计算机科学全球研究杂志
菜单类ISSN:2229-371X
ISSN:2229-371X
塞万亚基一号Calugalam博士2
|
| 相关文章at普梅德,学者谷歌 |
访问更多相关文章计算机科学全球研究杂志
分割法是图像处理从给定图像中提取可疑区域时使用的基本技术本文建议元休克法,如蚁群优化法、遗传算法和粒子群优化法等3D磁共振图像中分割脑肿瘤法本文划分为两个阶段第一阶段预处理增强使用跟踪算法完成用于预处理人工制品,从脑核磁共振中去除不需要的头骨部分,这些图像使用加权中位滤波增强峰间信号对噪比和平均信号对噪比评价滤波二级智能分治使用ACO、GA和PSO三维算法识别和分治可疑区域并研究性能拟算法测试真人MRI脑膜核磁共振显示该方法可提高脑肿瘤自动检测系统敏感度和可靠性.算法从实生病人脑数据库用21对MRI测试并评价拟方法性能
关键字 |
| 脑电解法、磁共振图像、预处理增强法、分解法、元休眠算法、蚁群优化法、遗传算法和粒子群优化法 |
导 言 |
| 脑肿瘤是最攻击性最强、最致命的恶性疾病之一,由于大多数抗癌药很难到达肿瘤而使治疗变得更加困难。以2000-2010年短期医院收治病人概率样本为基础,对200多所医院进行了全国调查并诊断院内肿瘤初级院内肿瘤年度发病率估计为17 000例和二级院内肿瘤17 400例-每100 000人8.2和8.3例初级内部肿瘤率随着年龄推移而稳步上升。男性按年龄调整比率高于女性(每100 000人8.5对7.9)。不过,尽管男性更容易染上gliomas和神经元,但妇女染色体和脑膜瘤的发病率较高。智能系统使用医学图像分析MRI脑图像中的肿瘤组织医学成像是一个重要题目,被公认为改善诊断和病人护理的关键过去几年中,由于X射线、计算断层照相机、磁共振成像和超声波等成像模式,它经历了爆炸性增长当前MRI是最敏感成像测试头部(尤其是脑部)例行临床实践中MR图像比其他成像方法清晰详细细节使MRI成为包括肿瘤在内的许多条件早期诊断和评价的宝贵工具 |
| metheuristic算法概述和优异性 |
| 最近,许多研究者把注意力集中在 新型算法上 即美术算法概念集 可用于定义启发式方法换句话说,metheuristic即泛算法框架,可应用到不同的优化问题中,相对较少修改以适应特定问题美术使用大大提高了在合理时间找到高品质解决方案解决硬实用组合优化问题的能力大问题和不易理解问题尤其如此。数项元休眠学,如遗传算法和模拟退火处理方法建议处理计算难解问题蚁群优化开发新metheuric蚂蚁算法首先由Coloni等人提出(1991年),并因其成功应用多组合优化问题而得到广泛关注象遗传算法和模拟退火法一样,蚂蚁算法通过使用自然隐喻促进其求解策略论文展示脑磁共振图像自动分割使用蚁群优化、遗传算法和粒子群优化技术 |
| 蚁群优化概述 |
| 蚁群优化meatheuristic最近以人口为基础的方法 受实蚁群观察启发 并基于它们的集体觅食行为真实蚁群能够找到从食物源到巢的最短路径而不使用视觉提示物 Ants正直线移动 连接食物源到巢体Pheromone是一种挥发化学物质 蚂蚁步行下降, 和每一种蚂蚁概率选择实蚁基本行为可用从人群获取最优值ACO中,问题解决方案建在一个随机迭代过程内,向局部解决方案加解分量个体蚂蚁用人工分片构建解决方案的一部分,它反映其在解决问题时积累的经验,启发信息依赖问题 |
| 遗传算法概述 |
