CN111968131A - 基于狼群算法的医学图像分割算法 - Google Patents
基于狼群算法的医学图像分割算法 Download PDFInfo
- Publication number
- CN111968131A CN111968131A CN202010725993.4A CN202010725993A CN111968131A CN 111968131 A CN111968131 A CN 111968131A CN 202010725993 A CN202010725993 A CN 202010725993A CN 111968131 A CN111968131 A CN 111968131A
- Authority
- CN
- China
- Prior art keywords
- wolf
- function value
- gray level
- head
- algorithm
- 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
- 241000282461 Canis lupus Species 0.000 title claims abstract description 147
- 238000003709 image segmentation Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000005315 distribution function Methods 0.000 claims abstract description 8
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 230000006399 behavior Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000011282 treatment Methods 0.000 claims description 9
- 230000009471 action Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 241000272205 Columba livia Species 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 8
- 238000003384 imaging method Methods 0.000 abstract description 5
- 230000033001 locomotion Effects 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 4
- 230000015572 biosynthetic process Effects 0.000 abstract description 3
- 230000011218 segmentation Effects 0.000 description 15
- 210000003484 anatomy Anatomy 0.000 description 9
- 238000011160 research Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 6
- 230000001575 pathological effect Effects 0.000 description 5
- 238000003759 clinical diagnosis Methods 0.000 description 4
- 238000001356 surgical procedure Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000010827 pathological analysis Methods 0.000 description 2
- 238000001959 radiotherapy Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000002675 image-guided surgery Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于狼群算法的医学图像分割算法。医学图像分割是医学图像处理与分析领域的复杂而关键的步骤,由于医学图像的成像原理和人体组织本身的特性差异,并且图像的形成受到诸如噪声、场偏移效应、局部体效应和组织运动等影响,医学图像与普通图像相比,不可避免地具有模糊和不均匀性等特点。本发明包括如下步骤:获取待分割图像的灰度直方图;初步分割待分割图像的灰度直方图;拟合灰度直方图;归一化处理将新的分布函数和原直方图分别进行归一化处理;利用狼群算法对新的拟合函数和原直方图的差值进行优化,得到最小的误差所对应的那组阈值,采用最优阈值组对图像进行分割。本发明用于基于狼群算法的医学图像分割算法。
