基于簡化粒子群優(yōu)化二維最大熵閾值的醫(yī)學(xué)影像分割方法
【專利摘要】一種基于簡化粒子群優(yōu)化二維最大熵閾值的醫(yī)學(xué)影像分割方法，該方法針對一種傳統(tǒng)粒子群優(yōu)化算法及二維最大熵閾值分割算法進(jìn)行簡單組合的分割方法中存在的問題提出改進(jìn)，本方法通過一種改進(jìn)的粒子群優(yōu)化算法優(yōu)化選擇二維最大熵閾值，通過二維最大熵值方法的分割效果來評價(jià)閾值優(yōu)劣，得到最優(yōu)個(gè)體，并以最優(yōu)個(gè)體對應(yīng)的參數(shù)對醫(yī)學(xué)影像進(jìn)行分割，獲得最優(yōu)醫(yī)學(xué)影像。本發(fā)明方法簡化了優(yōu)化算法中粒子的進(jìn)化過程、降低計(jì)算的復(fù)雜度，能夠快速獲得分割閾值，實(shí)現(xiàn)對原始圖像的高效分割，更能分割出條理清晰，細(xì)節(jié)鮮明的醫(yī)學(xué)影像圖，協(xié)助醫(yī)生迅速找到病灶部位，做出醫(yī)學(xué)診斷。
【專利說明】
基于簡化粒子群優(yōu)化二維最大滴闕值的醫(yī)學(xué)影像分割方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于數(shù)字圖像處理技術(shù)領(lǐng)域，設(shè)及一種基于簡化粒子群優(yōu)化二維最大賭闊 值的醫(yī)學(xué)影像分割方法。
【背景技術(shù)】
[0002] 醫(yī)學(xué)圖像的分析與處理是數(shù)字圖像處理的一個(gè)重要應(yīng)用，它通過計(jì)算機(jī)軟件程序 對醫(yī)療器械采集得到的各種影像進(jìn)行分析處理，為醫(yī)生提供相應(yīng)輔助而對病人進(jìn)行精準(zhǔn)的 診療。醫(yī)學(xué)影像分析設(shè)及多種技術(shù)，包括圖像分割，=維可視化，計(jì)算機(jī)輔助遠(yuǎn)程診療等等。 其中，圖像分割是其他分析處理技術(shù)的基礎(chǔ)，在醫(yī)學(xué)影像的處理中發(fā)揮著基礎(chǔ)性的作用。具 體來說，醫(yī)學(xué)影像分割是指從醫(yī)學(xué)影像中提取感興趣區(qū)域(Region OfInterest,ROI)的邊 界，使得分割提取得到的影像區(qū)域與其他部分能夠明顯地區(qū)分開來。
[0003] 目前，在醫(yī)學(xué)影像分割領(lǐng)域所采用的圖像分割方法主要包括:基于灰度直方圖的 分割方法、最大賭闊值分割方法、最大類間方差分割方法、基于區(qū)域的分割方法W及基于邊 緣的分割方法，等等。
[0004] 二維最大賭闊值分割方法是在一維最大賭闊值分割方法的基礎(chǔ)上推廣而來的，其 同時(shí)考慮了像素的灰度級及其鄰域平均灰度級構(gòu)成的二維直方圖，通過綜合考慮原始圖像 代表目標(biāo)和背景的信息量達(dá)到最大，而獲得最佳闊值，因而能夠獲得很好的分割效果。
[0005] 粒子群優(yōu)化算法是與遺傳算法類似的一種隨機(jī)優(yōu)化方法，它是一種并行進(jìn)化優(yōu)化 技術(shù)，因其所具有的優(yōu)越性能，現(xiàn)在已被廣泛應(yīng)用于各種參數(shù)的隨機(jī)優(yōu)化。但是傳統(tǒng)的基本 粒子群優(yōu)化算法優(yōu)化后期收斂緩慢，容易陷入局部最優(yōu)，而一些研究者對其進(jìn)行的改進(jìn)不 僅使得算法越來越復(fù)雜，也使得其收斂性越來越繁瑣。
[0006] 因此運(yùn)兩種方法都存在一定的缺陷，即傳統(tǒng)的二維最大賭闊值分割方法中存在需 要手動(dòng)設(shè)置闊值，難W得到全局最優(yōu)的問題;傳統(tǒng)的粒子群算法中存在計(jì)算速度慢，易陷入 局部極小值的問題。而部分研究者將兩種方法進(jìn)行組合，但效果不是很理想;經(jīng)典粒子群優(yōu) 化算法僅僅將速度與位置進(jìn)行不合理的相加運(yùn)算，使得運(yùn)算復(fù)雜度增加，而且難W達(dá)到預(yù) 期效果。