| 遗传算法是一个迭代过程,它涉及个人群,每个子群用有限符号串表示,即基因组,编码问题空间的可能解决办法空间称为搜索空间,包含手头问题所有可能的解决方案标准遗传算法演化如下:初始个人群随机生成或启发生成进化阶梯 代名化 现群中个体按预定义质量标准解码评价 称机能或机能组成新群 个人按自身适配度选择高适配个人更有可能产生,并用概率pc演化两个选择个体-即父母-互换基因组组成2个新个体-子孙下一步引入变异运算符,通过随机采样搜索空间新点避免过早同局部opima接轨滑动比特随机执行微概率定时遗传算法是随机迭代过程,无法保证归并终止条件可规定为某些固定最大代数或达到可接受的适配水平 |
| 粒子轮廓优化概述 |
| 粒子群优化(pso)是现代启发式算法之一,可用于非线性非连续优化问题基于人口的随机优化技术持续非线性函数.PSO从假想中学习并用它解决优化问题粒子轮廓优化是一种优化技术,提供进化基础搜索搜索算法1995年由Russ Eberhart博士和James Kennedy博士介绍PSO术语指相对新式算法体系,可用于寻找最优或近似最优解决数值问题和定性问题 |
| 智能系统概述 |
| 分割过程分离图像对象纹理基础分割从用户定义培训区开始计算纹理特征并随后作为像素分类器应用到像素像素中或整卷分解成组图像纹理以多种不同方式定义,主要特征是区域模式或模式重复模式可以完全重复,或按主题小变数组合,可能由位置函数产生医学图像方面,因为物体通常是某种组织类型,如血管、脑组织、骨骼等.在这个智能分割描述应用拟用技术,如蚂蚁聚变系统、遗传算法、粒子群优化法(ACO-GA-PSO)用于从脑MRI分割可疑区域在这项工作中,脑ML图像先处理后通过加权中位滤波增强,从图像中去除高频组件(即噪声)。后头骨区域消除第二可疑区域使用三种算法逐项取出背景组织算法最终评价下图1描述智能系统结构 |
 |
| 前段方法 : |
| MRI脑像分割初始目标是将给定MRI脑像分割成非交叉区域描述实解剖结构近十年来,提出了许多方法来解决这一问题 。部分列表包括表层模型、变形动态轮廓模型、动态生长模型Aaron et al.[1]介绍了最早分割脑MRI方法之一,Aaron et al.[1]使用一种新的通用分割工具,依赖交互变形模型实施级集交互速率解决层次定位PDE向用户即时反馈参数设置,用户可实时调试三大独立参数并控制模型形状Ahmed et al2定性量化显示生理算法优于两种经典分割技术Angela et al[4] |
| 开发伽马摄像头基于多线比例室,配有高率数字电子读出系统用于核医学成像应用Azadeh[5]介绍我们拟用的方法和结果分析三种肿瘤类型病人脑谱Benedie et als[6]报告描述目前由50个20-72岁对象组成的累积健康数据库初始使用bricq[7]为多式脑ML图像非监督分割提供统一框架,包括局部体积效果、偏差场校正和概率图集信息Chan et al[8]提出双步法,结合区程变形从指定的初始边界规划定位对象边界Chunyan et al[9]显示变形模型法适配系统通过图形用户界面,分片可实时由用户交互干预Corina et al.[10]侧重于自动提取脑脊流-问题边界,特别是脑表面周围,取自脑成像研究获取的串行结构MRI |
| Dana et al[11]建议使用高维特征集从MRI数据计算并注册地图集扩展当前方法从纹理分割districtes et al[13]展示数种混合变换方法,我们一直在开发分片注册法方法包括变形、新形状和纹理整合变形模型框架和变形模型与图形模型和学习方法整合Elizabeth et al[14]报告高分辨率MRA图像异常检测量化新法解决非侵入性恶性诊断Erik et al[15]整合基于监督学习的自动分治并使用交互多尺度分治法 |