Description
技术领域:
本发明涉及医疗图像分割技术领域,具体涉及一种基于狼群算法的医学图像分割算法。
背景技术:
随着社会的不断发展,人们的生活方式也发生了明显的变化。生活压力的加大,生活方式的改变等,使得一些慢性疾病的发病率越来越高,且呈现低龄化趋势;依据图像所提供的信息进行疾病诊断也越来越普遍,但是医生通常只对特定部分感兴趣,即图像的感兴趣区域。怎么把特定区域分割出来是重点,即图像分割。所谓医学图像分割,就是根据医学图像的某种相似性特征(如亮度、颜色、纹理、而积、形状、位置、局部统计特征或频谱特征等)将医学图像划分为若干个互不相交的“连通”的区域的过程,相关特征在同一区域内表现出一致性或相似性,而在不同区域间表现出明显的不同,也就是说在区域边界上的像素存在某种不连续性。一般说来,有意义的图像分割结果中至少存在一个包含感兴趣目标的区域。
医学图像分割是医学图像处理与分析领域的复杂而关键的步骤,其目的是将医学图像中具有某些特殊含义的部分分割出来,并提取相关特征,为临床诊疗和病理学研究提供可靠的依据,辅助医生得到更为准确的诊断。由于医学图像自身的复杂性,在分割过程中需要解决不均匀及个体差异等一系列问题,所以一般的图像分割方法难以直接应用于医学图像分割。
医学图像还有一个显著的特点,由于受成像设备的影响、局部体效应(同一个体素中包含多种组织)、患者的体位运动和检查床的勾速直线运动,使得医学图像不可避免地出现噪声和伪影,边缘模糊和信号强度不均匀,例如信号强度在同一种组织中会出现大幅度的变化或在同一个物体中也不均匀。此外,在图像形成和传输的过程中,图像的质量也会受到一定的影响,这些都给医生进行准确的诊断造成了一定的障碍。为了提高医学图像的可读性,使得医生可以对人体的解剖结构以及病变部位进行更有效的观察和诊断,提高诊断的准确率,医学图像处理从而成为了一门应用性很强的学科而且得到了长足的发展。
医学图像分割在医学研究、临床诊断、病理分析、手术计划、影像信息处理、计算机辅助手术等医学研究与实践领域中有着广泛的应用和研究价值,具体表现为以下几个方面: (1) 用于感兴趣区域提取,便于医学图像的分析和识别。如不同形式或来源的医学图像配准与融合,解剖结构的定量度量、细胞的识别与计数、器官的运动跟踪及同步等; (2)用于人体器官、组织或病灶的尺寸、体积或容积的测量。在治疗前后进行相关影像学指标的定量测量和分析,将有助于医生诊断、随访或修订对病人的治疗方案; (3) 用于医学图像的三维重建和可视化。这有助于外科手术方案的制定和仿真、解剖教学参考及放疗计划中的三维定位等;(4)用于在保持关键信息的前提下进行数据压缩和传输。这在远程医疗中对实现医学图像的高效传输具有重要的价值;(5) 用于基于内容的医学图像数据库检索研究。通过建立医学图像数据库,可对医学图像数据进行语义上的存取和查找。
在过去的四十年间,图像分割在医学成像中已经发挥了日益重要的作用,被广泛地应用于医学研究的各个领域中。随着医学成像在临床诊断和治疗的作用越来越显著,医学图像分割就成为医学图像分析领域的一个挑战性的研究课题。在计算机的辅助下,从CT、MRI、 PET以及其它模式医学影像中可提取有关解剖结构的有用诊断信息。尽管现代成像设备提供了对内部解剖结构的精细观察,但使用计算机技术对内部解剖结构进行精确而有效的量化和分析在目前仍然是有限的。医学图像分割可以提取出准确的、可重复的病理和生理数据,满足不同的生物医学研究和临床应用的需要。医学图像分割的目的是通过提取描述对象的特征,把感兴趣对象从周围环境中分离出来,分析和计算分割对象的结构、病理、生理和物理等方面的信息。医学图像分割是对医学图像进行对象提取、定量分析、3D重建、体积显示和配准等处理的一个必不可少的步骤。医学图像分割对医学应用方面的意义可以归纳为以几个方面:
(1)获取病理信息。提供有关解剖结构、病灶、病情等信息,为临床诊断、病理分析和治疗效果评估提供依据;
(2)测量特征参数。对各个解剖结构进行几何的、物理的、病理的和统计的特征参数的测量,建立结构的信息数据库;
(3)获取解剖图谱信息。为医学图像的3D重建、3D显示、配准、融合、可视化、计算机辅助手术、入体虚拟显示系统和虚拟环境提供原始数据;
(4)定位感兴趣的区域。确定解剖结构的位置、形状、分布区域,为放射治疗、化学治疗、超声治疗、穿刺、外科手术、计算机辅助手术和图像导引手术等治疗方案定位目标。此外在2D / 3D / 4D图像数据中对目标区域进行快速准确地定位;
(5)管理图像信息。图像分割后,各个区域分明,可以对它们进行取舍,重点关注那些目标区域。还可以在不丢失有用信息的前提下进行图像数据的压缩,便于存档、检索和传输。