[0007] 如何改進(jìn)傳統(tǒng)的醫(yī)學(xué)影像分割方法，W較快的速度收斂于全局最優(yōu)闊值，得到最 優(yōu)的分割結(jié)果，獲得紋理清晰，細(xì)節(jié)鮮明的醫(yī)學(xué)影像圖，從而協(xié)助醫(yī)生迅速找到病灶部位， 做出醫(yī)學(xué)診斷，是一個(gè)需要解決的問題。

【發(fā)明內(nèi)容】

[000引本發(fā)明的目的在于提供一種通過改進(jìn)的粒子群優(yōu)化算法優(yōu)化選擇二維最大賭闊 值的分割方法，通過二維最大賭闊值分割方法的分割效果來評價(jià)闊值優(yōu)劣，得到最優(yōu)個(gè)體， 并W最優(yōu)個(gè)體對應(yīng)的參數(shù)對醫(yī)學(xué)影像進(jìn)行分割，獲得最優(yōu)醫(yī)學(xué)影像，來協(xié)助醫(yī)生迅速找到 病灶部位，做出醫(yī)學(xué)診斷。
[0009]本發(fā)明主要用于醫(yī)學(xué)影像的分割，包括且不限于CT、B超、MRI影像等常見的醫(yī)學(xué)影 像，通過分割目標(biāo)器官，與正常的器官進(jìn)行對比分析，找出病灶部位，輔助醫(yī)學(xué)診斷。
[0010] 本發(fā)明的方法通過W下技術(shù)方案實(shí)現(xiàn):基于簡化粒子群優(yōu)化二維最大賭闊值的醫(yī) 學(xué)影像分割方法，該方法包括： (1) 讀取原始醫(yī)學(xué)影像，計(jì)算原始影像的二維灰度直方圖； (2) 依據(jù)二維灰度直方圖確定闊值范圍，并隨機(jī)產(chǎn)生簡化粒子群算法的初始化種群； (3) 通過適應(yīng)度函數(shù)計(jì)算初始化種群每個(gè)個(gè)體的得分，得到種群中每一個(gè)個(gè)體的個(gè)體 最優(yōu)值和整個(gè)種群內(nèi)的全局最優(yōu)值； (4) 依據(jù)簡化粒子群優(yōu)化算法優(yōu)化初始種群中的每一個(gè)個(gè)體的個(gè)體最優(yōu)值和種群內(nèi)的 全局最優(yōu)值，產(chǎn)生新的個(gè)體種群； (5) 由新產(chǎn)生的個(gè)體種群得到新的個(gè)體最優(yōu)和全局最優(yōu)值； (6) 判斷粒子群優(yōu)化算法的迭代過程是否迭代到最大迭代代數(shù):若達(dá)到最大迭代代數(shù)， 則終止優(yōu)化過程，得到最優(yōu)闊值;若未達(dá)到，則返回至簡化粒子群優(yōu)化算法的優(yōu)化過程，直 至達(dá)到最大代數(shù)； (7) 根據(jù)最優(yōu)闊值結(jié)合二維最大賭闊值分割計(jì)算方法進(jìn)行圖像分割，得到圖像矩陣。
[0011] 優(yōu)選的，所述步驟(1)中計(jì)算醫(yī)學(xué)影像的二維灰度直方圖的方法： A. 對大小為NXN的L個(gè)灰度級的原始灰度圖像，W其中每一個(gè)像素及其周圍8個(gè)鄰域的 8個(gè)像素為一個(gè)區(qū)域，計(jì)算出區(qū)域灰度均值； B. 原始圖像上的每個(gè)像素，可W得到一個(gè)點(diǎn)灰度-區(qū)域灰度均值對； C. 通過相應(yīng)點(diǎn)灰度-區(qū)域灰度均值對發(fā)生的概率，即可得到原始圖像關(guān)于點(diǎn)灰度-區(qū)域 灰度均值的二維直方圖。
[0012]優(yōu)選的，所述步驟(3)、（5)中計(jì)算種群中每一個(gè)個(gè)體的適應(yīng)度函數(shù)，即 f=4)(s,t)=E(A)+E(B) 式中，S、t為二維最大賭闊值對（S，t )，也即種群中每一個(gè)個(gè)體對應(yīng)的待優(yōu)化參數(shù)，E (A)、E(B)分別為原始圖像目標(biāo)區(qū)域和背景區(qū)域的二維賭，其計(jì)算過程如下： 原始圖像目標(biāo)區(qū)域
