在诊断肿瘤疾病时,计算肿瘤体积是很重要的一环。给定病灶扫描切片中标注出的疑似肿瘤区域,请你计算肿瘤的体积。
输入格式:
输入第一行给出4个正整数:M、N、L、T,其中M和N是每张切片的尺寸(即每张切片是一个M×N的像素矩阵。最大分辨率是1286×128);L(≤60)是切片的张数;T是一个整数阈值(若疑似肿瘤的连通体体积小于T,则该小块忽略不计)。
最后给出L张切片。每张用一个由0和1组成的M×N的矩阵表示,其中1表示疑似肿瘤的像素,0表示正常像素。由于切片厚度可以认为是一个常数,于是我们只要数连通体中1的个数就可以得到体积了。麻烦的是,可能存在多个肿瘤,这时我们只统计那些体积不小于T的。两个像素被认为是“连通的”,如果它们有一个共同的切面,如下图所示,所有6个红色的像素都与蓝色的像素连通。

输出格式:
在一行中输出肿瘤的总体积。
输入样例:
3 4 5 2
1 1 1 1
1 1 1 1
1 1 1 1
0 0 1 1
0 0 1 1
0 0 1 1
1 0 1 1
0 1 0 0
0 0 0 0
1 0 1 1
0 0 0 0
0 0 0 0
0 0 0 1
0 0 0 1
1 0 0 0
输出样例:
26
三维bfs。下面代码中DFS、BFS都有实现,DFS会段错误。
#include <bits/stdc++.h>
using namespace std;
int pic[1300][140][70];
int M,N,L,T;
int dx[] = {1,-1,0,0,0,0};
int dy[] = {0,0,1,-1,0,0};
int dz[] = {0,0,0,0,1,-1};
typedef struct P
{
int px,py,pz;
}P;
bool inline isValid(int x,int y,int z)
{
return x >= 1 && x <= M && y >= 1 && y <= N && z >= 1 && z <= L;
}
int dfs(int x,int y,int z)
{
pic[x][y][z] = 0;
int sum = 0;
int nx,ny,nz;
for(int i = 0;i < 6; i++)
{
nx = x + dx[i];
ny = y + dy[i];
nz = z + dz[i];
if(isValid(nx,ny,nz) && pic[nx][ny][nz] == 1)
sum += 1+dfs(nx,ny,nz);
}
return sum;
}
int bfs(int x,int y,int z)
{
queue<P> q;
q.push(P{x,y,z});
pic[x][y][z] = 0;
int count = 0,nx,ny,nz;
while(!q.empty())
{
P u = q.front();
q.pop();
count++;
for(int i = 0;i < 6; i++)
{
nx = u.px + dx[i];
ny = u.py + dy[i];
nz = u.pz + dz[i];
if(isValid(nx,ny,nz) && pic[nx][ny][nz] == 1)
{
pic[nx][ny][nz] = 0;
q.push(P{nx,ny,nz});
}
}
}
return count;
}
int main(int argc, char const *argv[])
{
cin >> M >> N >> L >> T;
for(int i = 1;i <= L; i++)
{
for(int j = 1;j <= M; j++)
{
for(int k = 1;k <= N; k++)
cin >> pic[j][k][i];
}
}
int ans = 0;
for(int i = 1;i <= L; i++)
{
for(int j = 1;j <= M; j++)
{
for(int k = 1;k <= N; k++)
{
if(pic[j][k][i] == 1)
{
// int temp = dfs(i,j,k) + 1;
int temp = bfs(j,k,i);
if(temp >= T)
ans += temp;
}
}
}
}
cout << ans << endl;
return 0;
}
本文介绍了一种基于三维BFS算法计算肿瘤体积的方法,通过遍历疑似肿瘤区域的连通体,统计体积大于阈值的肿瘤,适用于肿瘤疾病的诊断。代码实现了DFS和BFS两种算法,但DFS在实际应用中可能会导致段错误。
1245

被折叠的 条评论
为什么被折叠?