医学图像分割到今天仍然没有获得圆满解决,一个重要的原因是医学图像的复杂性和多样性。由于医学图像的成像原理和人体组织本身的特性差异,并且图像的形成受到诸如噪声、场偏移效应、局部体效应和组织运动等的影响,医学图像与普通图像比较,不可避免地具有模糊和不均匀性等特点。另外,人体的解剖组织结构和形状复杂,而且人与人之间有相当大的差别。这些都给医学图像分割带来了困难。传统的分割技术或者完全失败,或者需要一些特殊的处理技术。
发明内容:
本发明的目的是提供一种基于狼群算法的医学图像分割算法,通过该方法改善最原始的阈值分割的精度不高的问题,采用一种新的获取阈值的方法,对其灰度直方图进行处理获取阈值。
上述的目的通过以下的技术方案实现:
一种基于狼群算法的医学图像分割算法,该算法包括如下步骤:
步骤一、获取待分割图像的灰度直方图:在整个图像分割过程中,待分割图像的灰度直方图的获取是基础,在获取之前需要对图像进行预处理,首先采用中值滤波进行去噪,然后采用对比度拉伸进行增强;
步骤二、初步分割待分割图像的灰度直方图:根据预处理后的灰度直方图的形状自主选定阈值数量n以及阈值初值,根据初始阈值将灰度直方图划分成n+1个区域;
步骤三、拟合灰度直方图:采用伽马函数分别对划分后的n+1个灰度直方图区域进行拟合,得到n+1个伽马函数,然后将这些函数加权合成新的分布函数;
步骤四、归一化处理:将新的分布函数和原直方图分别进行归一化处理,求解它们差值的绝对值的和;
步骤五、利用狼群算法对新的拟合函数和原直方图的差值进行优化,得到最小的误差所对应的那组阈值,采用最优阈值组对图像进行分割,狼群算法的具体流程如下:
(1)、在解空间中随机初始化狼群的空间坐标,将目标函数值最大的人工狼作为头狼;
(2)、除头狼外最佳的S_num匹人工狼视为探狼,S_num随机取[n/α+1,n/α]之间的整数,α为探狼比例因子计算探狼i的目标函数值Yi,若大于头狼的目标函数值Ylead,则更新头狼,即Ylead=Yi,探狼替代头狼发起召唤;若Ylead>Yi,则探狼向h个方向分别前进一步(游走步长为 ),记录每前进一步后的目标函数值,那么向第p(p=1,2,...,h)个方向前进后探狼所处的位置为
此时,探狼所在位置的函数值为Yi p,选择函数值最大且大于当前函数值的方向前进一步,更新探狼的状态,重复以上的游走行为直到某匹探狼的函数值达到要求或游走次数达到最大游走次数;
(3)、头狼召集,Mnum匹猛狼向头狼所在位置迅速靠拢,其中Mnum = N-Snum-1,猛狼以相对较大的奔袭步长快速逼近头狼所在位置;
猛狼i第k+1次迭代时,所处的位置为
奔袭途中,若猛狼i的目标函数值Yi>Ylead,则Ylead=Yi,该猛狼转化为头狼并发起召唤行为;若Yi<Ylead,则猛狼i继续奔袭直到其与头狼s之间的距离dis小于dnear时转入围攻行为,设待寻优的变量取值范围为[lb,ub],则判定距离可由式(3)估计得到
式中,w为距离判定因子,增大会加速算法收敛,但过大会使得人工狼很难进入围攻行为;
(4)、经过奔袭的猛狼距离猎物较近,此时猛狼要联合探狼对猎物进行围攻,并捕获,这里将离猎物最近的狼,即头狼的位置视为猎物移动的位置,具体地,对于第k代狼群,设猎物的位置为Gk,则狼群的围攻行为可用方程(4)表示:
若实施围攻行为后人工狼的目标函数值大于其原位置的目标函数值,则更新人工狼的位置,若不然,人工狼位置不变;
(5)、淘汰狼群中目标函数值较小的R匹人工狼,并在解空间中随机生成R匹新的人工狼,实现狼群的更新;
(6)、最后判断头狼的目标函数值是否达到精度要求或算法是否达到最大迭代次数。
有益效果:
1、本发明是一种基于狼群算法的医学图像分割算法,首先将医学图像进行预处理,然后获取其灰度直方图,然后用伽马函数(Gamma)对直方图进行拟合,得到新的分布函数,本发明采用狼群算法进行优化,狼群算法是一种随机概率搜索算法,使其能够以较大的概率快速找到最优解,狼群算法还具有并行性,可以在同一时间从多个点出发进行搜索,点与点之间互不影响,从而提高算法的效率,该算法具有较好的全局收敛性和计算鲁棒性。
、本发明能够有效分割造影图像中的主血管部分和细小血管部分,提供丰富的细节信息,为辅助医疗诊断提供了很大便利。本发明的分割速度和准确率相对其他同类分割方法都明显的好,分割速度快,可以有效缩短诊断时间,提高诊断效率。分割准确率高,可以清晰地划分背景和目标,能够有效减少医生的工作量,提高工作效率。
附图说明:
附图1是本发明的流程图;
附图2是待分割图像的灰度直方图;
附图3是高斯拟合的效果图;
附图4是伽马拟合的效果图;
附图5是医学造影图像原图之一;
附图6是医学造影图像原图之二;
附图7是基于遗传算法的高斯拟合分割处理的图像之一;
附图8是基于遗传算法的高斯拟合分割处理的图像之二;
附图9是基于伽马拟合的分割处理的图像之一;
附图10是基于伽马拟合的分割处理的图像之二;
附图11是基于狼群算法的伽马拟合的分割处理的图像之一;
附图12是基于狼群算法的伽马拟合的分割处理的图像之二。
具体实施方式:
实施例1:
一种基于狼群算法的医学图像分割算法,该算法包括如下步骤:
步骤一、获取待分割图像的灰度直方图:在整个图像分割过程中,待分割图像的灰度直方图的获取是基础,在获取之前需要对图像进行预处理,首先采用中值滤波进行去噪,然后采用对比度拉伸进行增强;
步骤二、初步分割待分割图像的灰度直方图:根据预处理后的灰度直方图的形状自主选定阈值数量n以及阈值初值,根据初始阈值将灰度直方图划分成n+1个区域;
步骤三、拟合灰度直方图:采用伽马函数分别对划分后的n+1个灰度直方图区域进行拟合,得到n+1个伽马函数,然后将这些函数加权合成新的分布函数;
步骤四、归一化处理:将新的分布函数和原直方图分别进行归一化处理,求解它们差值的绝对值的和;
步骤五、利用狼群算法对新的拟合函数和原直方图的差值进行优化,得到最小的误差所对应的那组阈值,采用最优阈值组对图像进行分割,狼群算法的具体流程如下:
(1)、在解空间中随机初始化狼群的空间坐标,将目标函数值最大的人工狼作为头狼;
(2)、除头狼外最佳的S_num匹人工狼视为探狼,S_num随机取[n/α+1,n/α]之间的整数,α为探狼比例因子计算探狼i的目标函数值Yi,若大于头狼的目标函数值Ylead,则更新头狼,即Ylead=Yi,探狼替代头狼发起召唤;若Ylead>Yi,则探狼向h个方向分别前进一步(游走步长为 ),记录每前进一步后的目标函数值,那么向第p(p=1,2,...,h)个方向前进后探狼所处的位置为
此时,探狼所在位置的函数值为Yi p,选择函数值最大且大于当前函数值的方向前进一步,更新探狼的状态,重复以上的游走行为直到某匹探狼的函数值达到要求或游走次数达到最大游走次数;
(3)、头狼召集,Mnum匹猛狼向头狼所在位置迅速靠拢,其中Mnum = N-Snum-1,猛狼以相对较大的奔袭步长快速逼近头狼所在位置;
猛狼i第k+1次迭代时,所处的位置为
奔袭途中,若猛狼i的目标函数值Yi>Ylead,则Ylead=Yi,该猛狼转化为头狼并发起召唤行为;若Yi<Ylead,则猛狼i继续奔袭直到其与头狼s之间的距离dis小于dnear时转入围攻行为,设待寻优的变量取值范围为[lb,ub],则判定距离可由式(3)估计得到
式中,w为距离判定因子,增大会加速算法收敛,但过大会使得人工狼很难进入围攻行为;
(4)、经过奔袭的猛狼距离猎物较近,此时猛狼要联合探狼对猎物进行围攻,并捕获,这里将离猎物最近的狼,即头狼的位置视为猎物移动的位置,具体地,对于第k代狼群,设猎物的位置为Gk,则狼群的围攻行为可用方程(4)表示:
若实施围攻行为后人工狼的目标函数值大于其原位置的目标函数值,则更新人工狼的位置,若不然,人工狼位置不变;
(5)、淘汰狼群中目标函数值较小的R匹人工狼,并在解空间中随机生成R匹新的人工狼,实现狼群的更新;
(6)、最后判断头狼的目标函数值是否达到精度要求或算法是否达到最大迭代次数。
Claims (1)
1.一种基于狼群算法的医学图像分割算法,其特征是:该算法包括如下步骤:
步骤一、获取待分割图像的灰度直方图:在整个图像分割过程中,待分割图像的灰度直方图的获取是基础,在获取之前需要对图像进行预处理,首先采用中值滤波进行去噪,然后采用对比度拉伸进行增强;
步骤二、初步分割待分割图像的灰度直方图:根据预处理后的灰度直方图的形状自主选定阈值数量n以及阈值初值,根据初始阈值将灰度直方图划分成n+1个区域;
步骤三、拟合灰度直方图:采用伽马函数分别对划分后的n+1个灰度直方图区域进行拟合,得到n+1个伽马函数,然后将这些函数加权合成新的分布函数;
步骤四、归一化处理:将新的分布函数和原直方图分别进行归一化处理,求解它们差值的绝对值的和;
步骤五、利用狼群算法对新的拟合函数和原直方图的差值进行优化,得到最小的误差所对应的那组阈值,采用最优阈值组对图像进行分割,狼群算法的具体流程如下:
(1)、在解空间中随机初始化狼群的空间坐标,将目标函数值最大的人工狼作为头狼;
(2)、除头狼外最佳的S_num匹人工狼视为探狼,S_num随机取[n/α+1,n/α]之间的整数,α为探狼比例因子计算探狼i的目标函数值Yi,若大于头狼的目标函数值Ylead,则更新头狼,即Ylead=Yi,探狼替代头狼发起召唤;若Ylead>Yi,则探狼向h个方向分别前进一步(游走步长为),记录每前进一步后的目标函数值,那么向第p(p=1,2,...,h)个方向前进后探狼所处的位置为
此时,探狼所在位置的函数值为Yi p,选择函数值最大且大于当前函数值的方向前进一步,更新探狼的状态,重复以上的游走行为直到某匹探狼的函数值达到要求或游走次数达到最大游走次数;
(3)、头狼召集,Mnum匹猛狼向头狼所在位置迅速靠拢,其中Mnum = N-Snum-1,猛狼以相对较大的奔袭步长快速逼近头狼所在位置;
猛狼i第k+1次迭代时,所处的位置为
奔袭途中,若猛狼i的目标函数值Yi>Ylead,则Ylead=Yi,该猛狼转化为头狼并发起召唤行为;若Yi<Ylead,则猛狼i继续奔袭直到其与头狼s之间的距离dis小于dnear时转入围攻行为,设待寻优的变量取值范围为[lb,ub],则判定距离可由式(3)估计得到