| 组合法自动提供初始分割法应用构件块供用户交互法使用Guido et al[17]使用EM型算法,包括组织分类、异性校正和脑脱入迭代优化机制使用混合分布模型Hamarneh et al[18]在变形生物框架内引入物理形状变形使用,通过允许直观实时用户引导和必要时交互产生额外精度、易碎度和可靠性Hideki et al[19]使用区域分割技术提取脑肿瘤和edematos区域边界Iftekharuddin et als[20]展示两种新奇分片纹理特征用于小脑肿瘤分解和MRI分类 |
| 两种纹理特征之一使用分形特征提取算法Jason[21]集中化配方,将软模型分配计算近似性,传统上模型免费Jayaram等描述框架评价图像分割算法图像分割由对象识别和划分组成Jeffreiet al[24]引入自动化方法,用概率推理时空从四维时空MRI数据分段脑肿瘤Kabiretal[26]处理MR多序列上中风损耗自动分解悬浮增强视MR模式不同而异,并试图用单程序解析各种信息来源有明显的利得。Kai et al[27]指定半自动化法开发脑肿瘤和水肿分治,提供接近人工结果的客观可复制分治 |
提升和加强 |
| 图像采集 |
| 预处理增强技术用于提高磁共振图像对可疑区域检测量。 这些技术应用到所有类型扫描图像中,如MRI头部、身体和膝盖图像图像取自Siemens MagNETOM11.0teslaMRI系统图像数字式和256x256像素大小灰度量化为12比特,允许4096异像素强度3DFLASH技术生成64或128相邻薄片MR图像传送到KONTRONMIPRON2图像处理工作站并应用现有增强技术工作站对像素或256强度使用8比特软件程序将12位磁共振图像线性压缩到最大强度255 |
| 预处理增强 |
| 预处理增强技术用于提高磁共振图像对可疑区域检测量。 本节介绍脑MR图像梯度放大图法,该法基于第一批衍生物和局部统计预处理增强法由两步组成优先清除胶片文物,如标签和X光标记使用跟踪算法从MRI删除第二,使用加权中位滤波技术清除高频组件高分辨率MRI比中位滤波、适配滤波和空间滤波拟方法性能也通过峰值单对噪比评价。 下图2显示预处理和增强阶段脑MRI |
| 算法 |
| 加权中值滤镜 : |
| 加权中值滤波具有经典中值滤波的强健和边缘保护能力WM滤波大类非线性滤波称为栈滤波允许使用为后类开发的工具描述和分析WM过滤器行为和特性,例如噪声消弱能力WM滤波功能允许使用神经网络培训方法获取自适应WM滤波WM应用语言处理、自适应加权中值和最优加权中值滤镜恢复、DPCM代码和Quincunx编码加权中值预测器,正常电视和HDTV系统扫描率转换加权中值滤镜加权中值滤波通过噪声检测确定图像噪点视窗口噪声数自适应调整滤波窗口大小,滤波窗口像素点按某些规则自适应分组,并按相似性对每组像素点给予相应的权重,最后检测到的噪声经过滤波处理加权中值滤波评价标准考虑如下: |
| 性能评价 |
| Karnan等使用对比度提高指数、背景噪声水平、峰间信号对噪比和平均信号对噪比评价增强性能对比度定义CII定义如下 |
| CII=C处理/C |
| C处理和C原创=MRI对比 |
 |
 |
| 骨架清除脑MRI |
| 人头骨结构结核 骨架部分人头 脑封套头骨 骨架基本安全支持脑结构 并组成脑洞3段自动系统解释从MR脑图像清除头骨部分头骨分片分到左侧、右侧和底部下表显示跟踪算法用于清除MRI非常用部分,这意味着左右顶骨部分无需进一步处理下表1显示清除MRI头骨部分的跟踪算法 |
 |
段使用a |
| 蚁群优化是一种基于人口的元休眠法,可用以寻找困难优化问题近似解决办法ACO内有一套软件代理程序称人工蚂蚁寻找优解法解决给定优化问题应用aCO优化问题转换成查找加权图上最佳路径问题人工蚁通过移动图逐步构建解决方案求解构建过程随机并偏向extomone模型,即一组参数相关联图组件,其值由蚂蚁运行时修改.执行过程使用20次迭代选择图像像素最优级存储下方算法显示Ant殖民地脑电图检测优化 |
