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，MSC表示边界清晰度系数；

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；

其中，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，Mx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，Mi表示第i个顶点的边界采样点增长速度，N表示强度差，Si表示sigmoid曲线，Si+1表示Si经过x＝d轴对称后的曲线，M2d‑x表示Mx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；

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Mi计算测量梯度，具体公式如下：其中，Gm表示测量梯度，δ表示幅值尺度变化指数，θ表示Mi的推导常数；

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；

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Lr；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,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：Li＝αMi+β

其中，Li表示time1‑time2两个时间点第i个采样顶点脑胶质瘤的侵袭距离，α、β表示相关常数；

利用SPSS统计学软件包中的Cochran‑Armitage趋势卡方检验，根据实际侵袭距离和预测侵袭距离验证脑胶质瘤的侵袭与MSC之间的相关性，在Bland‑Altman检验中P<0.05，说明实际梯度和测量梯度之间呈现相同的变化趋势，则侵袭距离与MSC度量值相关。

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。

3.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至2中任一项所述系统的步骤。

4.一种计算机可读的存储介质，所述计算机可读的存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行所述权利要求1至2中任一项所述的系统。