式中,w为距离判定因子,增大会加速算法收敛,但过大会使得人工狼很难进入围攻行为;
(4)、经过奔袭的猛狼距离猎物较近,此时猛狼要联合探狼对猎物进行围攻,并捕获,这里将离猎物最近的狼,即头狼的位置视为猎物移动的位置,具体地,对于第k代狼群,设猎物的位置为Gk,则狼群的围攻行为可用方程(4)表示:
若实施围攻行为后人工狼的目标函数值大于其原位置的目标函数值,则更新人工狼的位置,若不然,人工狼位置不变;
(5)、淘汰狼群中目标函数值较小的R匹人工狼,并在解空间中随机生成R匹新的人工狼,实现狼群的更新;
(6)、最后判断头狼的目标函数值是否达到精度要求或算法是否达到最大迭代次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010725993.4A CN111968131A (zh) | 2020-07-24 | 2020-07-24 | 基于狼群算法的医学图像分割算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010725993.4A CN111968131A (zh) | 2020-07-24 | 2020-07-24 | 基于狼群算法的医学图像分割算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111968131A true CN111968131A (zh) | 2020-11-20 |
Family
ID=73362949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010725993.4A Pending CN111968131A (zh) | 2020-07-24 | 2020-07-24 | 基于狼群算法的医学图像分割算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111968131A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787935A (zh) * | 2016-02-22 | 2016-07-20 | 辽宁工程技术大学 | 一种基于Gamma分布的模糊聚类SAR图像分割方法 |
CN109886976A (zh) * | 2019-02-19 | 2019-06-14 | 湖北工业大学 | 一种基于灰狼优化算法的图像分割方法及系统 |
WO2019140725A1 (zh) * | 2018-01-18 | 2019-07-25 | 东莞理工学院 | 一种模拟狼群行为的计算智能优化方法 |
-
2020
- 2020-07-24 CN CN202010725993.4A patent/CN111968131A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787935A (zh) * | 2016-02-22 | 2016-07-20 | 辽宁工程技术大学 | 一种基于Gamma分布的模糊聚类SAR图像分割方法 |
WO2019140725A1 (zh) * | 2018-01-18 | 2019-07-25 | 东莞理工学院 | 一种模拟狼群行为的计算智能优化方法 |
CN109886976A (zh) * | 2019-02-19 | 2019-06-14 | 湖北工业大学 | 一种基于灰狼优化算法的图像分割方法及系统 |
Non-Patent Citations (3)
Title |
---|
王玉银: "狼群优化的二维Otsu 快速图像分割算法", 信息系统工程, no. 03, 20 March 2020 (2020-03-20), pages 72 - 73 * |
罗群艳: "基于直方图统计模型的自适应多阈值图像分割算法的研究", 中国优秀硕士学位论文全文数据库 信息科技辑, no. 07, 15 July 2012 (2012-07-15), pages 8 - 47 * |
郭立婷: "基于自适应和变游走方向的改进狼群算法", 浙江大学学报(理学版), vol. 45, no. 03, 31 May 2018 (2018-05-31), pages 284 - 293 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107230206B (zh) | 一种基于多模态数据的超体素序列肺部图像的3d肺结节分割方法 | |
Azam et al. | A review on multimodal medical image fusion: Compendious analysis of medical modalities, multimodal databases, fusion techniques and quality metrics | |
