CN106023205A - 基于简化粒子群优化二维最大熵阈值的医学影像分割方法 - Google Patents
基于简化粒子群优化二维最大熵阈值的医学影像分割方法 Download PDFInfo
- Publication number
- CN106023205A CN106023205A CN201610342326.1A CN201610342326A CN106023205A CN 106023205 A CN106023205 A CN 106023205A CN 201610342326 A CN201610342326 A CN 201610342326A CN 106023205 A CN106023205 A CN 106023205A
- Authority
- CN
- China
- Prior art keywords
- population
- threshold
- dimensional
- medical image
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
Abstract
一种基于简化粒子群优化二维最大熵阈值的医学影像分割方法,该方法针对一种传统粒子群优化算法及二维最大熵阈值分割算法进行简单组合的分割方法中存在的问题提出改进,本方法通过一种改进的粒子群优化算法优化选择二维最大熵阈值,通过二维最大熵值方法的分割效果来评价阈值优劣,得到最优个体,并以最优个体对应的参数对医学影像进行分割,获得最优医学影像。本发明方法简化了优化算法中粒子的进化过程、降低计算的复杂度,能够快速获得分割阈值,实现对原始图像的高效分割,更能分割出条理清晰,细节鲜明的医学影像图,协助医生迅速找到病灶部位,做出医学诊断。
Description
技术领域
本发明属于数字图像处理技术领域,涉及一种基于简化粒子群优化二维最大熵阈值的医学影像分割方法。
背景技术
医学图像的分析与处理是数字图像处理的一个重要应用,它通过计算机软件程序对医疗器械采集得到的各种影像进行分析处理,为医生提供相应辅助而对病人进行精准的诊疗。医学影像分析涉及多种技术,包括图像分割,三维可视化,计算机辅助远程诊疗等等。其中,图像分割是其他分析处理技术的基础,在医学影像的处理中发挥着基础性的作用。具体来说,医学影像分割是指从医学影像中提取感兴趣区域(Region ofInterest,ROI)的边界,使得分割提取得到的影像区域与其他部分能够明显地区分开来。
目前,在医学影像分割领域所采用的图像分割方法主要包括:基于灰度直方图的分割方法、最大熵阈值分割方法、最大类间方差分割方法、基于区域的分割方法以及基于边缘的分割方法,等等。
二维最大熵阈值分割方法是在一维最大熵阈值分割方法的基础上推广而来的,其同时考虑了像素的灰度级及其邻域平均灰度级构成的二维直方图,通过综合考虑原始图像代表目标和背景的信息量达到最大,而获得最佳阈值,因而能够获得很好的分割效果。
粒子群优化算法是与遗传算法类似的一种随机优化方法,它是一种并行进化优化技术,因其所具有的优越性能,现在已被广泛应用于各种参数的随机优化。但是传统的基本粒子群优化算法优化后期收敛缓慢,容易陷入局部最优,而一些研究者对其进行的改进不仅使得算法越来越复杂,也使得其收敛性越来越繁琐。
因此这两种方法都存在一定的缺陷,即传统的二维最大熵阈值分割方法中存在需要手动设置阈值,难以得到全局最优的问题;传统的粒子群算法中存在计算速度慢,易陷入局部极小值的问题。而部分研究者将两种方法进行组合,但效果不是很理想;经典粒子群优化算法仅仅将速度与位置进行不合理的相加运算,使得运算复杂度增加,而且难以达到预期效果。
如何改进传统的医学影像分割方法,以较快的速度收敛于全局最优阈值,得到最优的分割结果,获得纹理清晰,细节鲜明的医学影像图,从而协助医生迅速找到病灶部位,做出医学诊断,是一个需要解决的问题。
发明内容
本发明的目的在于提供一种通过改进的粒子群优化算法优化选择二维最大熵阈值的分割方法,通过二维最大熵阈值分割方法的分割效果来评价阈值优劣,得到最优个体,并以最优个体对应的参数对医学影像进行分割,获得最优医学影像,来协助医生迅速找到病灶部位,做出医学诊断。
本发明主要用于医学影像的分割,包括且不限于CT、B超、MRI影像等常见的医学影像,通过分割目标器官,与正常的器官进行对比分析,找出病灶部位,辅助医学诊断。
本发明的方法通过以下技术方案实现:基于简化粒子群优化二维最大熵阈值的医学影像分割方法,该方法包括:
(1)读取原始医学影像,计算原始影像的二维灰度直方图;
(2)依据二维灰度直方图确定阈值范围,并随机产生简化粒子群算法的初始化种群;
(3)通过适应度函数计算初始化种群每个个体的得分,得到种群中每一个个体的个体最优值和整个种群内的全局最优值;
(4)依据简化粒子群优化算法优化初始种群中的每一个个体的个体最优值和种群内的全局最优值,产生新的个体种群;
(5)由新产生的个体种群得到新的个体最优和全局最优值;
(6)判断粒子群优化算法的迭代过程是否迭代到最大迭代代数:若达到最大迭代代数,则终止优化过程,得到最优阈值;若未达到,则返回至简化粒子群优化算法的优化过程,直至达到最大代数;
(7)根据最优阈值结合二维最大熵阈值分割计算方法进行图像分割,得到图像矩阵。
优选的,所述步骤(1)中计算医学影像的二维灰度直方图的方法:
A.对大小为N×N的L个灰度级的原始灰度图像,以其中每一个像素及其周围8个邻域的8个像素为一个区域,计算出区域灰度均值;
B.原始图像上的每个像素,可以得到一个点灰度-区域灰度均值对;
C.通过相应点灰度-区域灰度均值对发生的概率,即可得到原始图像关于点灰度-区域灰度均值的二维直方图。
优选的,所述步骤(3)、(5)中计算种群中每一个个体的适应度函数,即
f=φ(s,t)=E(A)+E(B)
式中,s、t为二维最大熵阈值对(s,t),也即种群中每一个个体对应的待优化参数,E(A)、E(B)分别为原始图像目标区域和背景区域的二维熵,其计算过程如下:
原始图像目标区域:
背景区域:
其中,L为原始图像的灰度级,pij为点灰度-区域灰度均值对(i,j)发生的概率,其计算公式为
其中,nij为原始图像中灰度为i且区域灰度均值为j的像素点数,N×N为原始图像的大小。
优选的,所述步骤(4)中采用简化的粒子群优化算法来更新当前世代种群而产生新的个体,其个体更新公式为
式中,i=1,2,3,...m为种群中的每一个个体;d=1,2,3,...,D为D维优化搜索空间;为第t代种群中的第i个粒子在第d维的位置;ω为动量惯性系数,c1和c2是学习因子,为非负常数,r1和r2是服从U(0,1)分布的随机数;pid和pgd分别为该粒子当前搜索得到的最优位置和整个粒子群当前的最优位置。
本发明与现有技术相比较,其有益效果:本方法使用改进的粒子群优化算法优化选择二维最大熵阈值,这能实现计算速度快、随机优化阈值得到全局最优值,从而实现快速自动分割医学影像,获得纹理清晰、细节分明的医学影像图。
附图说明
图1是本发明的流程图。
图2是使用手动选择的阈值和本发明使用粒子群优化方法自动选择的阈值分别用于分割一幅CT影像的效果图。
具体实施方式
下面结合一幅肺部CT影像的分割来进一步详细阐述本发明的具体步骤和执行过程:
(1)读入原始的灰度CT影像,该图像大小为512×512;根据原始的灰度图像计算其二维灰度直方图;
(2)根据二维灰度直方图确定待优化阈值的取值范围,并据此随机产生初始化种群;
(3)计算初始化种群的适应度函数值,并由此得到该种群的个体最优值和全局最优值;
(4)根据粒子群优化算法和个体最优值、全局最优值通过简化粒子群算法,产生新的个体;
(5)计算新种群中每个个体的适应度函数值,得到新种群的个体最优值和全局最优值;
(6)判断粒子群优化算法的迭代过程是否达到最大迭代代数,若达到最大迭代代数,则终止优化过程,得到最优阈值;若未达到,则返回至(4),直至得到最优阈值;
(7)使用最优阈值结合二维最大熵阈值分割方法对CT影像进行分割,得到分割后的CT影像。(见图2(c))
从图2所示的CT影像分割结果中可以看到,相比使用手动选择的阈值方法分割,使用本发明方法分割所得结果纹理清晰,细节鲜明。
以上所述仅为本发明的较佳实施例,而本发明所述的医学影像包括且不限于CT、B超、MRI影像,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的范围之内。
Claims (4)
1.基于简化粒子群优化二维最大熵阈值的医学影像分割方法,其特征在于,该方法包括:
(1)读取原始医学影像,计算原始影像的二维灰度直方图;
(2)依据二维灰度直方图确定阈值范围,并随机产生简化粒子群算法的初始化种群;
(3)通过适应度函数计算初始化种群每个个体的得分,得到种群中每一个个体的个体最优值和整个种群内的全局最优值;
(4)依据简化粒子群优化算法优化初始种群中的每一个个体的个体最优值和种群内的全局最优值,产生新的个体种群;
(5)由新产生的个体种群得到新的个体最优和全局最优值;
(6)判断粒子群优化算法的迭代过程是否迭代到最大迭代代数:若达到最大迭代代数,则终止优化过程,得到最优阈值;若未达到,则返回至简化粒子群优化算法的优化过程,直至达到最大代数;
(7)根据最优阈值结合二维最大熵阈值分割计算方法进行图像分割,得到图像矩阵。
2.根据权利要求1所述的基于简化粒子群优化二维最大熵阈值的医学影像分割方法,其特征在于,所述步骤(1)中计算医学影像的二维灰度直方图的方法:
A.对大小为N×N的L个灰度级的原始灰度图像,以其中每一个像素及其周围8个邻域的8个像素为一个区域,计算出区域灰度均值;
B.原始图像上的每个像素,可以得到一个点灰度-区域灰度均值对;
C.通过相应点灰度-区域灰度均值对发生的概率,即可得到原始图像关于点灰度-区域灰度均值的二维直方图。
3.根据权利要求1所述的基于简化粒子群优化二维最大熵阈值的医学影像分割方法,其特征在于,所述步骤(3)、(5)中计算种群中每一个个体的适应度函数,即
f=φ(s,t)=E(A)+E(B)
式中,s、t为二维最大熵阈值对(s,t),也即种群中每一个个体对应的待优化参数,E(A)、E(B)分别为原始图像目标区域和背景区域的二维熵,其计算过程如下:
原始图像目标区域:
背景区域:
其中,L为原始图像的灰度级,pij为点灰度-区域灰度均值对(i,j)发生的概率,其计算公式为
其中,nij为原始图像中灰度为i且区域灰度均值为j的像素点数,N×N为原始图像的大小。
4.根据权利要求1所述的基于简化粒子群优化二维最大熵阈值的医学影像分割方法,其特征在于,所述步骤(4)中采用简化的粒子群优化算法来更新当前世代种群而产生新的个体,其个体更新公式为
式中,i=1,2,3,...m为种群中的每一个个体;d=1,2,3,...,D为D维优化搜索空间;为第t代种群中的第i个粒子在第d维的位置;为动量惯性系数,c1和c2是学习因子,为非负常数,r1和r2是服从U(0,1)分布的随机数;pid和pgd分别为该粒子当前搜索得到的最优位置和整个粒子群当前的最优位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610342326.1A CN106023205A (zh) | 2016-05-23 | 2016-05-23 | 基于简化粒子群优化二维最大熵阈值的医学影像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610342326.1A CN106023205A (zh) | 2016-05-23 | 2016-05-23 | 基于简化粒子群优化二维最大熵阈值的医学影像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106023205A true CN106023205A (zh) | 2016-10-12 |
Family
ID=57095517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610342326.1A Pending CN106023205A (zh) | 2016-05-23 | 2016-05-23 | 基于简化粒子群优化二维最大熵阈值的医学影像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106023205A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951901A (zh) * | 2017-03-06 | 2017-07-14 | 哈尔滨工程大学 | 一种基于b型双链量子遗传算法的二维最大熵图像分割方法 |
CN109035258A (zh) * | 2018-07-20 | 2018-12-18 | 北京工业大学 | 一种基于有向交叉遗传算法和二维最大熵阈值分割算法的图像分割方法 |
CN109919880A (zh) * | 2019-03-18 | 2019-06-21 | 郑州轻工业学院 | 一种基于粒子群优化的红外图像增强方法 |
CN110047088A (zh) * | 2019-04-01 | 2019-07-23 | 南京邮电大学 | 一种基于改进教与学优化算法的ht-29图像分割方法 |
CN111340741A (zh) * | 2020-01-03 | 2020-06-26 | 中北大学 | 基于四元数与l1范数的粒子群优化灰度图像增强方法 |
CN111709957A (zh) * | 2020-06-22 | 2020-09-25 | 河南理工大学 | 一种基于二维最大熵阈值c-v模型的医学图像分割法 |
US11120245B2 (en) | 2019-11-08 | 2021-09-14 | Wistron Corporation | Electronic device and method for obtaining features of biometrics |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496156A (zh) * | 2011-11-17 | 2012-06-13 | 西安电子科技大学 | 基于协同量子粒子群算法的医学图像分割方法 |
CN102903113A (zh) * | 2012-10-08 | 2013-01-30 | 南京邮电大学 | 基于协作量子粒子群算法的多阈值图像分割方法 |
CN103871029A (zh) * | 2014-01-28 | 2014-06-18 | 西安科技大学 | 一种图像增强及分割方法 |
CN105405136A (zh) * | 2015-11-04 | 2016-03-16 | 南方医科大学 | 一种基于粒子群算法的自适应脊柱ct图像分割方法 |
-
2016
- 2016-05-23 CN CN201610342326.1A patent/CN106023205A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496156A (zh) * | 2011-11-17 | 2012-06-13 | 西安电子科技大学 | 基于协同量子粒子群算法的医学图像分割方法 |
CN102903113A (zh) * | 2012-10-08 | 2013-01-30 | 南京邮电大学 | 基于协作量子粒子群算法的多阈值图像分割方法 |
CN103871029A (zh) * | 2014-01-28 | 2014-06-18 | 西安科技大学 | 一种图像增强及分割方法 |
CN105405136A (zh) * | 2015-11-04 | 2016-03-16 | 南方医科大学 | 一种基于粒子群算法的自适应脊柱ct图像分割方法 |
Non-Patent Citations (1)
Title |
---|
明生 等: "基于粒子群优化的最大二维信息熵图像分割算法", 《河南省计算机学会2008年学术年会》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951901A (zh) * | 2017-03-06 | 2017-07-14 | 哈尔滨工程大学 | 一种基于b型双链量子遗传算法的二维最大熵图像分割方法 |
CN106951901B (zh) * | 2017-03-06 | 2020-05-15 | 哈尔滨工程大学 | 一种基于b型双链量子遗传算法的二维最大熵图像分割方法 |
CN109035258A (zh) * | 2018-07-20 | 2018-12-18 | 北京工业大学 | 一种基于有向交叉遗传算法和二维最大熵阈值分割算法的图像分割方法 |
CN109035258B (zh) * | 2018-07-20 | 2021-08-13 | 北京工业大学 | 一种基于有向交叉遗传算法和二维最大熵阈值分割算法的图像分割方法 |
CN109919880A (zh) * | 2019-03-18 | 2019-06-21 | 郑州轻工业学院 | 一种基于粒子群优化的红外图像增强方法 |
CN110047088A (zh) * | 2019-04-01 | 2019-07-23 | 南京邮电大学 | 一种基于改进教与学优化算法的ht-29图像分割方法 |
CN110047088B (zh) * | 2019-04-01 | 2022-08-26 | 南京邮电大学 | 一种基于改进教与学优化算法的ht-29图像分割方法 |
US11120245B2 (en) | 2019-11-08 | 2021-09-14 | Wistron Corporation | Electronic device and method for obtaining features of biometrics |
TWI743588B (zh) * | 2019-11-08 | 2021-10-21 | 緯創資通股份有限公司 | 電子裝置與生物辨識的特徵獲得方法 |
CN111340741A (zh) * | 2020-01-03 | 2020-06-26 | 中北大学 | 基于四元数与l1范数的粒子群优化灰度图像增强方法 |
CN111340741B (zh) * | 2020-01-03 | 2023-05-09 | 中北大学 | 基于四元数与l1范数的粒子群优化灰度图像增强方法 |
CN111709957A (zh) * | 2020-06-22 | 2020-09-25 | 河南理工大学 | 一种基于二维最大熵阈值c-v模型的医学图像分割法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111127466B (zh) | 医学图像检测方法、装置、设备及存储介质 | |
Li et al. | ANU-Net: Attention-based nested U-Net to exploit full resolution features for medical image segmentation | |
US11101033B2 (en) | Medical image aided diagnosis method and system combining image recognition and report editing | |
Chen et al. | Automatic segmentation of individual tooth in dental CBCT images from tooth surface map by a multi-task FCN | |
CN106023205A (zh) | 基于简化粒子群优化二维最大熵阈值的医学影像分割方法 | |
CN107784647B (zh) | 基于多任务深度卷积网络的肝脏及其肿瘤分割方法及系统 | |
Xie et al. | Mci-net: multi-scale context integrated network for liver ct image segmentation | |
CN113516659B (zh) | 一种基于深度学习的医学影像自动分割方法 | |
CN107977952A (zh) | 医学图像分割方法及装置 | |
JP7463575B2 (ja) | 情報処理装置、情報処理方法およびプログラム | |
Huang et al. | One-stage pulmonary nodule detection using 3-D DCNN with feature fusion and attention mechanism in CT image | |
Yao et al. | Advances on pancreas segmentation: a review | |
CN112820399A (zh) | 自动诊断甲状腺结节良恶性的方法及装置 | |
Cho et al. | Deepscribble: interactive pathology image segmentation using deep neural networks with scribbles | |
Wang et al. | Medical matting: a new perspective on medical segmentation with uncertainty | |
Song et al. | Adaptive fast marching method for automatic liver segmentation from CT images | |
Lu et al. | Lung cancer detection using a dilated CNN with VGG16 | |
Shabani et al. | Self-supervised region-aware segmentation of COVID-19 CT images using 3D GAN and contrastive learning | |
Cao et al. | A novel method for image segmentation: two-stage decoding network with boundary attention | |
Goutham et al. | Automatic localization of landmarks in cephalometric images via modified U-Net | |
CN116883341A (zh) | 一种基于深度学习的肝脏肿瘤ct图像自动分割方法 | |
US20220406049A1 (en) | Systems and methods for digital transformation of medical images and fibrosis detection | |
Chen et al. | Femoral head segmentation based on improved fully convolutional neural network for ultrasound images | |
CN116092643A (zh) | 一种基于医疗影像的交互式半自动标注方法 | |
Xie et al. | Identification method of thyroid nodule ultrasonography based on self-supervised learning dual-branch attention learning framework |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20161012 |