这些趋势路径是通过趋势分析模块25对多个参考影像进行分析所获得。详细而言，良性肿瘤发展趋势评估系统100可具有多个参考影像，这些参考影像可以储存在数据库或是趋势分析模块25中，趋势分析模块25通过例如但不限于支持向量机对这些参考影像进行分析后可获得多个趋势路径，并将这些趋势路径储存在趋势分析模块25中。当趋势分析模块25通过例如但不限于支持向量机对至少一个第一特征及至少一个第二特征进行分析时，是借助至少一个第一特征及至少一个第二特征与这些趋势路径进行分析，以分析该至少一个第一特征及该至少一个第二特征较符合哪一个趋势路径，详细的过程在后面描述，在此不重复赘述。

请再参照图1a及图4a，在本实施例中，伺服计算机装置2可进一步包括判断模块26，依据肿瘤发展趋势分析结果产生判断结果。在另一实施例中，伺服计算机装置2可进一步包括判断结果输出模块27，用于输出判断结果。详细而言，第一影像i11及第二影像i21可以是治疗前、或治疗后的影像，当第一影像i11及第二影像i21为治疗前的影像，且肿瘤发展趋势分析结果为预测良性肿瘤对放射处理无反应时，判断结果为建议进行其他处理；当第一影像i11及第二影像i21为治疗前的影像，且肿瘤发展趋势分析结果为预测良性肿瘤对放射处理有反应(包括良性肿瘤对放射处理有反应但有假性进展、或良性肿瘤对放射处理有反应且无假性进展)时，判断结果为建议进行放射处理；当第一影像i11及第二影像i21为治疗后的影像，且肿瘤发展趋势分析结果为判断良性肿瘤对放射处理无反应时，判断结果为建议进行其他处理；当第一影像i11及第二影像i21为治疗后的影像，且肿瘤发展趋势分析结果为判断良性肿瘤对放射处理有反应(包括良性肿瘤对放射处理有反应但有假性进展、或良性肿瘤对放射处理有反应且无假性进展)时，判断结果为建议持续追踪。

请再参照图1a，在本实施例中，伺服计算机装置2可进一步包括处理器s1，处理器s1执行如前所述的影像接收模块21、影像前置处理模块22、目标物抽出模块23、特征抽出模块24、趋势分析模块25、判断模块26及判断结果输出模块27，以进行如前所述的处理流程。

请再参照图1a，在本实施例中，良性肿瘤发展趋势评估系统100可进一步包括用户计算机装置3，用以接收伺服计算机装置2输出的判断结果。

请参照图2并同时参照图1a，图2为本发明良性肿瘤发展趋势评估系统的伺服计算机装置的示意图。伺服计算机装置2应用于良性肿瘤发展趋势评估系统100。良性肿瘤发展趋势评估系统100包括影像输出装置1以及伺服计算机装置2。伺服计算机装置2可包括如前所述的模块，各模块执行的处理程序及功能已在前面详细描述，在此不再重复赘述。

如图2所示，伺服计算机装置2可进一步包括计算机可读取的储存介质s2、通信元件s3、显示元件s4、输入元件s5、以及壳体(图未示)，伺服计算机装置2可以例如是服务器、手机、平板、笔记本电脑、桌面计算机或其他计算机装置。服务器、手机、平板、笔记本电脑、桌面计算机包括壳体来容置处理器s1、计算机可读取的储存介质s2、及通信元件s3；手机、平板、笔记本电脑的显示元件s4及输入元件s5是安装在壳体上，服务器、桌面计算机连接主机以外的显示元件s4及输入元件s5。

处理器s1耦接计算机可读取的储存介质s2、通信元件s3、显示元件s4、及输入元件s5，配置来执行如前所述的影像接收模块21、影像前置处理模块22、目标物抽出模块23、特征抽出模块24、趋势分析模块25、判断模块26及判断结果输出模块27。处理器s1例如是能执行模块(例如模块、程序代码或指令)的处理器s1，伺服计算机装置2可包括一个或多个处理器s1，处理器s1可包括一个或多个核心。计算机可读取的储存介质s2包括随机存储器或非易失性计算机可读取的储存介质等，非易失性计算机可读取的储存介质例如是硬盘、固态硬盘(ssd)、闪存等，其储存处理器s1可执行的模块(例如模块、程序代码或指令)，处理器s1可以将模块(例如模块、程序代码或指令)从非易失性计算机可读取的储存介质载入至随机存储器并加以执行。通信元件s3例如是网络卡、网络芯片、调制解调器等能提供网络连线的装置。显示元件s4包括显示卡、显示芯片、显示器等，输入元件s5例如是键盘、鼠标或触控屏幕等。

