李曉峰, 焦洪雙, 李 東

(1. 黑龍江外國語學(xué)院 a. 信息工程系, b. 科研處, 黑龍江 哈爾濱 150025; 2. 哈爾濱工業(yè)大學(xué) 計算機科學(xué)與技術(shù)學(xué)院, 黑龍江 哈爾濱 150001)

隨著醫(yī)療輔助診斷技術(shù)的發(fā)展,通過分析醫(yī)療圖像從而進行疾病檢測和診斷成為醫(yī)療診斷的重要手段,研究醫(yī)療圖像的分割方法也成為實現(xiàn)醫(yī)學(xué)圖像的檢測和識別的基礎(chǔ)[1].通過對醫(yī)學(xué)圖像進行優(yōu)化分割,從中提取醫(yī)學(xué)圖像的病灶相關(guān)性特征量,有助于實現(xiàn)對疾病的準(zhǔn)確判斷和診療,對疾病診斷、圖像引導(dǎo)手術(shù)等具有重要意義[2].

通常來說,對醫(yī)療圖像的閾值分割是建立在對醫(yī)療圖像的角點檢測和邊緣輪廓特征檢測的基礎(chǔ)上,通過提取其中的醫(yī)療圖像的檢測統(tǒng)計特征量,并結(jié)合邊緣輪廓特征檢測方法,實現(xiàn)對醫(yī)療圖像的優(yōu)化分割.目前,已有專家學(xué)者在模糊醫(yī)療圖像三維重建領(lǐng)域提出了一些較為成熟的研究結(jié)果,如中值濾波分割方法、卷積分割方法和Harris角點分割方法等[3].另外,文獻[4]分析了一種基于蝗蟲算法的圖像多閾值分割方法,結(jié)合Otsu法和最大熵法的分割特性,利用Otsu算法中的最大類間方差以及最大熵法中的最大熵值建立適應(yīng)度模型,在此基礎(chǔ)上利用蝗蟲算法,通過尋優(yōu)過程獲得有效分割閾值,實現(xiàn)對醫(yī)學(xué)圖像的分割.但該方法進行醫(yī)療圖像分割的特征匹配能力不好,分割輪廓線的定位效果較差.文獻[5]提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像分割方法,利用了粒子群優(yōu)化算法與BP神經(jīng)網(wǎng)絡(luò)之間的映射關(guān)系,通過粒子群搜索最佳適應(yīng)函數(shù),使其所對應(yīng)的BP神經(jīng)網(wǎng)絡(luò)的均方誤差最小,在此基礎(chǔ)上確定粒子的最佳位置,并在BP神經(jīng)網(wǎng)絡(luò)中得到最合理的權(quán)值和偏置值,經(jīng)BP神經(jīng)網(wǎng)絡(luò)的反復(fù)訓(xùn)練后輸出最優(yōu)值并計算閾值,通過閾值實現(xiàn)圖像分割.然而該方法存在計算復(fù)雜,分割耗時較長的問題.文獻[6]提出了一種基于云模型魚群算法的多閾值醫(yī)學(xué)圖像分割方法,將云模型與人工魚群算法相結(jié)合,利用云模型提高人工魚群算法的學(xué)習(xí)能力,使之能夠更好地適應(yīng)種群多樣性和收斂速度快的特點,避免出現(xiàn)局部最優(yōu)問題,通過全局尋優(yōu)實現(xiàn)對圖像的分割.然而利用該方法進行醫(yī)療圖像分割后輸出結(jié)果的模糊度較大,分割效果不理想.

量子蟻群算法是將量子算法與傳統(tǒng)蟻群算法相結(jié)合,利用量子位編碼表示信息,通過量子門旋轉(zhuǎn)實現(xiàn)信息更新,提高種群的收斂性,使算法具有更強的全局尋優(yōu)能力.目前,量子蟻群算法已在信息分解和信息特征提取領(lǐng)域得以廣泛應(yīng)用.因此,針對傳統(tǒng)方法中存在的弊端,本文提出基于量子蟻群算法的醫(yī)療圖像閾值分割方法,并通過實驗證明了該方法在分割線定位、分割耗時、結(jié)果模糊度方面的優(yōu)越性能.

