CN103593674A - 一种颈部淋巴结超声图像特征选择方法 - Google Patents

Abstract

本发明一种颈部淋巴结超声图像特征选择方法，涉及图像处理技术领域；所要解决的技术问题为避免利用遗传算法和离散粒子群算法进行颈部淋巴结超声图像特征选择容易陷入局部极值的问题；采用的技术方案为：第一步、采集并提取颈部淋巴结图像的量化特征；第二步、形成样本集；第三步、设计极限学习机分类器；第四步、对样本集进行学习和训练；第五步、计算每个个体的加速度

第六步、更新各自的速度

第七步、计算各自的波尔兹曼函数第八步、更新各自的位置

第九步、若符合终止条件，则结束并输出最优位置即最优特征子集，否则迭代次数加1，并返回第三步继续进化种群直到满足终止条件；本发明适于帮助医生选取有价值的颈部淋巴结超声图像特征。

Description

一种颈部淋巴结超声图像特征选择方法

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于万有引力搜索算法和波尔兹曼函数的淋巴结超声图像特征选择方法。

背景技术

淋巴结分布在整个人体的颈部，腋窝，腹股沟等各个部位，人体免疫系统能否正常运作其中淋巴结扮演着重要的作用。临床上，淋巴结的病理变化是恶性肿瘤的一个重要标准，大多数临床医生利用颈部淋巴结超声图像诊断和检查淋巴结疾病，颈部淋巴结超声图像具有很多淋巴结特征，但这些特征中有些特征数据是冗余的，或者是含有噪声的，因此，选择对医生有价值的特征是临床医生和研究者关注的焦点之一。特征选择就是选择对分类有价值的特征，去除冗余和噪声，提高分类的精确度。目前淋巴结超声图像特征选择方法有基于全局最优搜索策略的互信息法和线性判别法。但是这两种方法的缺点是不能有效结合分类结果来指导特征值的选择。基于随机搜索策略的遗传算法和离散粒子群算法属于群集智能的方法，它们能够通过种群的优化取得较好的最优解，但是它们容易陷入局部极值的问题。

发明内容

本发明克服现有技术存在的不足，所要解决的技术问题为提供一种用于颈部淋巴结超声图像的特征选择方法，避免了利用遗传算法和离散粒子群算法进行颈部淋巴结超声图像特征选择容易陷入局部极值的问题。

为了解决上述技术问题，本发明采用的技术方案为：一种颈部淋巴结超声图像特征选择方法，包括以下步骤：

第一步、采集颈部淋巴结灰阶多普勒超声图像并提取颈部淋巴结图像的量化特征；

第二步、基于第一步给出的量化特征，使用二进制编码标记特征组合并随机初始化多个个体的位置及速度，形成样本集；

第三步、根据所述样本集设计极限学习机分类器；

第四步、对所述样本集进行学习和训练，测试并记录分类精度，采用分类精度和所选特征数目两个标准设计每个个体的适应度函数fit_i；

第五步、计算每个个体的质量M_i(t)，作用力F_i ^d(t)，进而得出每个个体的加速度

第六步、根据第五步中每个个体的加速度更新各自的速度

第七步、根据第六步中每个个体更新后的速度计算各自的波尔兹曼函数

第八步、使用第七步中每个个体的波尔兹曼函数更新各自的位置

第九步、若符合终止条件，则结束并输出最优位置即最优特征子集，否则迭代次数加1，并返回第三步继续进化种群直到满足特征选择终止条件，所述终止条件为：达到最大迭代次数。

所述第一步中，提取颈部淋巴结超声图像的量化特征，具体方法如下：

通过超声仪器采集颈部淋巴结灰阶多普勒超声图像，给出淋巴结超声图像的量化特征，这里用F_i来表示第i个量化特征，具体定义如下：

(1)外形特征F₁－F₁₁：包括使用致密度F₁；实占率F₂；凸包深度F₃；傅里叶形状因子F₄；4个矩形状因子特征F₅－F₈；3个基于归一化径向长度特征F₉－F₁₁；