在上述实施例中，是将影像接收模块21、影像前置处理模块22、目标物抽出模块23、特征抽出模块24、趋势分析模块25、判断模块26及判断结果输出模块27以软件(software)形式存取在计算机可读取的储存介质s2中且可供计算机装置的处理器s1执行为例，然而，影像接收模块21、影像前置处理模块22、目标物抽出模块23、特征抽出模块24、趋势分析模块25、判断模块26及判断结果输出模块27也可以软件(software)形式存取在处理器s1的随机存储器中(图未示)；或者，影像接收模块21、影像前置处理模块22、目标物抽出模块23、特征抽出模块24、趋势分析模块25、判断模块26及判断结果输出模块27可以是硬件(hardware)形式(例如但不限于特殊应用集成电路，asic)，与处理器s1耦接(图未示)以执行其功能；或者，影像接收模块21、影像前置处理模块22、目标物抽出模块23、特征抽出模块24、趋势分析模块25、判断模块26及判断结果输出模块27可以是固件(firmware)形式，例如嵌入特殊应用集成电路的软件(图未示)，本发明并无限制。

另外，用户计算机装置3也可包括处理器、计算机可读取的储存介质、通信元件、显示元件、输入元件、以及壳体(图未示)，用户计算机装置3可以例如是手机、平板、笔记本电脑、桌面计算机或其他计算机装置。手机、平板、笔记本电脑、桌面计算机包括壳体来容置处理器、计算机可读取的储存介质、及通信元件；手机、平板、笔记本电脑的显示元件及输入元件是安装在壳体上，桌面计算机连接主机以外的显示元件及输入元件。用户计算机装置3通过例如但不限于网络与伺服计算机装置2通信连接，用以接收伺服计算机装置2输出的判断结果。

请参照图3并同时参照图1a、图1b、图4a至图4e，用以说明本发明良性肿瘤发展趋势评估系统100的运作方式。图3为本发明良性肿瘤发展趋势评估系统的实施流程示意图。如图所示，首先，通过影像输出装置1将在良性肿瘤的同一位置所提取第一影像i11及第二影像i21输出至伺服计算机装置2。接着，伺服计算机装置2通过影像接收模块21接收影像输出装置1所输出的第一影像i11及第二影像i21。伺服计算机装置2再通过影像前置处理模块22分别对第一影像i11及第二影像i21进行影像前置处理，以分别得到第一局部影像i14及第二局部影像i24，其中，影像前置处理包括通过影像调整单元221分别对第一影像i11及第二影像i21的亮度、清晰度进行调整并去除背景，以得到第一调整影像i12及第二调整影像i22；通过影像校正单元222以第一调整影像i12校正第二调整影像i22的位置，以得到第一校正影像i13及第二校正影像i23；通过局部影像提取单元223分别对第一校正影像i13及第二校正影像i23进行局部影像提取，以得到第一局部影像i14及第二局部影像i24。接下来，伺服计算机装置2再通过目标物抽出模块23分别对第一局部影像i14及第二局部影像i24进行自动检测并圈选出良性肿瘤的位置，以分别得到第一感兴趣区域影像i15及第二感兴趣区域影像i25。接着，伺服计算机装置2再通过特征抽出模块24分别对第一感兴趣区域影像i15及第二感兴趣区域影像i25进行自动识别，以分别得到至少一个第一特征及至少一个第二特征。接下来，伺服计算机装置2再通过趋势分析模块25将至少一个第一特征及至少一个第二特征进行分析，以得到肿瘤发展趋势分析结果。然后，伺服计算机装置2再通过判断模块26，依据肿瘤发展趋势分析结果产生判断结果后，通过判断结果输出模块27，输出该判断结果至用户计算机装置3。最后，用户计算机装置3接收伺服计算机装置2输出的判断结果。简言之，影像输出装置1输出在良性肿瘤的同一位置所提取第一影像i11及第二影像i21至伺服计算机装置2，伺服计算机装置2通过各种模块对该第一影像i11及该第二影像i21进行自动处理后，得到判断结果，并将该判断结果输出至用户计算机装置3。于此，影像输出装置1例如但不限于通用串行总线(universalserialbus，usb)端口、光盘片、磁盘片、计算机装置、或核磁共振造影仪器等可储存并输出影像的装置。伺服计算机装置2、用户计算机装置3的实例已在前面详细描述，在此不再重复赘述。