1 醫(yī)療圖像的二值化特征采樣和信息增強處理

1.1 二值化特征采樣模型設(shè)計

為了實現(xiàn)基于量子蟻群算法的醫(yī)療圖像閾值分割,首先構(gòu)建醫(yī)療圖像的二值化特征采樣模型,采用閾值檢測的方法進行醫(yī)療圖像的信息增強.通過模糊邊緣像素聚類分析方法進行醫(yī)療圖像的自適應(yīng)像素融合處理[7],初始化醫(yī)療圖像像素特征量的網(wǎng)格聚類中心,得到醫(yī)療圖像S的統(tǒng)計閾值分布特征量集合為S={S1,S2,…,Sn},其中,n表示網(wǎng)格聚類中心的數(shù)量.采用超聲圖像像素特征分解方法,對醫(yī)療圖像S進行紋理信息融合和特征匹配,在醫(yī)療圖像的邊緣模板分布區(qū)域進行醫(yī)療圖像的自適應(yīng)梯度特征分解,計算醫(yī)療圖像的像素強度.在各像素點中,對醫(yī)療圖像進行線性變換和特征聚類,在像素點的作用范圍內(nèi)對醫(yī)療圖像的信息進行采集.首先在鄰域內(nèi)對醫(yī)療圖像的灰度像素值進行幅值檢測,得到醫(yī)療圖像的殘差映射結(jié)構(gòu)參數(shù)

(1)

式中:pi表示某一像素點i處的信息強度;dist(yi,yj)表示醫(yī)療圖像標(biāo)記特征點yi和yj之間的歐式距離;σ表示醫(yī)療圖像進行邊緣輪廓特征檢測的閾值分割長度.在此基礎(chǔ)上,引入殘差映射結(jié)構(gòu)對多層特征進行信息融合[8-9],構(gòu)建醫(yī)療圖像的二值化特征信息采集模型為

(2)

式中C表示二值化過程修正系數(shù).由此構(gòu)造醫(yī)療圖像的二值化特征采樣模型,進行醫(yī)療圖像的二值化特征采樣與信息增強處理.

1.2 信息增強處理

在獲得醫(yī)療圖像的二值化特征采樣模型的基礎(chǔ)上,建立醫(yī)療圖像的最佳閾值區(qū)域生長模型.在醫(yī)療圖像的最大連通圖區(qū)域中進行醫(yī)療圖像的信息增強處理[10],在3×3子塊內(nèi)構(gòu)建醫(yī)療圖像的區(qū)域合并模型,某一像素點的鄰域分布范圍內(nèi)得到醫(yī)療圖像的單個超像素特征分布函數(shù)為

(3)

式中:w為3×3像素塊空間范圍內(nèi)的相對距離;a為醫(yī)療圖像的曲線延輪廓邊緣;b為與a對應(yīng)的醫(yī)療圖像的灰度像素特征分布集;k為圖像的權(quán)值;Θ為高斯混合模型中所有未知參數(shù)的集合.在醫(yī)療圖像的整條活動輪廓邊界中,根據(jù)像素點的描述特征,進行醫(yī)療圖像的信息增強處理[11-12],得到醫(yī)療圖像信息增強輸出表達式為

(4)

式中:μ為醫(yī)療圖像在統(tǒng)計閾值中的像素梯度分布值,f為像素點的特征系數(shù).在灰色鄰域內(nèi)采用量子蟻群算法進行自適應(yīng)尋優(yōu)控制,構(gòu)建醫(yī)療圖像閾值分割的信息增強模型[13-14],根據(jù)局部區(qū)域圖像強度進行醫(yī)療圖像的合并性增強處理,提高醫(yī)療圖像的輪廓邊緣信息強度,從而提高醫(yī)療圖像的閾值分割能力.

2 醫(yī)療圖像閾值分割算法

2.1 圖像中的病灶關(guān)聯(lián)特征點提取

構(gòu)建醫(yī)療圖像的二值化特征采樣模型,并在采用閾值檢測的方法進行醫(yī)療圖像的信息增強和網(wǎng)格配對的基礎(chǔ)上,進行醫(yī)療圖像閾值分割設(shè)計.本文提出基于量子蟻群算法的醫(yī)療圖像閾值分割方法.采用局部區(qū)域圖像強度控制的方法,分析醫(yī)療圖像的紋理信息;采用余弦相似度特征分析方法[15-17],求得在每個尺度下醫(yī)療圖像的關(guān)聯(lián)特征量,則圖像特征分布量化集為

(5)

式中:c1和c2分別表示2個相鄰的醫(yī)療圖像像素點;λ1和λ2表示局部區(qū)域2個相鄰圖像像素點強度的加權(quán)平均系數(shù),均為大于0的常數(shù).在此基礎(chǔ)上,計算醫(yī)療圖像中各像素點的灰度值,得到醫(yī)療圖像閾值分割的包絡(luò)輪廓線,得到區(qū)域分割函數(shù)定義如下:

(6)

式中:u為醫(yī)療圖像的模糊聚類中心;g(·)為醫(yī)療圖像在量子蟻群尋優(yōu)過程中的適應(yīng)度函數(shù),滿足g:[0,1]→[0,1].在邊界演化的方向,根據(jù)醫(yī)療圖像的病灶關(guān)聯(lián)特征點分布情況,建立面向醫(yī)療圖像閾值分割的病灶關(guān)聯(lián)特征點提取模型

(7)

式中:V為圖像分割像素點分布集;d為定義在鄰域基團.在此基礎(chǔ)上,在醫(yī)療圖像的最大連通圖區(qū)域中,根據(jù)背景像素強度進行醫(yī)療圖像的閾值分割[18-19].

2.2 本文算法

在獲得醫(yī)療圖像中病灶關(guān)聯(lián)特征點的基礎(chǔ)上,構(gòu)建醫(yī)療圖像的合成圖像和真實圖像相關(guān)性檢測模型,進而實現(xiàn)醫(yī)療圖像閾值分割.具體過程如下.

輸入:醫(yī)療圖像病灶關(guān)聯(lián)特征點信息.

輸出:醫(yī)療圖像閾值分割結(jié)果.

初始化醫(yī)療圖像信息,進行醫(yī)療圖像閾值分割,算法如下.

1) 假設(shè)相關(guān)性特征檢測的模板匹配函數(shù)為H,其計算過程為

H=γ(D+R).

(8)

式中:γ為歸一化的相關(guān)性系數(shù);D為最大匹配值.

2) 根據(jù)蟻群個體的尋優(yōu)線路,進行醫(yī)療圖像閾值分割的輪廓線尋優(yōu)控制,結(jié)合顏色空間組合方法實現(xiàn)醫(yī)療圖像量子蟻群分割過程中的個體最優(yōu)解組合控制,輸出結(jié)果為

(9)

式中,Y為上文求解出的病灶關(guān)聯(lián)特征點提取模型.

3) 從輸出結(jié)果中提取圖像目標(biāo)邊界,設(shè)定量子蟻群的信息素導(dǎo)引強度為δ,采用分區(qū)域特征匹配方法進行醫(yī)療圖像的分塊融合性檢測,計算重疊區(qū)域的像素值,結(jié)合多重分形技術(shù)進行塊匹配,塊匹配過程為

W=D+zδ.

(10)

4) 在上述步驟分析基礎(chǔ)上,根據(jù)醫(yī)療圖像的紋理分布差異性,得到醫(yī)療圖像的二維網(wǎng)絡(luò)點集合,表示為

X={(xi,xj)|1≤i≤M,1≤j≤N}.

(11)

式中:醫(yī)療圖像區(qū)域大小為M×N,M和N分別對應(yīng)醫(yī)療圖像邊緣的長度和寬度;xi和xj分別表示醫(yī)療圖像在水平方向和垂直方向上的坐標(biāo)值.

5) 按照醫(yī)療圖像結(jié)構(gòu)紋理進行蟻群分割, 利用量子蟻群算法進行優(yōu)化控制和醫(yī)療圖像的多層特征分解. 假設(shè)尋優(yōu)函數(shù)為λ, 構(gòu)建醫(yī)療圖像閾值分割的多層特征分割模型, 得到優(yōu)化分割結(jié)果為

(12)

式中,h為醫(yī)療圖像像素點集合中的像素固定幅值.

綜上所述,本文基于量子蟻群算法的醫(yī)療圖像閾值分割算法的實現(xiàn)過程如圖1所示.