(2)边界特征F₁₂－F₁₄：包括采用锐度F₁₂；边缘亮度变化比F₁₃；边界平均最大下降梯度F₁₄；

(3)形态特征F₁₅：长/短径的比率F₁₅；

(4)纹理特征，包括灰度共生矩阵、Laws能量模板、灰度游程长度和小波纹理，它们分别为：

1)灰度共生矩阵F₁₆－F₂₉：包括角二阶矩F₁₆；对比度F₁₇；相关F₁₈；熵F₁₉；方差F₂₀；均值和F₂₁；逆差矩F₂₂；方差和F₂₃；差的方差F₂₄；和熵F₂₅；差熵F₂₆；聚类阴影F₂₇；显著聚类F₂₈；最大概率F₂₉；

2)Laws能量模板F₃₀－F₃₉：包括L5E5模板卷积后的均值F₃₀；L5S5模板卷积后的均值F₃₁；E5L5模板卷积后的均值F₃₂；S5L5模板卷积后的均值F₃₃；E5E5模板卷积后的均值F₃₄；L5E5模板卷积后的方差F₃₅；E5L5模板卷积后的方差F₃₆；S5L5模板卷积后的方差F₃₇；E5E5模板卷积后的方差F₃₈；L5S5模板卷积后的方差F₃₉；

3)灰度游程长度F₄₀－F₄₄：包括短游程优势F₄₀；长游程优势F₄₁；灰度不均匀性度量F₄₂；游程长度不均性度量F₄₃；游程比率F₄₄；

4)小波纹理特征F₄₅－F₅₆：包括低低频均值F₄₅；低低频方差F₄₆；低低频和Laws能量模板卷积后得到的各自的均值和方差F₄₇－F₅₆。

所述第二步中，基于第一步给出的量化特征F₁－F₅₆，使用二进制编码标记特征组合并随机初始化多个个体的位置及速度，具体方法如下：

个体编码采用二进制，原始量化特征有56个，即个体的长度L=56，个体的每一个基因对应相应次序的特征，即当个体中的某一个基因为“1”时，表示该基因对应的特征项被选用；反之，为“0”时，表示该特征项未被选用。个体第i个基因值随机产生的公式为：

$x_i=\left\{\begin{array}{cc}0& \mathrm{rand}\left(\right)<0.5\\ 1& \mathrm{rand}\left(\right)\&GreaterEqual;0.5\end{array}\right.$

式中，rand()为[0，1]区间独立同分布的随机数。

所述第四步中，适应度函数计算过程如下：

${\mathrm{fit}}_i={\mathrm{acc}}_i\&times;{\mathrm{\&omega;}}_A+[1-\frac{\underset{j=1}{\overset{L}{\mathrm{\&Sigma;}}}{f}_j}{L}]\&times;{\mathrm{\&omega;}}_F$

其中， ${\mathrm{acc}}_i=\frac{\mathrm{cc}}{\mathrm{cc}+\mathrm{uc}}\&times;100$

式中，ω_A式表示分类准确权值，ω_F表示特征选择数权值，f_j表示基因的特征值(0或1)，acc_i表示分类准确率，cc表示正确分类数，uc表示不正确分类数。

所述第五步中，

质量M_i(t)的计算按下公式：

$M_i\left(t\right)=\frac{m_i\left(t\right)}{\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}{m}_j\left(t\right)}$

其中， $m_i\left(t\right)=\frac{{\mathrm{fit}}_i\left(t\right)-\mathrm{worst}\left(t\right)}{\mathrm{best}\left(t\right)-\mathrm{worst}\left(t\right)},\mathrm{best}\left(t\right)=\underset{j\&Element;\{1,...,k\}}{\min }{\mathrm{fit}}_j\left(t\right),\mathrm{worst}\left(t\right)=\underset{j\&Element;\{1,...,k\}}{\max }{\mathrm{fit}}_j\left(t\right);$ fit_i为个体i的适应度函数；fit_j为个体j的适应度函数；

作用力F_i ^d(t)的计算按如下公式：

${F^d}_i\left(t\right)=\underset{j=1,j\&NotEqual;i}{\overset{P}{\mathrm{\&Sigma;}}}{\mathrm{rand}}_j{F}_{\mathrm{ij}}^d\left(t\right)$

其中， $F_{\mathrm{ij}}^d\left(t\right)=G\left(t\right)\frac{M_i\left(t\right)\&times;M_j\left(t\right)}{R_{\mathrm{ij}}\left(t\right)}(x_j^d\left(t\right)-x_i^d\left(t\right)),G\left(t\right)=G_0(1-\frac{t}{T}),$ G₀是初始万有引力常数，t是当前的迭代，T是总的迭代次数，R_ij(t)表示在t时刻个体i和个体j之间的汉明距离；rand为[0，1]区间独立同分布的随机数；

加速度

的计算按如下公式：

$a_i^d\left(t\right)=\frac{{F_i}^d\left(t\right)}{M_i\left(t\right)}$

其中F_i ^d(t)为个体的作用力，M_i(t)为个体的质量。

所述第六步中，更新速度按如下方法：

$v_i^d\left(t\right)={\mathrm{rand}}_i\&times;v_i^d(t-1)+a_i^d\left(t\right),$ 其中

为个体的加速度。

所述第七步中，个体的波尔兹曼函数按如下方法实现：

为每个个体的波尔兹曼函数；其中，

为当前个体的速度。K为表示网络的"温度"参数，取[0，1]区间上的某个值。

所述第八步中，新个体的位置

按如下方法实现：

$X_i^d\left(t\right)=\left\{\begin{array}{ccc}1,& \mathrm{if}& f\left(X_i^d\left(t\right)\right)>0.5\\ 0,& \mathrm{if}& f\left(X_i^d\left(t\right)\right)\&le;0.5\end{array}\right..$

所述第二步中，基于第一步给出的量化特征F₁－F₅₆，使用二进制编码标记特征组合并随机初始化的个体的数量为100个。

所述第九步中，最大迭代次数为200，或为300，或为400，或为500。

本发明与现有技术相比具有以下有益效果。

本发明方法利用万有引力搜索算法和波尔兹曼函数求得最优颈部淋巴结超声图像特征，万有引力搜索算法是一种源于对物理学中的万有引力进行模拟的新的优化搜索技术，其通过群体中各粒子之间的万有引力相互作用产生的群体智能指导优化搜索，收敛性明显优于粒子群优化和遗传算法等其他仿生智能优化算法，解决了利用这两种算法进行颈部淋巴结超声图像特征选择容易陷入局部极值的问题。

本发明方法实现了对颈部淋巴结超声图像高维特征的优化选择，有效降低特征维数，提高分类识别的准确度，并且适应极限学习机分类器的要求，进一步提高分类性能。本发明方法特征选择效果好，效率高，能够有效提高颈部淋巴结超声图像的分类精度。

波尔兹曼函数(Boltzmann function)来自波尔兹曼机，它是一种监督学习神经网络和Hopfield神经网络的衍生物，本发明利用波尔兹曼函数评估特征的重要性。

附图说明

下面结合附图对本发明做进一步详细的说明。

图1为本发明中某个个体的基因编码。

图2为本发明的流程图。

具体实施方式

如图1、图2所示，本实施例通过临床医用ATL HDI-5000Sono CT型超声仪器采集颈部淋巴结灰阶多普勒超声图像进行基于万有引力搜索算法和波尔兹曼函数的颈部淋巴结超声图像特征选择。颈部淋巴结超声图像特征选择的具体步骤如下：

第一步、通过临床医用ATL HDI-5000Sono CT型超声仪器采集到的颈部淋巴结超声图像。这些医学超声图像按照疾病分为颈部淋巴结肿瘤(J1)、颈部坏死性淋巴结炎(J2)和颈部淋巴结核(J3)等共计40个病例150幅颈部淋巴结超声图片。上述150幅图像经过图像分割得到了150个颈部淋巴结区域的超声图像，表1为数据集构成表。

表1淋巴结区域数据统计表

	J1	J2	J3	总数
					淋巴结区域个数	56	48	46	150

结合临床和当前的研究给出上述150个颈部淋巴结区域的超声图像的量化特征，量化特征分为四类，共56个特征。

这里用F_i来表示第i个特征，具体定义如下：

(1)外形特征F₁－F₁₁：包括使用致密度F₁；实占率F₂；凸包深度F₃；傅里叶形状因子F₄；4个矩形状因子特征F₅－F₈；3个基于归一化径向长度特征F₉－F₁₁。

(2)边界特征F₁₂－F₁₄：包括采用锐度F₁₂；边缘亮度变化比F₁₃；边界平均最大下降梯度F₁₄。

(3)形态特征F₁₅：长/短径的比率F₁₅。

(4)纹理特征包括灰度共生矩阵、Laws能量模板、灰度游程长度和小波纹理等。它们分别为

1)灰度共生矩阵F₁₆－F₂₉：包括角二阶矩F₁₆；对比度F₁₇；相关F₁₈；熵F₁₉；方差F₂₀；均值和F₂₁；逆差矩F₂₂；方差和F₂₃；差的方差F₂₄；和熵F₂₅；差熵F₂₆；聚类阴影F₂₇；显著聚类F₂₈；最大概率F₂₉。

2)Laws能量模板F₃₀－F₃₉：包括L5E5模板卷积后的均值F₃₀；L5S5模板卷积后的均值F₃₁；E5L5模板卷积后的均值F₃₂；S5L5模板卷积后的均值F₃₃；E5E5模板卷积后的均值F₃₄；L5E5模板卷积后的方差F₃₅；E5L5模板卷积后的方差F₃₆；S5L5模板卷积后的方差F₃₇；E5E5模板卷积后的方差F₃₈；L5S5模板卷积后的方差F₃₉。

3)灰度游程长度F₄₀－F₄₄：包括短游程优势F₄₀；长游程优势F₄₁；灰度不均匀性度量F₄₂；游程长度不均性度量F₄₃；游程比率F₄₄。

4)小波纹理特征F₄₅－F₅₆：包括低低频均值F₄₅；低低频方差F₄₆；低低频和Laws能量模板卷积后得到的各自的均值和方差F₄₇－F₅₆。

第二步、基于第一步给出的量化特征F₁－F₅₆，使用二进制编码标记特征组合并随机初始化100个个体的位置及速度，形成样本集；初始化采用随机数生成方法。

具体如下：

个体编码采用二进制，原始特征有56个，即个体的长度L=56，个体的每一个基因对应相应次序的特征，即当个体中的某一个基因为“1”时，表示该基因对应的特征项被选用；反之，为“0”时，表示该特征项未被选用。例如，个体010101000001110….表示第2、第4、第6、第12个、第13个、第14个特征项被选用。这56个特征按照F₁－F₅₆依次排列构成个体的编码X，如图1所示。

图1中每个位置都代表了一个特征，初始个体的产生是按照图1的编码方式随机在各个位置生成0或者1而产生，个体第i个基因值随机产生的公式为：

$x_i=\left\{\begin{array}{cc}0& \mathrm{rand}\left(\right)<0.5\\ 1& \mathrm{rand}\left(\right)\&GreaterEqual;0.5\end{array}\right.$

式中，rand()为[0，1]区间独立同分布的随机数。

第三步、根据所述样本集设计极限学习机分类器；

第四步、对所述样本集进行学习和训练，测试并记录分类精度，采用分类精度和所选特征数目两个标准设计个体适应度函数fit_i。适应度函数计算过程如下：

${\mathrm{fit}}_i={\mathrm{acc}}_i\&times;{\mathrm{\&omega;}}_A+[1-\frac{\underset{j=1}{\overset{L}{\mathrm{\&Sigma;}}}{f}_j}{L}]\&times;{\mathrm{\&omega;}}_F$

其中， ${\mathrm{acc}}_i=\frac{\mathrm{cc}}{\mathrm{cc}+\mathrm{uc}}\&times;100$

式中，ω_A式表示分类准确权值，ω_F表示特征选择数权值，f_j表示基因的特征值(0或1)，acc_i表示分类准确率，cc表示正确分类数，uc表示不正确分类数。

第五步、计算每个个体的质量M_i(t)，作用力F_i ^d(t)，进而得出每个个体的加速度

质量M_i(t)的计算按下公式：

$M_i\left(t\right)=\frac{m_i\left(t\right)}{\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}{m}_j\left(t\right)},$

其中， $m_i\left(t\right)=\frac{{\mathrm{fit}}_i\left(t\right)-\mathrm{worst}\left(t\right)}{\mathrm{best}\left(t\right)-\mathrm{worst}\left(t\right)},\mathrm{best}\left(t\right)=\underset{j\&Element;\{1,...,k\}}{\min }{\mathrm{fit}}_j\left(t\right),\mathrm{worst}\left(t\right)=\underset{j\&Element;\{1,...,k\}}{\max }{\mathrm{fit}}_j\left(t\right);$ fit_i为个体i的适应度函数；fit_j为个体j的适应度函数；

作用力F_i ^d(t)的计算按如下公式：

${F^d}_i\left(t\right)=\underset{j=1,j\&NotEqual;i}{\overset{P}{\mathrm{\&Sigma;}}}{\mathrm{rand}}_j{F}_{\mathrm{ij}}^d\left(t\right),$

其中， $F_{\mathrm{ij}}^d\left(t\right)=G\left(t\right)\frac{M_i\left(t\right)\&times;M_j\left(t\right)}{R_{\mathrm{ij}}\left(t\right)}(x_j^d\left(t\right)-x_i^d\left(t\right)),G\left(t\right)=G_0(1-\frac{t}{T}),$ G₀是初始万有引力常数，G₀＝100，t是当前的迭代，T是总的迭代次数，T=200，R_ij(t)表示在t时刻个体i和个体j之间的汉明距离。rand为[0，1]区间独立同分布的随机数。

加速度的计算按下公式：

$a_i^d\left(t\right)=\frac{{F_i}^d\left(t\right)}{M_i\left(t\right)},$

其中F_i ^d(t)为个体的作用力，M_i(t)为个体的质量。

第六步、更新个体的速度

速度

更新按如下方法：

$v_i^d\left(t\right)={\mathrm{rand}}_i\&times;v_i^d(t-1)+a_i^d\left(t\right),$ 其中

为个体的加速度。

第七步、根据个体速度计算个体的波尔兹曼函数

个体的波尔兹曼函数按如下方法实现：

为每个个体的波尔兹曼函数。其中，

为当前个体的速度。K=0.67。

第八步、使用波尔兹曼函数更新个体的位置

新个体的位置

按如下方法实现：

$X_i^d\left(t\right)=\left\{\begin{array}{ccc}1,& \mathrm{if}& f\left(X_i^d\left(t\right)\right)>0.5\\ 0,& \mathrm{if}& f\left(X_i^d\left(t\right)\right)\&le;0.5\end{array}\right.$

第九步、当迭代次数达到200时，则结束，将具有最高适应度值的个体解码得到最优特征子集，否则迭代次数加1，并返回步骤三继续进化种群直到满足特征选择终止条件。

得到最优特征子集后，医生可以将从新的淋巴结超声图像中提取的特征与最优特征子集比较，去掉最优特征子集中没有的特征，即冗余的，或含有噪声的特征，剩下的就是对医生有价值的特征，可以帮助医生准确快速的作出诊断。

本发明方法不仅限于超声图像处理，可以广泛应用于各种高维度和复杂类型数据集（如文本、图像，医学诊断和基因数据等）的模式分类，数据挖掘和可视化等问题。

Claims (10)

1.一种颈部淋巴结超声图像特征选择方法，其特征在于，包括以下步骤：

第一步、采集颈部淋巴结灰阶多普勒超声图像并提取颈部淋巴结图像的量化特征；

第二步、基于第一步给出的量化特征，使用二进制编码标记特征组合并随机初始化多个个体的位置及速度，形成样本集；

第三步、根据所述样本集设计极限学习机分类器；

第四步、对所述样本集进行学习和训练，测试并记录分类精度，采用分类精度和所选特征数目两个标准设计每个个体的适应度函数fit_i；

第五步、计算每个个体的质量M_i(t)，作用力F_i ^d(t)，进而得出每个个体的加速度

第六步、根据第五步中每个个体的加速度更新各自的速度

第七步、根据第六步中每个个体更新后的速度计算各自的波尔兹曼函数

第八步、使用第七步中每个个体的波尔兹曼函数更新各自的位置

第九步、若符合终止条件，则结束并输出最优位置即最优特征子集，否则迭代次数加1，并返回第三步继续进化种群直到满足特征选择终止条件，所述终止条件为：达到最大迭代次数。

2.根据权利要求1所述的一种颈部淋巴结超声图像特征选择方法，其特征在于，所述第一步中，提取颈部淋巴结超声图像的量化特征，具体方法如下：

通过超声仪器采集颈部淋巴结灰阶多普勒超声图像，给出淋巴结超声图像的量化特征，这里用F_i来表示第i个量化特征，具体定义如下：

(1)外形特征F₁－F₁₁：包括使用致密度F₁；实占率F₂；凸包深度F₃；傅里叶形状因子F₄；4个矩形状因子特征F₅－F₈；3个基于归一化径向长度特征F₉－F₁₁；

(2)边界特征F₁₂－F₁₄：包括采用锐度F₁₂；边缘亮度变化比F₁₃；边界平均最大下降梯度F₁₄；

(3)形态特征F₁₅：长/短径的比率F₁₅；

(4)纹理特征，包括灰度共生矩阵、Laws能量模板、灰度游程长度和小波纹理，它们分别为：

1)灰度共生矩阵F₁₆－F₂₉：包括角二阶矩F₁₆；对比度F₁₇；相关F₁₈；熵F₁₉；方差F₂₀；均值和F₂₁；逆差矩F₂₂；方差和F₂₃；差的方差F₂₄；和熵F₂₅；差熵F₂₆；聚类阴影F₂₇；显著聚类F₂₈；最大概率F₂₉；

2)Laws能量模板F₃₀－F₃₉：包括L5E5模板卷积后的均值F₃₀；L5S5模板卷积后的均值F₃₁；E5L5模板卷积后的均值F₃₂；S5L5模板卷积后的均值F₃₃；E5E5模板卷积后的均值F₃₄；L5E5模板卷积后的方差F₃₅；E5L5模板卷积后的方差F₃₆；S5L5模板卷积后的方差F₃₇；E5E5模板卷积后的方差F₃₈；L5S5模板卷积后的方差F₃₉；

3)灰度游程长度F₄₀－F₄₄：包括短游程优势F₄₀；长游程优势F₄₁；灰度不均匀性度量F₄₂；游程长度不均性度量F₄₃；游程比率F₄₄；

4)小波纹理特征F₄₅－F₅₆：包括低低频均值F₄₅；低低频方差F₄₆；低低频和Laws能量模板卷积后得到的各自的均值和方差F₄₇－F₅₆。

3.根据权利要求2所述的一种颈部淋巴结超声图像特征选择方法，其特征在于，所述第二步中，基于第一步给出的量化特征F₁－F₅₆，使用二进制编码标记特征组合并随机初始化多个个体的位置及速度，具体方法如下：

个体编码采用二进制，原始量化特征有56个，即个体的长度L=56，个体的每一个基因对应相应次序的特征，即当个体中的某一个基因为“1”时，表示该基因对应的特征项被选用；反之，为“0”时，表示该特征项未被选用。个体第i个基因值随机产生的公式为：

$x_i=\left\{\begin{array}{cc}0& \mathrm{rand}\left(\right)<0.5\\ 1& \mathrm{rand}\left(\right)\&GreaterEqual;0.5\end{array}\right.$

式中，rand()为[0，1]区间独立同分布的随机数。

4.根据权利要求3所述的一种颈部淋巴结超声图像特征选择方法，其特征在于，所述第四步中，适应度函数计算过程如下：

${\mathrm{fit}}_i={\mathrm{acc}}_i\&times;{\mathrm{\&omega;}}_A+[1-\frac{\underset{j=1}{\overset{L}{\mathrm{\&Sigma;}}}{f}_j}{L}]\&times;{\mathrm{\&omega;}}_F$

其中， ${\mathrm{acc}}_i=\frac{\mathrm{cc}}{\mathrm{cc}+\mathrm{uc}}\&times;100$

式中，ω_A式表示分类准确权值，ω_F表示特征选择数权值，f_j表示基因的特征值(0或1)，acc_i表示分类准确率，cc表示正确分类数，uc表示不正确分类数。

5.根据权利要求4所述的一种颈部淋巴结超声图像特征选择方法，其特征在于，所述第五步中，

质量M_i(t)的计算按下公式：

$M_i\left(t\right)=\frac{m_i\left(t\right)}{\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}{m}_j\left(t\right)}$

其中， $m_i\left(t\right)=\frac{{\mathrm{fit}}_i\left(t\right)-\mathrm{worst}\left(t\right)}{\mathrm{best}\left(t\right)-\mathrm{worst}\left(t\right)},\mathrm{best}\left(t\right)=\underset{j\&Element;\{1,...,k\}}{\min }{\mathrm{fit}}_j\left(t\right),\mathrm{worst}\left(t\right)=\underset{j\&Element;\{1,...,k\}}{\max }{\mathrm{fit}}_j\left(t\right);$ fit_i为个体i的适应度函数；fit_j为个体j的适应度函数；

作用力F_i ^d(t)的计算按如下公式：

${F^d}_i\left(t\right)=\underset{j=1,j\&NotEqual;i}{\overset{P}{\mathrm{\&Sigma;}}}{\mathrm{rand}}_j{F}_{\mathrm{ij}}^d\left(t\right)$

其中， $F_{\mathrm{ij}}^d\left(t\right)=G\left(t\right)\frac{M_i\left(t\right)\&times;M_j\left(t\right)}{R_{\mathrm{ij}}\left(t\right)}(x_j^d\left(t\right)-x_i^d\left(t\right)),G\left(t\right)=G_0(1-\frac{t}{T}),$ G₀是初始万有引力常数，t是当前的迭代，T是总的迭代次数，R_ij(t)表示在t时刻个体i和个体j之间的汉明距离；rand为[0，1]区间独立同分布的随机数；

加速度

的计算按如下公式：

$a_i^d\left(t\right)=\frac{{F_i}^d\left(t\right)}{M_i\left(t\right)}$

其中F_i ^d(t)为个体的作用力，M_i(t)为个体的质量。

6.根据权利要求5所述的一种颈部淋巴结超声图像特征选择方法，其特征在于，所述第六步中，更新速度

按如下方法：

$v_i^d\left(t\right)={\mathrm{rand}}_i\&times;v_i^d(t-1)+a_i^d\left(t\right),$ 其中为个体的加速度。

7.根据权利要求6所述的一种颈部淋巴结超声图像特征选择方法，其特征在于，所述第七步中，个体的波尔兹曼函数按如下方法实现：

为每个个体的波尔兹曼函数；其中，

为当前个体的速度。K为表示网络的"温度"参数，取[0，1]区间上的某个值。

8.根据权利要求7所述的一种颈部淋巴结超声图像特征选择方法，其特征在于，所述第八步中，新个体的位置按如下方法实现：

$X_i^d\left(t\right)=\left\{\begin{array}{ccc}1,& \mathrm{if}& f\left(X_i^d\left(t\right)\right)>0.5\\ 0,& \mathrm{if}& f\left(X_i^d\left(t\right)\right)\&le;0.5\end{array}\right..$

9.根据权利要求1或3所述的一种颈部淋巴结超声图像特征选择方法，其特征在于，所述第二步中，基于第一步给出的量化特征F₁－F₅₆，使用二进制编码标记特征组合并随机初始化的个体的数量为100个。

10.根据权利要求1所述的一种颈部淋巴结超声图像特征选择方法，其特征在于，所述第九步中，最大迭代次数为200，或为300，或为400，或为500。

Images