实验例

参考影像数据库

参考影像来自中国台湾台北荣民总医院在1993年至2019年所治疗的336例患者，这些患者患有听神经瘤，没有进行开颅手术以切除肿瘤，并且在放射外科手术后至少进行了24个月的追踪(追踪中位数为65.1个月)。进行本研究的患者都已签署经该院的研究作业伦理规范审议小组(institutionalreviewboard，irb)批准的书面知情同意书。参考影像是通过使用1.5-tmr扫描仪(signahorizonlx2，gemedicalsystem)在患者接受放射处理前、放射处理后及追踪时所获得的mri影像，包括t1w+c影像、t2w影像及t1w影像，在此，放射处理是指gkrs。随后由经验丰富的神经放射科医生对放射处理前、放射处理后及追踪时的mri影像对肿瘤体积进行纵向测量(以cm³为单位)。根据vs对放射处理(gkrs)的反应，将患者进一步分为三组，包括肿瘤有反应且无假性进展(130例)，肿瘤有反应但有假性进展(135例)和肿瘤无反应(71例)。表1列出了前述三组患者的临床特征。

表1：336例vs患者的临床数据

如表1所示，表1列出了336名vs患者的临床数据。三个组别之间的患者年龄、性别、gkrs规定剂量和gkrs最大剂量无显著差异。肿瘤无反应组的肿瘤总体积显著小于肿瘤有反应且无假性进展的组别(p<0.001)。关于gkrs处理后肿瘤体积的变化，有反应且无假性进展组别在六个月至最终追踪之间，肿瘤体积从-13.1±17.4％逐渐降低至-66.0±20.6％。有反应但有假性进展的组别则不同，其在六个月追踪的影像中显示肿瘤体积显著增加(37.2±32.6％)，然后逐渐减少至-48.3±22.4％，直至最终追踪。对于肿瘤无反应组别，肿瘤体积从六个月追踪时的29.4±35.1％增加到最终追踪时的48.9±93.7％。

影像前处理

对336例患者的mri影像进行前处理，以减少影像参数的差异并提高影像图谱学(radiomics)分析的可靠性。首先执行影像清晰度(分辨率)的调整，以将所有像素大小重新采样为0.50x0.50x3.00mm³，并让每个mr成像的连续切片之间没有间隙。接着，使用六参数刚体转换和相互信息(mutualinformation)算法将同一个患者同时间拍摄的t2w影像和t1w影像以t1w+c影像进行位置校正。随后，提取良性肿瘤(包括良性肿瘤附近组织)的局部影像并圈选出良性肿瘤的位置，以得到感兴趣区域影像。

趋势路径的建立

接着，对感兴趣区域影像进行影像图谱学的分析，以计算其灰阶特征及纹路特征，并对这些特征进行统计比对，以分析3组患者之间具有显著差异的特征，用于建立趋势路径。

良性肿瘤对放射处理有反应组、或良性肿瘤对放射处理无反应组之间有显著差异的特征：

在良性肿瘤对放射处理有反应(以下简称「肿瘤有反应」、或「有反应」)和良性肿瘤对放射处理无反应(以下简称「肿瘤无反应」、或「无反应」)组别之间，有3种特征表现出显著差异(p<3.65x10^-5)，记录于下表2。分别为从t2w影像中利用直方图滤波器所获得的灰阶特征，包括标准偏差及均方根，以及从t1w+c影像中利用局部二值模式滤波器获得的纹路特征，该纹路特征为局部二值模式平均值，前述3种特征用于表示肿瘤状态为囊性或松散的组织。

表2

*llh为小波(wavelet)滤波器，其中l为低通滤波器，h为高通滤波器，3者排列的顺序表示针对影像的x、y、z轴分别使用的滤波器，也就是说，x及y轴使用低通滤波器，z轴使用高通滤波器。

良性肿瘤对放射处理有反应且无假性进展组、或良性肿瘤对放射处理有反应但有假性进展组之间有显著差异的特征：

在良性肿瘤对放射处理有反应且无假性进展组(以下简称「肿瘤有反应且无假性进展」、或「有反应且无假性进展」)和良性肿瘤对放射处理有反应但有假性进展(以下简称「肿瘤有反应但有假性进展」、或「有反应但有假性进展」)组别之间，有3个特征具有显著差异(p<3.65x10^-5)，记录于下表3。分别为从t1w+c影像中利用灰阶长度矩阵滤波器所获得的纹路特征，该纹路特征为长程低灰阶优势、及利用直方图滤波器所获得的灰阶特征，该灰阶特征为偏度；以及从t2w影像中利用直方图滤波器所获得的灰阶特征，该灰阶特征为标准偏差。值得注意的是，t2w影像所得到的标准偏差特征可用于区分肿瘤对于放射处理有反应、或无反应，当肿瘤对于放射处理有反应时，更可进一步用于区分肿瘤有反应且无假性进展、或有反应但有假性进展。

表3

将上述336名vs患者的mri影像所获得的上述特征，分别进行分析，将表2的特征用于第一次评估，将表3的特征用于第二次评估，其中，第一次评估用于建立能够区分良性肿瘤对于放射处理有反应、或无反应的趋势路径，第二次评估用于建立能够区分良性肿瘤对于放射处理有反应但有假性进展、或有反应且无假性进展的趋势路径。