Saikumar et al. | A novel implementation heart diagnosis system based on random forest machine learning technique. | |
Sharif et al. | A comprehensive review on multi-organs tumor detection based on machine learning | |
CN113781439B (zh) | 超声视频病灶分割方法及装置 | |
Liu et al. | Automatic whole heart segmentation using a two-stage u-net framework and an adaptive threshold window | |
CA2921665A1 (en) | Image analysis techniques for diagnosing diseases | |
CN106709920B (zh) | 血管提取方法及其装置 | |
CN105654490A (zh) | 一种基于超声弹性图像的病变区域提取方法及装置 | |
Koundal et al. | Challenges and future directions in neutrosophic set-based medical image analysis | |
Liu et al. | Cardiac magnetic resonance image segmentation based on convolutional neural network | |
JP2024035070A (ja) | マルチビューサブ空間クラスタリングに基づくマルチモード医学データ融合システム | |
Oliver et al. | Accurate prediction of heart disease based on bio system using regressive learning based neural network classifier | |
Hao et al. | Magnetic resonance image segmentation based on multi-scale convolutional neural network | |
CN114332910A (zh) | 一种面向远红外图像的相似特征计算的人体部位分割方法 | |
Zhu et al. | 3D automatic MRI level set segmentation of inner ear based on statistical shape models prior | |
CN111968131A (zh) | 基于狼群算法的医学图像分割算法 | |
Salehi et al. | Investigation and simulation of different medical image processing algorithms to improve image quality using simulink matlab | |
CN110930404A (zh) | 一种基于完整腔壁的空腔器官内病灶的检测方法 | |
CN112884759B (zh) | 一种乳腺癌腋窝淋巴结转移状态的检测方法及相关装置 | |
CN117831757B (zh) | 基于病理ct多模态先验知识引导的肺癌诊断方法及系统 | |
Benjamin et al. | Comparative analysis of image based uterus fibroid detection and classification using deep learning | |
Gomalavalli et al. | Boundary detection of renal using contour segmentation | |
Sowmiya et al. | Survey or Review on the Deep Learning Techniques for Retinal Image Segmentation in Predicting/Diagnosing Diabetic Retinopathy | |
He et al. | Automated plaque and stenosis characterization using attention-based deep learning network on coronary CT angiography images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |