CN101739680A - 基于人工内分泌免疫系统的医学体数据分割方法 - Google Patents

Abstract

本发明公开了一种基于人工内分泌免疫系统的医学体数据分割方法，根据待分割医学体数据类数确定图像阈值自变量的个数，设定算法参数后生成初始种群，计算适应度选择概率，对初始抗体种群进行克隆操作，生成下一代子群体B′；对子群体B′进行自适应交叉和变异操作，生成新的种群B″；选择种群B″和种群B中抗体—抗原亲和度高的抗体形成新的种群B′″；计算种群B′″的抗体-抗原亲和度函数值，若结果满足终止条件，则获得最佳图像分割阈值，对三维医学图像进行分割。本发明改善了传统AIS优化算法的寻优稳定性、种群多样性及亲和度成熟能力，提高了其收敛速度，形成了基于人工内分泌免疫系统的三维医学图像的精确、稳定分割方法。

Description

基于人工内分泌免疫系统的医学体数据分割方法

技术领域

本发明涉及图像处理技术领域，尤其是一种基于人工内分泌免疫系统的医学体数据分割方法。

背景技术

由于人体组织器官之间的相互“粘连”，各组织边界天生存在“模糊性”和“不可分辨性”，致使医学图像的分割，尤其是三维分割具有一定的挑战性——必须在保证分割精度的前提下，大幅降低计算复杂度，以满足医疗诊断对实时性的要求。

医学体数据的分割具有数据量大、结构复杂、多维、大尺度、大量局部最优的特征，因此选择合适的分割机理以及数值优化算法，是在最短时间内得到最优解的关键。穷尽法、邻域法、爬山法和模拟退火法等传统分割优化算法均无法很好地解决该问题，它们在三维搜索计算的实时性和精确性上，均不能满足临床诊断的需求。而近年来被广泛应用于图像领域，具备快速全局寻优能力的人工智能类非线性优化算法，则更适于该类问题的求解，例如丛琳等(电子与信息学报，2006年第28期)将免疫克隆选择算法成功应用于图像分割。智能优化算法规避了仅从图像分割机理的角度寻求计算效率突破的单一思维方式，改由其完成实时性优化任务，显著解放了运算量对三维分割算法的束缚。以人工免疫系统(Artificial Immune System，AIS)为核心的算法实验表明，智能优化方法在提高三维图像分割速度、满足分割精度和稳定性等方面的发展空间仍相当大。以西安交大一附院的男性三维CT数据为例，典型的免疫遗传算法(Immune Genetic Algorithm，IGA)与模糊指数熵双阈值法相结合，分割人体胸部组织数据的结果显示，其方差、相对误差和绝对误差分别达到了10^-7、10^-5和10^-4数量级，且计算速度更快，平均耗时仅为传统算法的14％。但是以AIS为核心的智能优化方法对叠加了高斯白噪声的同一数据，所得分割阈值偏大，分割效果恶化。

由于AIS对生物免疫特性的模仿仍存在局限性，种群多样性的产生与保持机制也不够完善，导致其在求解三维图像分割等复杂数值优化问题时，各代最优可行解集合(最优抗体群)的迁移状态无法得到有效控制，难以获取最佳的进化收敛性能。因此，受生命活动的启发，各国研究者们还将克隆、疫苗和蚂蚁信息素等生物学说，抽象为计算智能领域的数学操作，产生了克隆算子、疫苗理论和人工信息素等智能算法的作用因子。这些新理论的提出，为智能计算的研究带来了飞跃式的发展，其应用也覆盖了通信系统、图像处理、机械控制、模式识别、信号处理和计算机网络等几乎所有工业领域。那么，作为生物内分泌系统中，信息传递的重要介导物质——激素，当然也可从中挖掘内在有益机制，发挥其稳定性和自适应性优势，克服孤立的免疫机构自身缺陷，支持和推动人工内分泌免疫系统(Artificial Endocrine Immune System，AEIS)理论的发展。然而，迄今为止领域内关于AEIS的运行机理、动态特性和分析模型的研究尚不多见，在三维医学体数据分割等复杂函数优化问题中的应用报道则更是少之又少，已成为亟待完善的几项重要课题之一。同时，又因医学体数据易受环境噪声、灰度重叠和成像衰减等退化因素的影响，加之感兴趣区域天然具有模糊、偏移等特性，所以当AIS被用于优化复杂医学体数据分割时，也必然带来分割计算的实时性、稳定性和精确性等实际问题。

AIS在图像分割领域的应用研究以二维遥感、SAR和红外等图像的感兴趣区域分割为主，而三维医学体数据的快速、精确分割问题则较少涉及。现有技术存在的主要问题包括：①实时性仍较差。三维分割与二维分割相比，数据量大大增加，现有分割优化算法的运算实时性与实际应用仍有较大差距。②难以获取准确结果。虽然AIS的全局搜索能力强、寻优效率高，但并非每次独立运行，都能得到如穷举搜索般准确的结果。一方面，AIS在种群多样性机制、整体收敛性和算子操作策略等方面存在缺陷；另一方面，由于成像衰减、模糊、偏移等退化因素，导致即使最优解与真实解间仅有万分之一的误差，最终分割结果也已与准确结果相去甚远。

目前，与本发明内容类似的专利申请主要是钟燕飞等人利用人工免疫系统开展的遥感影像的分类和选择。由于人工免疫系统仍存在上述缺陷，因此对于复杂三维医学图像的分割而言，还需要对人工免疫系统做出改进。

发明内容

为了克服现有技术实时性较差和难以获取准确结果的不足，本发明提供一种基于人工内分泌免疫的医学体数据分割方法，为人工免疫系统(AIS)加入激素调节操作，用于对医学体数据分割问题进行寻优。

本发明解决其技术问题所采用的技术方案包括以下步骤：

(1)打开待分割的医学体数据。

(2)根据待分割类数确定图像阈值自变量的个数，图像阈值自变量的个数等于图像待分割类数减1，对阈值自变量进行编码。

(3)设定算法参数，包括初始种群规模、克隆规模、初始交叉概率、初始变异概率和最大进化代数，并设置进化代数为1。根据初始种群规模随机生成初始种群，即种群B，并计算初始种群的抗体-抗原亲和度。

(4)根据初始种群抗体-抗原亲和度计算适应度选择概率，同时计算抗体-抗体亲和度，进而得到克隆规模，按照克隆规模对初始抗体种群进行克隆操作，生成下一代子群体，即种群B′。

(5)在克隆后的子群体内部，按照内分泌激素调节的Hill函数规律，利用种群中平均适应度值、最大适应度值和最小适应度值构造自适应交叉概率计算公式和自适应变异概率计算公式，进行自适应交叉和变异操作，生成新的种群，即种群B″。

(6)执行选择操作，将经克隆、交叉和变异操作后的子代种群(种群B″)和相应父代种群(种群B)中的抗体按照抗体-抗原亲和度由高到低的循序排序，选择抗体-抗原亲和度较高的个数等于初始种群规模的抗体作为候选抗体，形成新的种群，即种群B″′。

(7)计算种群B″′的抗体-抗原亲和度函数值，若结果满足终止条件，即达到了最大进化代数，则终止计算，获得最佳图像分割阈值，最佳图像分割阈值即抗体-抗原亲和度函数的自变量，进入下一步；否则，进化代数加1，返回步骤(4)。

(8)利用步骤(7)得到的最佳图像分割阈值，对三维医学图像进行分割。

作为本发明的优选方案，所述的阈值自变量采用二进制向量编码进行标记。

作为本发明的优选方案，所述的最大进化代数一般选择50～500。

本发明所述的种群由个数等于种群规模的抗体组成。

对于灰度图像，步骤(3)中初始种群的抗体个数取值范围为0～255。

步骤(3)中的Hill函数规律是指激素分泌调节的上升和下降遵循Hill函数规律，如下两式所示：

$F_{\mathrm{up}}\left(G\right)=\frac{G^n}{T^n+G^n}$

$F_{\mathrm{down}}\left(G\right)=\frac{T^n}{T^n+G^n}$

式中，G为Hill函数F的自变量；F_up为上升Hill函数，F_down为下降Hill函数；T为门限，且T＞0；n为Hill系数，且n≥1；n和T共同决定曲线上升和下降的斜率。Hill函数具有如下性质：(1)F_up＝1-F_down；(2)F(G)_G＝T＝1/2；(3)0≤F(G)≤1。

步骤(5)所述的基于激素调节Hill函数规律的自适应交叉概率计算公式为：

$P_c=P_c^0(1+\mathrm{\α}\frac{(f_{\mathrm{av}}{)}^{n_c}}{(f_{\max }-f_{\min }{)}^{n_c}+{\left(f_{\mathrm{av}}\right)}^{n_c}})$

式中，P_c和P_c ⁰分别为交叉概率和初始交叉概率；f_av，f_max和f_min分别为每一代种群的平均适应度、最大适应度和最小适应度；α和n_c是系数因子，且n_c控制Hill函数的斜率。

步骤(5)所述的基于激素调节Hill函数规律的自适应变异概率计算公式为：

$P_m=P_m^0(1+\mathrm{\β}\frac{(f_{\mathrm{av}}{)}^{n_m}}{(f_{\max }-f_{\min }{)}^{n_m}+{\left(f_{\mathrm{av}}\right)}^{n_m}})$

式中，P_m和P_m ⁰分别为变异概率和初始变异概率；β和n_m是系数因子。

本发明的有益效果是：由于在传统人工免疫系统(AIS)中加入了内分泌激素的调节原理，即利用内分泌激素调节的Hill函数规律设计新的自适应交叉概率和自适应变异概率计算公式，并将其融入人工免疫系统，本发明改善了传统AIS优化算法的寻优稳定性、种群多样性及亲和度成熟能力，提高了其收敛速度，形成了基于人工内分泌免疫系统的三维医学图像的精确、稳定分割方法。

下面结合实施例对本发明进一步说明。

具体实施方式

将三维医学脑部256级灰度原始图像(174*138*119体素)作为分割对象，分割为脑灰质、脑白质、脑脊液三部分，包括以下步骤：

1.打开该三维脑部图像。具备了基本打开图像功能的三维图像处理程序或工具均可以供本发明实施使用。具体实施时，可以把三维图像处理程序的图像打开功能和本发明方法的其他步骤所需功能结合成一体，通过计算机编程即可实现。也可将二者集成在一个软件当中。

2.根据打开的三维医学图像本身和所要分割的目标(在本实例中为脑灰质、脑白质和脑脊液，其他实例还可以是具体病灶和其他人体组织等)，确定分割阈值个数，以明确要将该三维医学图像分为几个部分。对于本实例的脑部灰度图像，灰度级在0～255之间，因此采用16位的二进制数来表示两个阈值t₁和t₂(即二进制位数M＝16，阈值自变量个数S＝2)，高8位为t₁，低8位为t₂。

3.初始化以两个阈值为抗体的种群，为程序输入算法所需参数，主要包括初始种群规模N⁰＝20、克隆规模c、初始交叉概率 $P_c^0=0.1,$ 初始变异概率 $P_m^0=0.05$ 和最大进化代数L＝200，并设定进化代数k＝1。其中，抗体种群空间为

I^N＝{B：B＝[B₁B₂…B_N]，B_h∈I，1≤h≤N}

式中，正整数N称为抗体种群规模。那么，初始抗体群B为抗体B的N⁰元组。

计算初始种群的抗体-抗原亲和度(即适应度函数值，本实例以阈值为自变量的图像总熵作为适应度函数)。根据Shannon熵的概念，对于灰度范围为{0，1，…，l-1}的图像，其直方图的熵定义为：

$H=-\underset{i=0}{\overset{l-1}{\mathrm{\Σ}}}{p}_i\ln p_i$

其中p_i为第i个灰度出现的概率。设t₁，t₂…，t_h，是h个分割阈值，且有t₁＜t₂＜…＜t_h，则图像的总熵为：

$H(t_1,t_2,...,t_h)=\ln \left(\underset{i=0}{\overset{t_1}{\mathrm{\Σ}}}{p}_i\right)+\ln \left(\underset{i=t_1+1}{\overset{t_2}{\mathrm{\Σ}}}{p}_i\right)+...+\ln \left(\underset{i=t_h+1}{\overset{l-1}{\mathrm{\Σ}}}{\text{p}}_i\right)$

$-\frac{\underset{i=0}{\overset{t_1}{\mathrm{\Σ}}}{p}_i\ln p_i}{\underset{i=0}{\overset{t_1}{\mathrm{\Σ}}}{p}_i}-\frac{\underset{i=t_1+1}{\overset{t_2}{\mathrm{\Σ}}}{p}_i\ln p_i}{\underset{i=t_1+1}{\overset{t_2}{\mathrm{\Σ}}}{p}_i}-...-\frac{\underset{i=t_h+1}{\overset{l-1}{\mathrm{\Σ}}}{p}_i\ln p_i}{\underset{i=t_h+1}{\overset{l-1}{\mathrm{\Σ}}}{p}_i}$

最佳阈值t₁ ^*，t₂ ^*，…，t_h ^*为使总熵取得最大值：

$(t_1^{*},t_2^{*},...,t_h^{*})=\arg \underset{0\≤t_1\≤t_2\≤...\≤t_h\≤l-1}{\max }H(t_1,t_2,...,t_h)$