用于预测/判断良性肿瘤对于放射处理有反应、或无反应

请参照图5a至图5c，用于说明第一次评估所建立的趋势路径，图5a至图5c为本发明良性肿瘤发展趋势评估系统利用肿瘤特征以得到肿瘤发展趋势分析结果的示意图，其中该肿瘤发展趋势分析结果为肿瘤对放射处理无反应、或肿瘤对放射处理有反应。如图5a所示，图5a显示多个参考影像的肿瘤特征的3d分布图，肿瘤无反应组别为空心圆点、肿瘤有反应组别为实心圆点，两个组别的局部二值模式平均值、标准偏差、均方根特征的3d分布可大致区分开来。在两个组别之间形成有灰色表面，分别建立出不同的趋势路径。当新的肿瘤影像依据前述方法得到此3种特征时，通过分析可得知其特征落在灰色表面靠近实心圆点的一侧、或灰色表面靠近空心圆点的一侧，即可得知该新的肿瘤影像的肿瘤对于放射处理为无反应、或有反应。如图5b所示，图5b是由图5a的肿瘤特征分布转换的预测模型得分图，两个组别的预测模型得分可由虚线区分开来，当新的肿瘤影像依据前述方法得到此3种特征时，通过将其特征3d分布图转换为得分，并分析该得分落在虚线以上或以下，即可得知该新的肿瘤影像的肿瘤对于放射处理为无反应、或有反应。如图5c所示，图5c是用于评估肿瘤对放射处理无反应、或肿瘤对放射处理有反应的接收者操作特征曲线图。当将前述3种特征用于预测/判断肿瘤对于放射处理为无反应、或有反应时，其平均曲线下面积(areaunderthecurve，auc)＝0.877(灵敏度＝86.4％，专一性＝90.5％，准确度＝88.4％)。前述3种特征值可通过例如但不限于利用手动、支持向量机、差距分析等不同方式来获得图5a至图5c的结果。

当预测/判断结果为有反应时，进一步预测/判断对于放射处理为有反应但有假性进展、或有反应且无假性进展

请参照图6a至图6c，用于说明第二次评估所建立的趋势路径，图6a至图6c为本发明良性肿瘤发展趋势评估系统利用肿瘤特征以得到肿瘤发展趋势分析结果的示意图，其中该肿瘤发展趋势分析结果为肿瘤对放射处理有反应但有假性进展、或肿瘤对放射处理有反应且无假性进展。如图6a所示，图6a显示多个参考影像的肿瘤特征的3d分布图，肿瘤有反应但有假性进展组别为空心圆点、肿瘤有反应且无假性进展组别为实心圆点，两个组别的长程低灰阶优势、标准偏差、偏度特征的3d分布可大致区分开来。在两个组别之间形成有灰色表面，分别建立出不同的趋势路径。当新的肿瘤影像依据前述方法得到此3种特征时，通过分析可得知其特征落在灰色表面靠近实心圆点的一侧、或灰色表面靠近空心圆点的一侧，即可得知该新的肿瘤影像的肿瘤对于放射处理为有反应且无假性进展、或有反应但有假性进展。如图6b所示，图6b是由图6a的肿瘤特征分布转换的预测模型得分图，两个组别的预测模型得分可由虚线区分开来，当新的肿瘤影像依据前述方法得到此3种特征时，通过将其特征3d分布图转换为得分，并分析该得分落在虚线以上或以下，即可得知该新的肿瘤影像的肿瘤对于放射处理为有反应且无假性进展、或有反应但有假性进展。如图6c所示，图6c是用于评估肿瘤对放射处理有反应但有假性进展、或肿瘤对放射处理有反应且无假性进展的接收者操作特征曲线图。当将前述3种特征用于预测/判断肿瘤对于放射处理为有反应且无假性进展、或有反应但有假性进展时，其auc＝0.816(灵敏度＝79.5％，专一性＝84.6％，准确度＝82.1％)。前述3种特征值可例如但不限于利用手动、支持向量机、差距分析等方法以获得图6a至图6c的结果。

综上所述，本发明的肿瘤发展趋势评估系统可自动依据肿瘤影像来评估患者未来的肿瘤发展趋势，其可依据评估结果提供医护人员不同的建议，以针对不同的患者分别提供优选的处理方法，进而提高良性肿瘤的处理效果。另外，其也可用于评估该患者是否可能出现肿瘤假性进展，以提早告知患者，更有助于减少患者的疑虑及医护人员的压力。

以上所述仅为举例性，而非为限制性。任何未脱离本发明的精神与范畴，而对其进行的等效修改或变更，均应包含于随附的权利要求范围中。