圖1 本文算法流程Fig.1 The algorithm flow of this paper

本文提出的基于量子蟻群算法的醫(yī)療圖像閾值分割算法首先構(gòu)建醫(yī)療圖像的二值化特征采樣模型,采用閾值檢測的方法進行醫(yī)療圖像的信息增強和網(wǎng)格配對,繼而進行醫(yī)療圖像的邊緣輪廓檢測和鄰域像素之間的位置定位,提取醫(yī)療圖像中的病灶關(guān)聯(lián)特征點,根據(jù)量子蟻群算法進行醫(yī)療圖像的多層特征分解,構(gòu)建醫(yī)療圖像閾值分割的多層特征分割模型,從而實現(xiàn)了醫(yī)療圖像閾值分割.

3 實驗與結(jié)果分析

為了驗證所提的基于量子蟻群算法的醫(yī)療圖像閾值分割方法在實現(xiàn)醫(yī)療圖像閾值分割中的應(yīng)用性能,設(shè)計如下實驗進行驗證.

3.1 環(huán)境和數(shù)據(jù)集

實驗平臺結(jié)合了MATLAB和Visual C++,實驗數(shù)據(jù)來源于DeepLesion醫(yī)學(xué)數(shù)據(jù)集.對醫(yī)療圖像采用的匹配模板為400×400的均勻分布模板,邊緣位置選擇5 mm的分辨率特征點,對醫(yī)療圖像自動選取的像素強度為1 200,隨機抽樣100個像素點進行醫(yī)療圖像閾值分割,醫(yī)療圖像閾值分割的分辨率為800×800,對圖像的模板尺寸和參數(shù)設(shè)定見表1.

表1 圖像模板尺寸與參數(shù)Table 1 Template size and parameter of image

3.2 指標(biāo)

1) 分割輪廓線定位結(jié)果.通過圖像分割輪廓線的定位結(jié)果可以驗證醫(yī)療圖像閾值分割過程的特征匹配能力,判定閾值劃分準(zhǔn)確性.分割輪廓線過程中,輪廓線邊界越清晰,位置越明確,表明分割效果越好.

2) 處理時間.通過處理時間可以判斷醫(yī)療圖像閾值分割過程的計算復(fù)雜度和時間投入程度,驗證醫(yī)療圖像閾值分割算法的工作效率.時間投入情況由Visual C++平臺統(tǒng)計.

3) 分割結(jié)果輸出信噪比.分割結(jié)果輸出信噪比RSNR是指醫(yī)療圖像閾值分割結(jié)果中有效信息與無用噪聲的比例,計算公式為

(13)

式中,P和P′分別代表有用信息和無用噪聲的功率值.實驗中使用積分聲級計測量分割結(jié)果輸出信息功率,設(shè)定原始圖像信息功率為正常功率,代表有用信息,與有用信息功率相差較大的信息則被認為是無用噪聲.

3.3 結(jié)果

將醫(yī)療圖像作為研究對象,進行醫(yī)療圖像閾值分割.原始醫(yī)療圖像如圖2所示.

(a) 樣例1(b) 樣例2(c) 樣例3

對圖2(a)所示的原始肝臟醫(yī)療圖像進行閾值分割,提取醫(yī)療圖像中的病灶關(guān)聯(lián)特征點,根據(jù)量子蟻群算法進行醫(yī)療圖像的多層特征分解,得到量子蟻群尋優(yōu)位置,如圖3所示.

圖3 量子蟻群尋優(yōu)位置Fig.3 The optimal location of quantum ant colony

根據(jù)圖3所示的量子蟻群尋優(yōu)位置,利用所提的基于量子蟻群算法的醫(yī)療圖像閾值分割方法進行醫(yī)療圖像的閾值分割,得到分割結(jié)果,如圖4所示.

圖4 本文方法的醫(yī)療圖像閾值分割結(jié)果

分析圖4可知,采用本文的基于量子蟻群算法的醫(yī)療圖像閾值分割方法能有效實現(xiàn)對醫(yī)療圖像的閾值分割,分割輪廓線邊界清晰、位置明確,證明本文方法能夠?qū)崿F(xiàn)對分割輪廓線的準(zhǔn)確定位.

在此基礎(chǔ)上,分別利用文獻[4]中的基于蝗蟲算法的醫(yī)療圖像多閾值分割方法、文獻[5]中的基于BP神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像分割方法和文獻[6]中的基于云模型魚群算法的多閾值醫(yī)療圖像分割方法對原始醫(yī)療圖像進行分割,對比不同分割方法的效果,以其中1組樣本為例,分割結(jié)果如圖5所示.

(a) 文獻[4]方法(b) 文獻[5]方法(c) 文獻[6]方法

綜合分析圖4和圖5可知,3種傳統(tǒng)方法雖然也實現(xiàn)了對醫(yī)療圖像閾值區(qū)域的分割,但是結(jié)果并不理想.其中,文獻[4]方法的輪廓線定位邊界不清晰,文獻[5]和文獻[6]方法分別存在一定程度的分割誤差.由此可知,利用本文方法進行醫(yī)療圖像分割的輪廓線定位精度較高,分割準(zhǔn)確性較高.這是因為本文方法利用量子蟻群算法對醫(yī)療圖像進行了多層特征分解,所構(gòu)建的多層特征分割模型能夠準(zhǔn)確定位閾值邊界.

進一步測試用不同方法進行醫(yī)療圖像閾值分割過程的處理時間和輸出信噪比,得到對比結(jié)果如表2和圖6所示.

表2 不同方法處理時間對比Table 2 Comparison of processing time of different methods s

圖6 不同方法輸出信噪比對比Fig.6 Comparison of output SNR of different methods

由表2可知,本文的基于量子蟻群算法的醫(yī)療圖像閾值分割方法的最大用時為3.57 s,遠遠小于另外3種傳統(tǒng)方法,表明該方法計算復(fù)雜度低,分割效率較高.

分析圖6可知,針對3種不同醫(yī)療圖像,本文方法的輸出結(jié)果信噪比均較高,表明輸出的結(jié)果中包含噪聲較少.這是因為本文方法結(jié)合閾值檢測過程對醫(yī)療圖像進行信息增強和網(wǎng)格配對,利用量子蟻群算法建立了最佳閾值區(qū)域生長模型,有效減少了無用信息.

綜上,利用基于量子蟻群算法的醫(yī)療圖像閾值分割方法進行醫(yī)療圖像閾值分割處理時間較短、輸出信噪比較高、分割輪廓線定位效果較好,說明醫(yī)療圖像閾值分割的效果較好.

4 結(jié) 語

通過對醫(yī)學(xué)圖像進行優(yōu)化分割,提取醫(yī)學(xué)圖像的病灶相關(guān)性特征量,能夠有效實現(xiàn)對疾病的準(zhǔn)確判斷和診療.為此,本文提出基于量子蟻群算法的醫(yī)療圖像閾值分割方法.采用閾值檢測的方法進行醫(yī)療圖像的信息增強,對醫(yī)療圖像進行線性變換和特征聚類,在像素點的作用范圍內(nèi)建立醫(yī)療圖像的信息采樣模型,根據(jù)像素點的描述特征,進行醫(yī)療圖像的信息增強處理,在灰色鄰域內(nèi)采用量子蟻群算法進行自適應(yīng)尋優(yōu)控制,獲得醫(yī)療圖像的量子蟻群進化模型,根據(jù)蟻群個體的尋優(yōu)線路,進行醫(yī)療圖像閾值分割的輪廓線尋優(yōu)控制,實現(xiàn)醫(yī)療圖像閾值分割算法優(yōu)化.經(jīng)實驗研究得知,利用該方法進行醫(yī)學(xué)圖像分割的精度較高,輸出信噪比較高,分割效果更加理想.

本文的主要貢獻如下:①提出一種基于量子蟻群算法的醫(yī)療圖像閾值分割算法;②構(gòu)建了多層特征分割模型,準(zhǔn)確定位了閾值邊界,為提高醫(yī)療圖像閾值分割準(zhǔn)確度奠定了基礎(chǔ);③基于DeepLesion醫(yī)學(xué)數(shù)據(jù)集,通過多個實驗指標(biāo)驗證了算法性能,具有一定的可靠性.

本文方法對CT掃描類醫(yī)療圖像的分割效果較好,但在心血管造影、PET等形式醫(yī)療圖像的分割的應(yīng)用效果并不明顯.因此,在未來的研究階段,將進一步對本文方法進行優(yōu)化,擴大其應(yīng)用范圍.