特别地，对于双阈值情况，t₁＜t₂，总熵为：

$H(t_1,t_2)=\ln \left(\underset{i=0}{\overset{t_1}{\mathrm{\Σ}}}{p}_i\right)+\ln \left(\underset{i=t_1+1}{\overset{t_2}{\mathrm{\Σ}}}{p}_i\right)+\ln \left(\underset{i=t_2+1}{\overset{l-1}{\mathrm{\Σ}}}{\text{p}}_i\right)$

$-\frac{\underset{i=0}{\overset{t_1}{\mathrm{\Σ}}}{p}_i\ln p_i}{\underset{i=0}{\overset{t_1}{\mathrm{\Σ}}}{p}_i}-\frac{\underset{i=t_1+1}{\overset{t_2}{\mathrm{\Σ}}}{p}_i\ln p_i}{\underset{i=t_1+1}{\overset{t_2}{\mathrm{\Σ}}}{p}_i}-\frac{\underset{i=t_2+1}{\overset{l-1}{\mathrm{\Σ}}}{p}_i\ln p_i}{\underset{i=t_2+1}{\overset{l-1}{\mathrm{\Σ}}}{p}_i}$

最佳阈值t₁ ^*，t₂ ^*为使总熵取得最大值：

$(t_1^{*},t_2^{*})=\arg \underset{0\≤t_1\≤t_2\≤l-1}{\max }H(t_1,t_2)$

4.计算抗体-抗体亲和度：

Q_i＝min{D_ij}＝min{exp(||B_i-B_j||)}，

i≠j；i，j＝1，2，…，n

式中，||·||为任意范数，对二进制编码一般取海明距离。各抗体间亲和力(即相似程度)越大，Q_i值越小(抑制该抗体)。因此，记D＝(D_ij)_n×n，i，j＝1，2，…，n为抗体-抗体亲和度矩阵，反映了种群的多样性。

计算克隆规模：

c_i(k)＝Int{n·p_f·Q_i}

式中：n＞N⁰是于克隆规模有关的设定值；Int(·)为上取整函数，Int(x)表示大于x的最小整数；适应度选择概率为

$p_f=f\left(B_i\left(k\right)\right)/\underset{j=1}{\overset{n}{\mathrm{\Σ}}}f\left(B_i\left(k\right)\right)$

可见，对种群中的单一抗体而言，其克隆规模是依据抗体-抗原亲和度、抗体-抗体亲和度自适应调整的，当抗体间抑制小(Q_i值大)，而抗原刺激大(p_f值大)时，克隆规模也大，反之则小。

进行克隆操作，生成下一代种群B′。记克隆操作为T_c ^C，则克隆过程定义为：

$B^{\′}\left(k\right)=T_c^C\left(B\left(k\right)\right)$

$={\left[\begin{array}{c}\begin{array}{ccc}{T}_c^C\left(B_1\left(k\right)\right)& T_c^C\left(B_2\left(k\right)\right)& T_c^C\left(B_n\left(k\right)\right)\end{array}\end{array}\right]}^T$

式中 $B_i^{\′}\left(k\right)=T_c^C\left(B_i\left(k\right)\right)=I_i\×B_i\left(k\right),$ i＝1，2，…，n，k为进化代数，I_i是元素为1的c_i维行向量。

5.根据内分泌激素调节的Hill函数规律，首先计算种群的平均适应度值f_av、最大适应度值f_max和最小适应度值f_min，进而利用自适应交叉概率计算公式：

$P_c=P_c^0(1+\mathrm{\α}\frac{(f_{\mathrm{av}}{)}^{n_c}}{(f_{\max }-f_{\min }{)}^{n_c}+{\left(f_{\mathrm{av}}\right)}^{n_c}})$

和自适应变异概率计算公式：

$P_m=P_m^0(1+\mathrm{\β}\frac{(f_{\mathrm{av}}{)}^{n_m}}{(f_{\max }-f_{\min }{)}^{n_m}+{\left(f_{\mathrm{av}}\right)}^{n_m}})$

进行自适应交叉和变异操作，生成新的种群B″。

6.执行选择操作T_s ^C，即从B″和B中选择适应度值(即抗体-抗原亲和度值)最大的抗体，形成新的种群(种群规模与初始种群规模一致)：

$B(k+1)=T_s^C(B\left(k\right)\∪B^{\′\′}\left(\text{k}\right))$

7.k＝k+1。计算新种群B(k+1)的适应度函数(或称抗体-抗原亲和度函数)值，若满足终止条件，即k＝200，终止计算；否则，回到步骤2。本实例采用最大进化代数作为终止条件。从而计算得到最佳阈值t₁ ^*和t₂ ^*，利用该阈值即可对脑部原始图像进行分割。

Claims (8)

1.基于人工内分泌免疫系统的医学体数据分割方法，其特征在于包括下述步骤：

(1)打开待分割的医学体数据；

(2)根据待分割类数确定图像阈值自变量的个数，图像阈值自变量的个数等于图像待分割类数减1，对阈值自变量进行编码；

(3)设定算法参数，包括初始种群规模、克隆规模、初始交叉概率、初始变异概率和最大进化代数，并设置进化代数为1；根据初始种群规模随机生成初始种群，即种群B，并计算初始种群的抗体-抗原亲和度；

(4)根据初始种群抗体-抗原亲和度计算适应度选择概率，同时计算抗体-抗体亲和度，进而得到克隆规模，按照克隆规模对初始抗体种群进行克隆操作，生成下一代子群体，即种群B′；

(5)在克隆后的子群体内部，按照内分泌激素调节的Hill函数规律，利用种群中平均适应度值、最大适应度值和最小适应度值构造自适应交叉概率计算公式和自适应变异概率计算公式，进行自适应交叉和变异操作，生成新的种群，即种群B″；

(6)执行选择操作，将种群B″和种群B中的抗体按照抗体-抗原亲和度由高到低的循序排序，选择抗体-抗原亲和度较高的个数等于初始种群规模的抗体作为候选抗体，形成新的种群，即种群B′″；

(7)计算种群B′″的抗体-抗原亲和度函数值，若结果满足终止条件，即达到了最大进化代数，则终止计算，获得最佳图像分割阈值，最佳图像分割阈值即抗体-抗原亲和度函数的自变量，进入下一步；否则，进化代数加1，返回步骤(4)；

(8)利用步骤(7)得到的最佳图像分割阈值，对三维医学图像进行分割。

2.根据权利要求1的基于人工内分泌免疫系统的医学体数据分割方法，其特征在于：所述的阈值自变量采用二进制向量编码进行标记。

3.根据权利要求1的基于人工内分泌免疫系统的医学体数据分割方法，其特征在于：所述的最大进化代数选择50～500。

4.根据权利要求1的基于人工内分泌免疫系统的医学体数据分割方法，其特征在于：所述的种群由个数等于种群规模的抗体组成。

5.根据权利要求1的基于人工内分泌免疫系统的医学体数据分割方法，其特征在于：对于灰度图像，所述的初始种群的抗体个数取值范围为0～255。

6.根据权利要求1的基于人工内分泌免疫系统的医学体数据分割方法，其特

征在于：所述的Hill函数规律是指激素分泌调节的上升和下降遵循Hill函数规律，如下两式所示： $F_{\mathrm{up}}\left(G\right)=\frac{G^n}{T^n+G^n},$ $F_{\mathrm{down}}\left(G\right)=\frac{T^n}{T^n+G^n};$ 式中，G为Hill函数F的自变量；F_up为上升Hill函数，F_down为下降Hill函数；T为门限，且T＞0；n为Hill系数，且n≥1；F_up＝1-F_down；F(G)_G＝T＝1/2；0≤F(G)≤1。

7.根据权利要求1的基于人工内分泌免疫系统的医学体数据分割方法，其特征在于：所述的基于激素调节Hill函数规律的自适应交叉概率计算公式为： $P_c=P_c^0(1+\mathrm{\α}\frac{{\left(f_{\mathrm{av}}\right)}^{n_c}}{{(f_{\max }-f_{\min })}^{n_c}+{\left(f_{\mathrm{av}}\right)}^{n_c}});$ 式中，P_c和P_c ⁰分别为交叉概率和初始交叉概率；f_av，f_max和f_min分别为每一代种群的平均适应度、最大适应度和最小适应度；α和n_c是系数因子。

8.根据权利要求1的基于人工内分泌免疫系统的医学体数据分割方法，其特征在于：所述的基于激素调节Hill函数规律的自适应变异概率计算公式为： $P_m=P_m^0(1+\mathrm{\β}\frac{{\left(f_{\mathrm{av}}\right)}^{n_m}}{{(f_{\max }-f_{\min })}^{n_m}+{\left(f_{\mathrm{av}}\right)}^{n_m}});$ 式中，P_m和P_m ⁰分别为变异概率和初始变异概率；β和n_m是系数因子。