CN110929731A - 一种基于探路者智能搜索算法的医疗影像处理方法及装置 - Google Patents

Abstract

本发明提供一种基于探路者智能搜索算法的医疗影像处理方法及装置，所述方法包括：获取输入的待处理医疗影像I(i,j)，将图像分割为n个窗口，对n个窗口中的每一个窗口，采用中值滤波去除噪声，得到无噪声图像I^F(i,j)；基于灰度共生矩阵(GLCM)特征提取方法从所述无噪声图像I^F(i,j)中提取图像的纹理参数，所述纹理参数包括相邻像素之间的对比度、关联度、角二阶矩、逆差分矩(IDM)、熵，并构建GLCM特征；利用探路者智能搜索算法从构建的GLCM特征提取重要纹理特征；将提取到的所述重要纹理特征输入训练好的核极限学习机KELM，得到所述待处理医疗影像的分类、识别结果。根据本发明的方案，能够提高超声图像识别的准确性，提高超声图像分类、图像识别的效率。

Description

一种基于探路者智能搜索算法的医疗影像处理方法及装置

技术领域

本发明涉及医学影像技术领域，尤其涉及一种基于探路者智能搜索算法的医疗影像处理方法及装置。

背景技术

近年来，医学影像技术得到快速发展，超声影像是医学影像学的一个重要分支，在定量分析、实时诊断和手术规划等方面都具有重要作用，可以为医务工作者的分析、诊断提供依据。

但超声图像的散斑噪声发生率比CT、MRI高，会影响超声图像的识别的准确性。并且为了对超声图像中感兴趣的区域进行识别，需要从超声图像中提取大量特征，虽然提取大量特征可以提高超声图像识别的准确性，但还是会提取到不相关的、冗余的特征，影响了超声图像分类、图像识别的效率。

发明内容

为解决上述技术问题，本发明提出了一种基于探路者智能搜索算法的医疗影像处理方法及装置，用以解决现有技术中超声图像噪声高，识别图像时提取了大量不相关的、冗余的特征，影响了超声图像分类、图像识别的效率的技术问题。

根据本发明的第一方面，提供一种基于探路者智能搜索算法的医疗影像处理方法，包括：

步骤S101：获取输入的待处理医疗影像I(i,j)，将图像分割为n个窗口，对n个窗口中的每一个窗口，采用中值滤波去除噪声，得到无噪声图像I^F(i,j)；

步骤S102：基于灰度共生矩阵(GLCM)特征提取方法从所述无噪声图像I^F(i,j)中提取图像的纹理参数，所述纹理参数包括相邻像素之间的对比度、关联度、角二阶矩、逆差分矩(IDM)、熵，并构建GLCM特征；

步骤S103：利用探路者智能搜索算法从构建的GLCM特征提取重要纹理特征；

步骤S104：将提取到的所述重要纹理特征输入训练好的核极限学习机KELM，得到所述待处理医疗影像的分类、识别结果。

进一步地，所述步骤S101：获取输入的待处理医疗影像I(i,j)，将图像分割为n个窗口，对n个窗口中的每一个窗口，采用中值滤波去除噪声，得到无噪声图像I^F(i,j)，包括：

首先将一个窗口中的所有像素点按像素值顺序排列，然后用中心像素值代替所考虑的像素点，再计算该窗口的中值，计算中值的中间滤波器的计算公式如下：

对于给定的医疗影像I(i,j)，(r,s)∈(-(w-1)/2,…,(w-1)/2)，

(i,j)∈(1,2,…,H)×(1,2,…,L)，H和L分别表示医疗影像的宽和高，w为窗口的奇数值，w＝(3,5,…)，W为矩形子图像窗口中的一组坐标，以点(x，y)为中心，用计算出的该中值替换该窗口中的全部中心像素值；

将该医疗影像I(i,j)的其余窗口采用中值滤波去除噪声，得到无噪声图像I^F(i,j)。

进一步地，所述步骤S102：基于灰度共生矩阵(GLCM)特征提取方法从所述无噪声图像I^F(i,j)中提取图像的纹理参数，所述纹理参数包括相邻像素之间的对比度、关联度、角二阶矩、逆差分矩(IDM)、熵，并构建GLCM特征，包括：

对比度的计算方式为：

关联度的计算方式为：

和

GLCM由描述像素对之间关系的概率组成，其中，N表示图像的样本数量，u_i和u_j是基于特定参考值和相邻像素值出现的概率的GLCM平均值，σ_i和σ_j分别为

和

的标准平方根，P_i,j是参考像素和相邻像素具有特定值的概率；

角二阶矩ASM表示纹理均匀性，定义为：

其中，i和j定义像素点在GLCM中的位置，i表示像素点所在的行，j表示像素点所在的列；

逆差分矩IDM表示图像的局部均匀性，逆差分矩IDM计算方式为：

所述熵携带的信息量与图像的复杂性相结合，熵的计算方式为：

进一步地，所述步骤S103：利用探路者智能搜索算法从构建的GLCM特征提取重要纹理特征，包括：

步骤S1031：从GLCM特征中提取多个纹理特征，设置群集中个体数目n、最大迭代次数K_max、设置当前迭代次数k的初始值为0，随机初始化群集中的各个个体的向量值，并从中选择领导者；

步骤S1032：计算群集中全部个体的位置向量：

其中，X_i是第i成员的位置向量，X_j是第j成员的位置向量，c₁和c₂分别是混沌变量，混沌函数采用的是logistics映射函数，计算公式如下：

c_i+1＝μ·c_i·(1-c_i),i＝1,...,n-1

μ设置了群集中非领导者的个体与领导者保持距离的随机距离；

步骤S1033：计算群集中全部个体的适应度：

其中，TP代表真阳性，指的是分类所识别出的正实例占所有正实例的比例，FP代表假阳性，是分类错认为正类的负实例占所有负实例的比例，TN代表真阴性，指的是分类所识别出的负实例占所有负实例的比例，FN代表假阴性，是分类错认为负类的正实例占所有负实例的比例；

从群集的全部个体中选取适应度函数值最大的个体为新的领导者，并按如下公式更新领导者的位置：

x_p ^K+1＝x_p ^K+2r₃·(x_p ^K-x_p ^K-1)+A

其中，r₃是在[0,1]范围内均匀生成的随机向量，在每次迭代中使用等式

其中，μ₁和μ₂是[-1,1]中的随机向量范围，D_ij是两个成员之间的距离；

步骤S1034：产生变异算子，修正领导者的位置：

x_p ^K+1＝x_p ^K+G(v)·x_p ^K

其中G(v)为高斯变异函数，它是一个D维高斯向量，

为搜索个体的方差，x_p ^K+1为修正后的领导者位置；

步骤S1035：判断当前迭代次数k是否等于最大迭代次数K_max或得到全局最优解，若是，进入步骤S1036；若否，当前迭代次数k值加1，进入步骤S1032；

步骤S1036：获取领导者X_p的解向量，处理解向量，

特征选择的解的取值在离散空间，即0或1，0表示特征未被选择，1表示选中特征；

将所述领导者的位置X_p通过映射函数T(X_i)将其从连续空间转换到离散空间，以用于特征选择处理：

其中r为(0,1)区间随机值。

根据本发明第二方面，提供一种基于探路者智能搜索算法的医疗影像处理装置，包括：

去噪声模块：用于获取输入的待处理医疗影像I(i,j)，将图像分割为n个窗口，对n个窗口中的每一个窗口，采用中值滤波去除噪声，得到无噪声图像I^F(i,j)；

获取纹理参数特征模块：用于基于灰度共生矩阵(GLCM)特征提取方法从所述无噪声图像I^F(i,j)中提取图像的纹理参数，所述纹理参数包括相邻像素之间的对比度、关联度、角二阶矩、逆差分矩(IDM)、熵，并构建GLCM特征；

特征选择模块：用于利用探路者智能搜索算法从构建的GLCM特征提取重要纹理特征；

图像识别模块：用于将提取到的所述重要纹理特征输入训练好的核极限学习机KELM，得到所述待处理医疗影像的分类、识别结果。

根据本发明第三方面，提供一种基于探路者智能搜索算法的医疗影像处理系统，包括：

处理器，用于执行多条指令；

存储器，用于存储多条指令；

其中，所述多条指令，用于由所述存储器存储，并由所述处理器加载并执行如前所述的基于探路者智能搜索算法的医疗影像处理方法。

根据本发明第四方面，提供一种计算机可读存储介质，所述存储介质中存储有多条指令；所述多条指令，用于由处理器加载并执行如前所述的基于探路者智能搜索算法的医疗影像处理方法。

根据本发明的上述方案，从提取的超声图像特征中再次提取特征，以提高超声图像识别的准确性，提高超声图像分类、图像识别的效率。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明提供如下附图进行说明。在附图中：

图1为本发明一个实施方式的基于探路者智能搜索算法的医疗影像处理方法流程图；

图2为本发明一个实施方式的基于探路者智能搜索算法的医疗影像处理装置的组成框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

以下结合图1说明本发明的基于探路者智能搜索算法的医疗影像处理方法。图1示出了根据本发明的基于探路者智能搜索算法的医疗影像处理方法流程图。如图1所示，所述方法包括以下步骤：

步骤S101：获取输入的待处理医疗影像I(i,j)，将图像分割为n个窗口，对n个窗口中的每一个窗口，采用中值滤波去除噪声，得到无噪声图像I^F(i,j)；

步骤S102：基于灰度共生矩阵(GLCM)特征提取方法从所述无噪声图像I^F(i,j)中提取图像的纹理参数，所述纹理参数包括相邻像素之间的对比度、关联度、角二阶矩、逆差分矩(IDM)、熵，并构建GLCM特征；

步骤S103：利用探路者智能搜索算法从构建的GLCM特征提取重要纹理特征；

步骤S104：将提取到的所述重要纹理特征输入训练好的核极限学习机KELM，得到所述待处理医疗影像的分类、识别结果。

所述步骤S101：获取输入的待处理医疗影像I(i,j)，将图像分割为n个窗口，对n个窗口中的每一个窗口，采用中值滤波去除噪声，得到无噪声图像I^F(i,j)，包括：

中值滤波是一种非直线技术，用于去除医疗影像中的噪声。构建中间滤波器用于计算中值，用于在不降低医疗影像的图像锐度的情况下消除原始图像中的散斑噪声。

本实施例中，首先将一个窗口中的所有像素点按像素值顺序排列，然后用中心像素值代替所考虑的像素点。所考虑的像素点可以是具有噪声的像素点。再计算该窗口的中值，计算中值的中间滤波器的计算公式如下：

对于给定的医疗影像I(i,j)，(r,s)∈(-(w-1)/2,…,(w-1)/2)，

(i,j)∈(1,2,…,H)×(1,2,…,L)，H和L分别表示医疗影像的宽和高，w为窗口的奇数值，w＝(3,5,…)，W为矩形子图像窗口中的一组坐标，以点(x，y)为中心，用计算出的该中值替换该窗口中的全部中心像素值。

再将该医疗影像I(i,j)的其余窗口采用中值滤波去除噪声，得到无噪声图像I^F(i,j)。

所述步骤S102：基于灰度共生矩阵(GLCM)特征提取方法从所述无噪声图像I^F(i,j)中提取图像的纹理参数，所述纹理参数包括相邻像素之间的对比度、关联度、角二阶矩、逆差分矩(IDM)、熵，并构建GLCM特征，包括：

GLCM是一个二维矩阵，通过将纹理建模为灰度变化来识别图像中的特定纹理，GLCM阵列中元素对应于图像中像素强度的变化频率。

本实施例在传统GLCM方法基础上，采用对比度、关联度、角二阶矩、逆差分矩(IDM)、熵这五个具有特征性的纹理参数，构建GLCM特征。

所述对比度携带关于相邻像素之间灰度值的相关差异的信息。对比度的计算方式为：

所述关联度度量灰度与相邻像素灰度之间的线性相关性，如果相关性较高，则回归方程给出相邻像素之间存在可预测的线性关系。关联度的计算方式为：

和

GLCM由描述像素对之间关系的概率组成，其中，N表示图像样本数量，u_i和u_j是基于特定参考值和相邻像素值出现的概率的GLCM平均值，σ_i和σ_j分别为

和

的标准平方根，P_i,j是参考像素和相邻像素具有特定值的概率。

角二阶矩ASM表示纹理均匀性，定义为：

其中，i和j定义像素点在GLCM中的位置，i表示像素点所在的行，j表示像素点所在的列。

所述逆差分矩IDM表示图像的局部均匀性，逆差分矩IDM计算方式为：

所述熵携带的信息量与图像的复杂性相结合，熵的计算方式为：

所述步骤S103：利用探路者智能搜索算法从构建的GLCM特征提取重要纹理特征。从图像中提取了对比度、关联度、角二阶矩、逆差分矩(IDM)、熵这五个具有特征性的纹理参数后，利用探路者智能搜索算法从构建的GLCM特征提取重要纹理特征。

对比度、关联度、角二阶矩、逆差分矩(IDM)、熵这五个具有特征性的纹理参数能够充分表达医疗影像图像的纹理特征，构建的灰度共生矩阵，是一个二阶统计特征的矩阵。但将灰度共生矩阵的全部特征均用于图像识别及分类会带来海量计算，影像图像识别及分类的速度。因此，将构建的灰度共生矩阵的GLCM特征作为探路者智能搜索算法需要优化的解，从而进行图像中重要纹理特征的提取。

所述步骤S103,包括：

步骤S1031：从GLCM特征中提取多个纹理特征，设置群集中个体数目n、最大迭代次数K_max、设置当前迭代次数k的初始值为0，随机初始化群集中的各个个体的向量值，并从中选择领导者；

步骤S1032：计算群集中全部个体的位置向量：

其中，X_i是第i成员的位置向量，X_j是第j成员的位置向量，c₁和c₂分别是混沌变量，混沌函数采用的是logistics映射函数，计算公式如下：

c_i+1＝μc_i·(1-c_i),i＝1,...,n-1

μ设置了群集中非领导者的个体与领导者保持距离的随机距离；

步骤S1033：计算群集中全部个体的适应度：

其中，TP代表真阳性，指的是分类所识别出的正实例占所有正实例的比例，FP代表假阳性，是分类错认为正类的负实例占所有负实例的比例，TN代表真阴性，指的是分类所识别出的负实例占所有负实例的比例，FN代表假阴性，是分类错认为负类的正实例占所有负实例的比例；

从群集的全部个体中选取适应度函数值最大的个体为新的领导者，并按如下公式更新领导者的位置：

x_p ^K+1＝x_p ^K+2r₃·(x_p ^K-x_p ^K-1)+A

其中，r₃是在[0,1]范围内均匀生成的随机向量，在每次迭代中使用等式

其中，μ₁和μ₂是[-1,1]中的随机向量范围，D_ij是两个成员之间的距离；

步骤S1034：产生变异算子，修正领导者的位置：

x_p ^K+1＝x_p ^K+G(v)·x_p ^K

其中G(v)为高斯变异函数，它是一个D维高斯向量，

为搜索个体的方差，x_p ^K+1为修正后的领导者位置；

步骤S1035：判断当前迭代次数k是否等于最大迭代次数K_max或得到全局最优解，若是，进入步骤S1036；若否，当前迭代次数k值加1，进入步骤S1032；

步骤S1036：获取领导者X_p的解向量，处理解向量，

特征选择的解的取值在离散空间，即0或1，0表示特征未被选择，1表示选中特征；

将所述领导者的位置X_p通过映射函数T(X_i)将其从连续空间转换到离散空间，以用于特征选择处理：

其中r为(0,1)区间随机值。

所述步骤S104：将提取到的所述重要纹理特征输入训练好的核极限学习机KELM，得到所述待处理医疗影像的分类、识别结果，包括：

所述训练好的核极限学习机KELM的参数是通过医疗影像的样本数据进行训练得到的。获取样本数据的纹理参数，并使用探路者智能搜索算法从中选取特征，进而输入核极限学习机，对核极限学习机进行训练，得到训练好的核极限学习机。所述核极限学习机的构造方式为本领域通用的核极限学习机构造方式。

将步骤S103获取的重要纹理特征输入训练好的核极限学习机KELM，得到医疗影像的分类、识别结果。

具体地，所述获取样本数据的纹理参数，并使用探路者智能搜索算法从中选取特征，进而输入核极限学习机，对核极限学习机进行训练，包括：样本图像集包括样本图像I_i(1<i≤n)，n为所述样本图像集中的样本图像数。分别对样本图像集中的每一样本图像I_i执行如前所述的步骤S101，对所述每一样本图像I_i进行降噪；再执行如前所述的步骤S102：基于灰度共生矩阵(GLCM)特征提取方法从所述无噪声图像中提取图像的纹理参数，所述纹理参数包括相邻像素之间的对比度、关联度、差方差、逆差分矩(IDM)、熵，并构建加权的GLCM特征；以及再执行如前所述的步骤S103：利用探路者智能搜索算法从图像中提取重要纹理特征；进而，将获取的每一样本图像I_i的重要纹理特征输入核极限学习机KELM，以对该核极限学习机KELM的参数进行训练，在误差小于设定阈值或迭代次数达到预设阈值时，核极限学习机KELM训练完毕，得到训练好的核极限学习机KELM。

请参考图2，其为本发明提出的基于探路者智能搜索算法的医疗影像处理装置组成框图。如图所示，该装置包括：

去噪声模块：用于获取输入的待处理医疗影像I(i,j)，将图像分割为n个窗口，对n个窗口中的每一个窗口，采用中值滤波去除噪声，得到无噪声图像I^F(i,j)；

获取纹理参数特征模块：用于基于灰度共生矩阵(GLCM)特征提取方法从所述无噪声图像I^F(i,j)中提取图像的纹理参数，所述纹理参数包括相邻像素之间的对比度、关联度、角二阶矩、逆差分矩(IDM)、熵，并构建GLCM特征；

特征选择模块：用于利用探路者智能搜索算法从构建的GLCM特征提取重要纹理特征；

图像识别模块：用于将提取到的所述重要纹理特征输入训练好的核极限学习机KELM，得到所述待处理医疗影像的分类、识别结果。

本发明实施例进一步给出一种基于探路者智能搜索算法的医疗影像处理系统，包括：

处理器，用于执行多条指令；

存储器，用于存储多条指令；

其中，所述多条指令，用于由所述存储器存储，并由所述处理器加载并执行如上所述的基于探路者智能搜索算法的医疗影像处理方法。

本发明实施例进一步给出一种计算机可读存储介质，所述存储介质中存储有多条指令；所述多条指令，用于由处理器加载并执行如上所述的基于探路者智能搜索算法的医疗影像处理方法。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是个人计算机，实体机服务器，或者网络云服务器等，需安装Windows或者Windows Server操作系统)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (7)

1.一种基于探路者智能搜索算法的医疗影像处理方法，其特征在于，所述方法包括：

步骤S101：获取输入的待处理医疗影像I(i,j)，将图像分割为n个窗口，对n个窗口中的每一个窗口，采用中值滤波去除噪声，得到无噪声图像I^F(i,j)；

步骤S102：基于灰度共生矩阵(GLCM)特征提取方法从所述无噪声图像I^F(i,j)中提取图像的纹理参数，所述纹理参数包括相邻像素之间的对比度、关联度、角二阶矩、逆差分矩(IDM)、熵，并构建GLCM特征；

步骤S103：利用探路者智能搜索算法从构建的GLCM特征提取重要纹理特征；

步骤S104：将提取到的所述重要纹理特征输入训练好的核极限学习机KELM，得到所述待处理医疗影像的分类、识别结果。

2.如权利要求1所述的基于探路者智能搜索算法的医疗影像处理方法，其特征在于，所述步骤S101：获取输入的待处理医疗影像I(i,j)，将图像分割为n个窗口，对n个窗口中的每一个窗口，采用中值滤波去除噪声，得到无噪声图像I^F(i,j)，包括：

首先将一个窗口中的所有像素点按像素值顺序排列，然后用中心像素值代替具有噪声的像素点，再计算该窗口的中值，计算中值的中间滤波器的计算公式如下：

对于给定的医疗影像I(i,j)，(r,s)∈(-(w-1)/2,…,(w-1)/2)，

(i,j)∈(1,2,…,H)×(1,2,…,L)，H和L分别表示医疗影像的宽和高，w为窗口的奇数值，w＝(3,5,…)，W为矩形子图像窗口中的一组坐标，以点(x，y)为中心，用计算出的该中值替换该窗口中的全部中心像素值；

将该医疗影像I(i,j)的其余窗口采用中值滤波去除噪声，得到无噪声图像I^F(i,j)。

3.如权利要求1所述的基于探路者智能搜索算法的医疗影像处理方法，其特征在于，所述步骤S102：基于灰度共生矩阵(GLCM)特征提取方法从所述无噪声图像I^F(i,j)中提取图像的纹理参数，所述纹理参数包括相邻像素之间的对比度、关联度、角二阶矩、逆差分矩(IDM)、熵，并构建GLCM特征，包括：

对比度的计算方式为：

关联度的计算方式为：

和

GLCM由描述像素对之间关系的概率组成，其中，N表示图像的样本数量，u_i和u_j是基于特定参考值和相邻像素值出现的概率的GLCM平均值，σ_i和σ_j分别为

和

的标准平方根，P_i,j是参考像素和相邻像素具有特定值的概率；

角二阶矩ASM表示纹理均匀性，定义为：

其中，i和j定义像素点在GLCM中的位置，i表示像素点所在的行，j表示像素点所在的列；

逆差分矩IDM表示图像的局部均匀性，逆差分矩IDM计算方式为：

所述熵携带的信息量与图像的复杂性相结合，熵的计算方式为：

4.如权利要求1所述的基于探路者智能搜索算法的医疗影像处理方法，其特征在于，所述步骤S103：利用探路者智能搜索算法从构建的GLCM特征提取重要纹理特征，包括：

步骤S1031：从GLCM特征中提取多个纹理特征，设置群集中个体数目n、最大迭代次数K_max、设置当前迭代次数k的初始值为0，随机初始化群集中的各个个体的向量值，并从中选择领导者；

步骤S1032：计算群集中全部个体的位置向量：

其中，X_i是第i成员的位置向量，X_j是第j成员的位置向量，c₁和c₂分别是混沌变量，混沌函数采用的是logistics映射函数，计算公式如下：

c_i+1＝μ·c_i·(1-c_i),i＝1,...,n-1

μ设置了群集中非领导者的个体与领导者保持距离的随机距离；

步骤S1033：计算群集中全部个体的适应度：

其中，TP代表真阳性，指的是分类所识别出的正实例占所有正实例的比例，FP代表假阳性，是分类错认为正类的负实例占所有负实例的比例，TN代表真阴性，指的是分类所识别出的负实例占所有负实例的比例，FN代表假阴性，是分类错认为负类的正实例占所有负实例的比例；

从群集的全部个体中选取适应度函数值最大的个体为新的领导者，并按如下公式更新领导者的位置：

x_p ^K+1＝x_p ^K+2r₃·(x_p ^K-x_p ^K-1)+A

其中，r₃是在[0,1]范围内均匀生成的随机向量，在每次迭代中使用等式

D_ij＝||x_i-x_j||

其中，μ₁和μ₂是[-1,1]中的随机向量范围，D_ij是两个成员之间的距离；

步骤S1034：产生变异算子，修正领导者的位置：

x_p ^K+1＝x_p ^K+G(v)·x_p ^K

其中G(v)为高斯变异函数，它是一个D维高斯向量，

为搜索个体的方差，x_p ^K+1为修正后的领导者位置；

步骤S1035：判断当前迭代次数k是否等于最大迭代次数K_max或得到全局最优解，若是，进入步骤S1036；若否，当前迭代次数k值加1，进入步骤S1032；

步骤S1036：获取领导者X_p的解向量，处理解向量，

特征选择的解的取值在离散空间，即0或1，0表示特征未被选择，1表示选中特征；

将所述领导者的位置X_p通过映射函数T(X_i)将其从连续空间转换到离散空间，以用于特征选择处理：

其中r为(0,1)区间随机值。

5.一种基于探路者智能搜索算法的医疗影像处理装置，其特征在于，所述装置包括：

去噪声模块：用于获取输入的待处理医疗影像I(i,j)，将图像分割为n个窗口，对n个窗口中的每一个窗口，采用中值滤波去除噪声，得到无噪声图像I^F(i,j)；

获取纹理参数特征模块：用于基于灰度共生矩阵(GLCM)特征提取方法从所述无噪声图像I^F(i,j)中提取图像的纹理参数，所述纹理参数包括相邻像素之间的对比度、关联度、角二阶矩、逆差分矩(IDM)、熵，并构建GLCM特征；

特征选择模块：用于利用探路者智能搜索算法从构建的GLCM特征提取重要纹理特征；

图像识别模块：用于将提取到的所述重要纹理特征输入训练好的核极限学习机KELM，得到所述待处理医疗影像的分类、识别结果。

6.一种基于探路者智能搜索算法的医疗影像处理系统，其特征在于，包括：

处理器，用于执行多条指令；

存储器，用于存储多条指令；

其中，所述多条指令，用于由所述存储器存储，并由所述处理器加载并执行如权利要求1-4任一所述的基于探路者智能搜索算法的医疗影像处理方法。

7.一种计算机可读存储介质，其特征在于，所述存储介质中存储有多条指令；所述多条指令，用于由处理器加载并执行如权利要求1-4任一所述的基于探路者智能搜索算法的医疗影像处理方法。

Images