CN105184798A - 引入遗传算法的最大类间距离法肺部恶性肿瘤mri识别方法 - Google Patents

Abstract

本发明涉及图像处理技术领域，尤其涉及一种引入遗传算法的最大类间距离法肺部恶性肿瘤MRI识别方法。它主要是增加了一个非线性遗传阵列优化模型，将已经分割好的图像经过非线性遗传阵列优化模型优化，采用这种方法得到的分割图像准确度较高，进而使得肺部肿瘤的识别准确度更高。

Description

引入遗传算法的最大类间距离法肺部恶性肿瘤MRI识别方法

技术领域

本发明涉及图像处理技术领域，尤其涉及一种引入遗传算法的最大类间距离法肺部恶性肿瘤MRI识别方法。

背景技术

医学图像分割是提取影像图像中特殊组织的定量信息所不可缺少的手段，同时也是图像三维重建和可视化的前提。分割后的图像被广泛地应用于各种场合，如病变组织的定位及诊断，解剖结构的学习，计算机指导手术和三维可视化等。

MRI(核磁共振成像)图像是医用图像的重要组成部分之一，但是由于MRI图像存在一定程度的噪声，所以我们需要对原始MRI图像进行预处理，以便获得更好的像质，提高处理的精度，得到理想的分割效果。

现有技术主要采用遗传算法对图像进行分割，提高图像分割的准确度。但是采用这种方法得到的分割图像的准确度还是不够高。

发明内容

本发明所要解决的技术问题是：提供一种引入遗传算法的最大类间距离法肺部恶性肿瘤MRI识别方法，采用这种方法得到的分割图像准确度较高，进而使得肺部肿瘤的识别准确度更高。

本发明所采用的技术方案是：一种引入遗传算法的最大类间距离法肺部恶性肿瘤MRI识别方法，其特征在于，它包括以下步骤：

(1)、建立已知肺部MRI图像的标准信噪比数据合集；

(2)、获取待分割的肺部MRI图像，并且将其转换为灰度图像；

(3)、计算步骤(2)得到的灰度图像的灰度直方图；

(4)、对步骤(2)中得到的灰度图像的灰度值进行编码，随机产生M个初始种群；

(5)、计算步骤(4)得到的种群中每一个个体的适应度；

(6)、对步骤(4)得到的种群进行遗传操作得到新种群，遗传操作包括选择操作、交叉操作以及变异操作；

(7)、判断新种群是否满足终止条件，若满足，则结束，得到分割阈值，并且跳转到下一步；若不满足，则跳转到步骤(5)；

(8)、根据步骤(7)得到的分割阈值处理步骤(2)得到的待分割的肺部灰度图像，然后得到分割图像；

(9)、将步骤(8)得到的分割图像以3*3邻域的模式，分块依次输入到非线性遗传阵列优化模型，得到输出信噪比数据合集，其中所述的非线性遗传阵列优化模型如下：

$\frac{ds}{dt}=A\×f(t,\mathrm{\γ})+img\left(t\right)+ns-{\mathrm{ms}}^3+\sqrt{2\mathrm{\α}}\mathrm{\ξ}\left(t\right);$

式中，A为信号幅度；s为布朗粒子运动坐标；t为布朗粒子运动时间；γ为偏振初始值；A×f(t,γ)为非周期性输入信号函数；img(t)为3*3邻域输入图像；m、n为双稳态势垒实参数；α为噪声强度；ξ(t)为均值为0的高斯白噪声；

(10)、将步骤(9)得到的输出信噪比数据合集与步骤(1)得到的标准信噪比数据合集相比，若相似度≥90％，在判断优化成功；若相似度＜90％，则判断优化不成功，返回步骤(2)继续进行分割与优化。

步骤(1)中建立已知肺部MRI图像的标准信噪比数据合集包括以下具体步骤：

A、通过传统方法分割多个肺部MRI图像；

B、通过医生肉眼观察判断步骤A分割后的图像是否准确，若准确则归入到正确图像集中；

C、计算步骤B中正确图像集中的所有分割图像的信噪比数据合集，然后取平均值得到标准信噪比数据合集。

步骤(5)中计算步骤(4)得到的种群中每一个个体的适应度所采用的算法为最大类间方差法。

采用以上方法与现有技术相比，本发明具有以下优点：采用引入遗传算法的最大类间方差法对图像进行分割，最后再采用非线性遗传阵列优化模型优化分割的图像，并且还与现有技术得到的标准肺部MRI分割图像做对比，最后得到优化后的肺部MRI分割图像，得到分割图像准确度较高，且采用这种分割图像对肺部肿瘤的识别准确度较高。

附图说明

图1为原始灰度图像。

图2为采用本发明方法得到的分割图像。

图3为本发明引入遗传算法的最大类间距离法肺部恶性肿瘤MRI识别方法中噪声强度与信噪比的关系图。

具体实施方式

以下结合附图与具体实施方式对本发明做进一步描述，但是本发明不仅限于以下具体实施方式。

一种引入遗传算法的最大类间距离法肺部恶性肿瘤MRI识别方法，即一种肺部恶性肿瘤识别过程中使用的引入遗传算法的最大类间距离MRI图像分割方法，它实质上是一种肺部MRI图像的分割优化方法，其特征在于，它包括以下步骤：

(1)、建立已知肺部MRI图像的标准信噪比数据合集；

A、通过传统方法分割多个肺部MRI图像；所述传统方法为标记分水岭法，也可以是其他常规的图像分割方法；

B、通过医生肉眼观察判断步骤A分割后的图像是否准确，若准确则归入到正确图像集中；

所述判断步骤A分割后的图像是否准确是指医生通过经验来判断是否将脑部的各个组织分离开来了，若是完全分割开来了，则判断是正确的，若有些组织分割时被破坏了或者没有将两个组织分割开来，则判断是不正确的；

C、计算步骤B中正确图像集中的所有分割图像的信噪比数据合集，然后取平均值得到标准信噪比数据合集。

信噪比是通过计算分割图像中有用像素点的灰度值与无用像素点的灰度值作对比得到的。

(2)、获取待分割的肺部MRI图像，并且将其转换为灰度图像；

(3)、计算步骤(2)得到的灰度图像的灰度直方图；

(4)、对步骤(2)中得到的灰度图像的灰度值进行编码，随机产生M个初始种群；

灰度范围为0-255，对范围内的图像灰度级用8位二进制码进行编码，编码范围为00000000-11111111。

(5)、计算步骤(4)得到的种群中每一个个体的适应度；

所采用的算法为最大类间方差法；首先需要解码，然后根据函数式中，设二进制码船解码后得到的阈值t将待分割图像分为C₀类和C₁类，其中ω₀、ω₁分别为C₀类和C₁类内像素点出现的概率，μ₀、μ₁分别为C₀类、C₁类内像素点的平均灰度值，即二进制码串解码后得到的阈值t对应的个体适应度值。

(6)、对步骤(4)得到的种群进行遗传操作得到新种群，遗传操作包括选择操作、交叉操作以及变异操作；

其中选择操作是：将当代种群中的个体按照适应度值由大到小选择前M个个体，将它们复制到下一代种群中。即选择适应度大优秀个体；

交叉操作是：将上述选择操作得到的种群中的个体两两随机配对，对每一对相互配对的个体，然后依照设定的交叉概率P_c对配对的个体进行交叉，并更新种群，将交叉后的个体代替交叉前的个体；

变异操作是：将上述交叉操作后得到的种群中的个体，依照设定的变异概率P_m进行变异，将变异后的个体代替变异前的个体。

(7)、判断新种群是否满足终止条件，若满足，则结束，得到分割阈值，并且跳转到下一步；若不满足，则跳转到步骤(5)；终止条件是选择操作、交叉操作以及变异操作达到一定次数，或者是种群中最大适应度值不再发生变化；

(8)、根据步骤(7)得到的分割阈值处理步骤(2)得到的待分割的肺部灰度图像，然后得到分割图像；

(9)、将步骤(8)得到的分割图像以3*3邻域的模式，分块依次输入到非线性遗传阵列优化模型，得到输出信噪比数据合集，其中所述的非线性遗传阵列优化模型如下：

$\frac{ds}{dt}=A\×f(t,\mathrm{\γ})+img\left(t\right)+ns-{\mathrm{ms}}^3+\sqrt{2\mathrm{\α}}\mathrm{\ξ}\left(t\right);$

式中，A为信号幅度；s为布朗粒子运动坐标；t为布朗粒子运动时间；γ为偏振初始值；A×f(t,γ)为非周期性输入信号函数；img(t)为3*3邻域输入图像；m、n为双稳态势垒实参数；α为噪声强度；ξ(t)为均值为0的高斯白噪声；

非线性遗传阵列优化算法是一种非线性图像优化算法，目前已在信号分析中具有广泛应用，一般以一个非周期力驱动的布朗运动粒子在双稳势阱中的运动轨迹来描述该模型：

式(1)中，A为信号幅度；s为坐标；t为时间；γ为偏振初始值；A×f(t,γ)为非周期性输入信号函数；V(s)为对称双势阱模型，如式(2)所示，m、n为实参数；α为噪声强度；ξ(t)为均值为0的高斯白噪声，其自相关函数E[ξ(t)ξ(0)]＝2αδ(t)，其强度为α，δ(t)为单位脉冲函数。

因此式(1)可以改写为：

输出信噪比参数通常被用来表征非线性双稳态偏向共振，其定义为：

其中s为布朗粒子运动坐标；A为信号幅度；α为噪声强度；

图像数据img(t)和A×f(t,γ)耦合之后输入非周期共振单元，式(3)改写为：

$\frac{ds}{dt}=A\×f(t,\mathrm{\γ})+img\left(t\right)+ns-{\mathrm{ms}}^3+\sqrt{2\mathrm{\α}}\mathrm{\ξ}\left(t\right)---\left(5\right)$

式中，偏向共振系统参数包括噪声强度α、固定周期信号强度A、双稳态势垒实参数m和n、固定周期信号初始相位ψ等参数。在实际分析中，保持固定周期信号参数A＝7.6不变，并使得噪声强度α取值范围为[0,40]，此时令双稳态势垒参数n＝12，并使m在[1,100]之内进行步进为1的变化，同时监控系统输出信噪比，当输出信噪比曲线产生特征峰并且峰值为最大值时，即可以确定m＝18，此时各项参数为最优化选择。

这个计算的目的是优化图像分割之后边缘信息，有利于提高分割的准确度，如图3所示：在某个噪声强度激励下，系统输出信噪比达到最优化条件，也就是输出信噪比出现了极大值，在极大值情况下，是满足图像的最优化分割的，然后可以根据此时的输出信噪比得到最优化的图像分割。

(10)、将步骤(9)得到的输出信噪比数据合集与步骤(1)得到的标准信噪比数据合集相比，若相似度≥90％，在判断优化成功；若相似度＜90％，则判断优化不成功，返回步骤(2)继续进行分割与优化。

这个比较是首先在输出信噪比合集里面取出一个信噪比值，然后在标准信噪比合集中与前者相对应位置取出一个信噪比值，将两者相减取绝对值，然后将差值的绝对值除以之前的标准信噪比合集中取出的信噪比值，再乘以100％，最后将所有得到的值取平均值，判断是否小于10％。

Claims (3)

1.一种引入遗传算法的最大类间距离法肺部恶性肿瘤MRI识别方法，其特征在于，它包括以下步骤：

(1)、建立已知肺部MRI图像的标准信噪比数据合集；

(2)、获取待分割的肺部MRI图像，并且将其转换为灰度图像；

(3)、计算步骤(2)得到的灰度图像的灰度直方图；

(4)、对步骤(2)中得到的灰度图像的灰度值进行编码，随机产生M个初始种群；

(5)、计算步骤(4)得到的种群中每一个个体的适应度；

(6)、对步骤(4)得到的种群进行遗传操作得到新种群，遗传操作包括选择操作、交叉操作以及变异操作；

(7)、判断新种群是否满足终止条件，若满足，则结束，得到分割阈值，并且跳转到下一步；若不满足，则跳转到步骤(5)；

(8)、根据步骤(7)得到的分割阈值处理步骤(2)得到的待分割的肺部灰度图像，然后得到分割图像；

(9)、将步骤(8)得到的分割图像以3*3邻域的模式，分块依次输入到非线性遗传阵列优化模型，得到输出信噪比数据合集，其中所述的非线性遗传阵列优化模型如下：

$\frac{ds}{dt}=A\×f(t,\mathrm{\γ})+img\left(t\right)+ns-{\mathrm{ms}}^3+\sqrt{2\mathrm{\α}}\mathrm{\ξ}\left(t\right);$

式中，A为信号幅度；s为布朗粒子运动坐标；t为布朗粒子运动时间；γ为偏振初始值；A×f(t,γ)为非周期性输入信号函数；img(t)为3*3邻域输入图像；m、n为双稳态势垒实参数；α为噪声强度；ξ(t)为均值为0的高斯白噪声；

(10)、将步骤(9)得到的输出信噪比数据合集与步骤(1)得到的标准信噪比数据合集相比，若相似度≥90％，在判断优化成功；若相似度＜90％，则判断优化不成功，返回步骤(2)继续进行分割与优化。

2.根据权利要求1所述的引入遗传算法的最大类间距离法肺部恶性肿瘤MRI识别方法，其特征在于：步骤(1)中建立已知肺部MRI图像的标准信噪比数据合集包括以下具体步骤：

A、通过传统方法分割多个肺部MRI图像；

B、通过医生肉眼观察判断步骤A分割后的图像是否准确，若准确则归入到正确图像集中；

C、计算步骤B中正确图像集中的所有分割图像的信噪比数据合集，然后取平均值得到标准信噪比数据合集。

3.根据权利要求1所述的引入遗传算法的最大类间距离法肺部恶性肿瘤MRI识别方法，其特征在于：步骤(5)中计算步骤(4)得到的种群中每一个个体的适应度所采用的算法为最大类间方差法。