背景區(qū)域：
其中
為原始圖像的灰度級，PU為點(diǎn)灰度-區(qū)域灰度均值對(i，j)發(fā)生的概率，其計(jì)算公式為
其中，nu為原始圖像中灰度為i且區(qū)域灰度均值為j的像素點(diǎn)數(shù)，NXN為原始圖像的大 小。
[0013]優(yōu)選的，所述步驟(4)中采用簡化的粒子群優(yōu)化算法來更新當(dāng)前世代種群而產(chǎn)生 新的個(gè)體，其個(gè)體更新公式心
式中，i = l，2,3, . . .m為種群中的每一個(gè)個(gè)體;d = l，2,3, . . .，D為D維優(yōu)化捜索空間； 4為第t代種群中的第i個(gè)粒子在第d維的位置；CO為動(dòng)量慣性系數(shù)，Cl和C2是學(xué)習(xí)因子，為 非負(fù)常數(shù)，ri和n是服從U(0，1)分布的隨機(jī)數(shù);Pid和Pgd分別為該粒子當(dāng)前捜索得到的最優(yōu) 位置和整個(gè)粒子群當(dāng)前的最優(yōu)位置。
[0014] 本發(fā)明與現(xiàn)有技術(shù)相比較，其有益效果:本方法使用改進(jìn)的粒子群優(yōu)化算法優(yōu)化 選擇二維最大賭闊值，運(yùn)能實(shí)現(xiàn)計(jì)算速度快、隨機(jī)優(yōu)化闊值得到全局最優(yōu)值，從而實(shí)現(xiàn)快速 自動(dòng)分割醫(yī)學(xué)影像，獲得紋理清晰、細(xì)節(jié)分明的醫(yī)學(xué)影像圖。
【附圖說明】
[0015] 圖1是本發(fā)明的流程圖。
[0016] 圖2是使用手動(dòng)選擇的闊值和本發(fā)明使用粒子群優(yōu)化方法自動(dòng)選擇的闊值分別用 于分割一幅CT影像的效果圖。
【具體實(shí)施方式】
[0017] 下面結(jié)合一幅肺部CT影像的分割來進(jìn)一步詳細(xì)闡述本發(fā)明的具體步驟和執(zhí)行過 程： (1) 讀入原始的灰度CT影像，該圖像大小為512X512;根據(jù)原始的灰度圖像計(jì)算其二維 灰度直方圖； (2) 根據(jù)二維灰度直方圖確定待優(yōu)化闊值的取值范圍，并據(jù)此隨機(jī)產(chǎn)生初始化種群； (3) 計(jì)算初始化種群的適應(yīng)度函數(shù)值，并由此得到該種群的個(gè)體最優(yōu)值和全局最優(yōu)值； (4) 根據(jù)粒子群優(yōu)化算法和個(gè)體最優(yōu)值、全局最優(yōu)值通過簡化粒子群算法，產(chǎn)生新的個(gè) 體； (5) 計(jì)算新種群中每個(gè)個(gè)體的適應(yīng)度函數(shù)值，得到新種群的個(gè)體最優(yōu)值和全局最優(yōu)值； (6) 判斷粒子群優(yōu)化算法的迭代過程是否達(dá)到最大迭代代數(shù)，若達(dá)到最大迭代代數(shù)，貝U 終止優(yōu)化過程，得到最優(yōu)闊值;若未達(dá)到，則返回至(4)，直至得到最優(yōu)闊值； (7) 使用最優(yōu)闊值結(jié)合二維最大賭闊值分割方法對CT影像進(jìn)行分割，得到分割后的CT 影像。（見圖2(c))
[0017] 從圖2所示的CT影像分割結(jié)果中可W看到，相比使用手動(dòng)選擇的闊值方法分割，使 用本發(fā)明方法分割所得結(jié)果紋理清晰，細(xì)節(jié)鮮明。
[0018] W上所述僅為本發(fā)明的較佳實(shí)施例，而本發(fā)明所述的醫(yī)學(xué)影像包括且不限于CT、B 超、MRI影像，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含 在本發(fā)明的范圍之內(nèi)。
【主權(quán)項(xiàng)】
1. 基于簡化粒子群優(yōu)化二維最大熵閾值的醫(yī)學(xué)影像分割方法，其特征在于，該方法包 括： (1) 讀取原始醫(yī)學(xué)影像，計(jì)算原始影像的二維灰度直方圖； (2) 依據(jù)二維灰度直方圖確定閾值范圍，并隨機(jī)產(chǎn)生簡化粒子群算法的初始化種群； (3) 通過適應(yīng)度函數(shù)計(jì)算初始化種群每個(gè)個(gè)體的得分，得到種群中每一個(gè)個(gè)體的個(gè)體 最優(yōu)值和整個(gè)種群內(nèi)的全局最優(yōu)值； (4) 依據(jù)簡化粒子群優(yōu)化算法優(yōu)化初始種群中的每一個(gè)個(gè)體的個(gè)體最優(yōu)值和種群內(nèi)的 全局最優(yōu)值，產(chǎn)生新的個(gè)體種群； (5) 由新產(chǎn)生的個(gè)體種群得到新的個(gè)體最優(yōu)和全局最優(yōu)值； (6) 判斷粒子群優(yōu)化算法的迭代過程是否迭代到最大迭代代數(shù):若達(dá)到最大迭代代數(shù)， 則終止優(yōu)化過程，得到最優(yōu)閾值;若未達(dá)到，則返回至簡化粒子群優(yōu)化算法的優(yōu)化過程，直 至達(dá)到最大代數(shù)； (7) 根據(jù)最優(yōu)閾值結(jié)合二維最大熵閾值分割計(jì)算方法進(jìn)行圖像分割，得到圖像矩陣。2. 根據(jù)權(quán)利要求1所述的基于簡化粒子群優(yōu)化二維最大熵閾值的醫(yī)學(xué)影像分割方法， 其特征在于，所述步驟(1)中計(jì)算醫(yī)學(xué)影像的二維灰度直方圖的方法： A. 對大小為NXN的L個(gè)灰度級的原始灰度圖像，以其中每一個(gè)像素及其周圍8個(gè)鄰域的 8個(gè)像素為一個(gè)區(qū)域，計(jì)算出區(qū)域灰度均值； B. 原始圖像上的每個(gè)像素，可以得到一個(gè)點(diǎn)灰度-區(qū)域灰度均值對； C. 通過相應(yīng)點(diǎn)灰度-區(qū)域灰度均值對發(fā)生的概率，即可得到原始圖像關(guān)于點(diǎn)灰度-區(qū)域 灰度均值的二維直方圖。3. 根據(jù)權(quán)利要求1所述的基于簡化粒子群優(yōu)化二維最大熵閾值的醫(yī)學(xué)影像分割方法， 其特征在于，所述步驟(3)、（5)中計(jì)算種群中每一個(gè)個(gè)體的適應(yīng)度函數(shù)，即 f= Φ (s，t)=E(A)+E(B) 式中，s、t為二維最大熵閾值對（s，t )，也即種群中每一個(gè)個(gè)體對應(yīng)的待優(yōu)化參數(shù)，E (A)、E(B)分別為原始圖像目標(biāo)區(qū)域和背景區(qū)域的二維熵，其計(jì)算過程如下：為原始圖像的灰度級，PU為點(diǎn)灰度-區(qū)域灰度均值對(i，j)發(fā)生的概率，其計(jì)算公式為其中，ruj為原始圖像中灰度為i且K域灰度均值為j的像素點(diǎn)數(shù)，NXN為原始圖像的大 小。4. 根據(jù)權(quán)利要求1所述的基于簡化粒子群優(yōu)化二維最大熵閾值的醫(yī)學(xué)影像分割方法， 其特征在于，所述步驟(4)中采用簡化的粒子群優(yōu)化算法來更新當(dāng)前世代種群而產(chǎn)生新的 個(gè)體，其個(gè)體更新公式為式中，i = l，2,3,. . .m為種群中的每一個(gè)個(gè)體;d=l，2,3,. . .，D為D維優(yōu)化搜索空間；4 為第t代種群中的第i個(gè)粒子在第d維的位置;為動(dòng)量慣性系數(shù)，CjPc2是學(xué)習(xí)因子，為非負(fù)常 數(shù)，r#Pr 2是服從U(0，1)分布的隨機(jī)數(shù);pld和pgd分別為該粒子當(dāng)前搜索得到的最優(yōu)位置和 整個(gè)粒子群當(dāng)前的最優(yōu)位置。
【文檔編號(hào)】G06T7/00GK106023205SQ201610342326
【公開日】2016年10月12日
【申請日】2016年5月23日
【發(fā)明人】程國華, 孔海洋, 季紅麗, 費(fèi)菁媛
【申請人】杭州健培科技有限公司