| 步骤1:读MRI图像或ROI图像并存储入二维矩阵 |
| 步骤2:灰色值相同的像素标注相同数 |
| 步骤3:对图像内核计算后端能U(x)值 |
| 步骤4:后端能量值所有内核存储在一个单独的矩阵中 |
| 步骤5:蚁群系统用于最小化后代能函数程序如下: |
| 步骤6初始化迭代数值(N)、蚁数值(K)、初始phemone值(T0)a常数值 |
| 7步创建解析矩阵存储所有像素标签,像素后生能量值,像素初始exomone值所有蚂蚁 |
| 步骤8:存储标签和能量函数值 |
| 步骤9:初始化pheomone值T0=0.001 |
| 步骤9:初始化pheomone值T0=0.001 |
| 步骤10:初始化所有带0蚂蚁的标志值,它表示尚未选择像素,如果设置为1则选择 |
| 步骤11:为每蚁随机像素选择前非选择的像素 |
| 步骤12:更新全蚁选择像素的pheomone值 |
| 步骤13:使用GA从集中选择最小值,分配本地最小值 |
| 步骤14:比较本地最小值(Lmin)和全球最小值(Gmin),ifLmin小于Gmin,sortGmin=Lmin |
| 步骤15:选择蚂蚁解决方案与本地最小值相等,以更新全球pheomone |
| 步骤16:执行阶梯(13至15)直到所有图像像素选择并执行阶梯(7)至16 |
| 步骤17:Gmin拥有最优标签以最小化后端能函数 |
| 步骤18:存储像素有最佳标签 单片图像 |
构件使用GeneticALGORITHM |
| Thangavavel和Karnan(2005年)表示遗传算法优化技术,以获取广袤求解空间中最佳解决办法遗传算法对字符串群操作,字符串编码代表参数集密度值肿瘤像素被视为遗传算法初始群可疑区域强度值转换为8比特二进制字符串,这些值转换成群字符串,强度值算作基因算法适配值基因运算符复制、交叉变换应用以获取新串数下一步描述遗传算法 寻找最优阈值检测肿瘤组织 |
| 算法遗传算法 |
| 步骤1:装入大小为256x256的图像(每个元素对应灰度值0至256并判定类别 |
| 步骤2:将图像划分为3x3标签 |
| 3步计算标签Fx=1/i+x2中所有像素的适配值 |
| 步骤4随机选择双生相交和变异操作计算父母和孩子的适配性适配函数归并直方图函数F(x) |
| 步骤5:初始化本地最优值为0 |
| 步骤6:初始化父母查找跨函数i=x位置j=y位置 |
| 开工Pa=Fi-1j-1,Pb=Fi+1j+1 |
| 二叉Pa=F(i)j-1,Pb=F(i)j+1 |
| 3级Pa=Fi-1j,Pb=Fi+1j |
| 4级Pa=Fi-1j+1,Pb=Fi+1j-1 |
| 步骤7计算子父 |
| C1=PA-Fx |
| C2=Fx-Pb |
| 8步选择子局部更新 |
| 步骤9:选择本地最优值查找标签最优值 |
| 选择本地最优元素后放入各自的标签 |
| 步骤10:重复步骤6、7、8和9所有元素直到标签结束 |
| 步骤11:更新最佳值查找Global最优局部Optima |
| 步骤12:选择全局最优值查找图像最优值 |
| if(GlobalOptimas |
| 步骤13:重复步骤2至12 |
| 步骤14:考虑全局最优值可自适应分治阈值 |
片段使用SWARM休眠 |
| 粒子群优化(pso)是现代启发式算法之一,可用于非线性非连续优化问题广度随机优化技术持续非线性函数粒子群概念原创为简化社会系统模拟原用用图形模拟鸟群或鱼校编程粒子群模型可用作优化器.PSO初始化时使用随机粒子群(解决方案),然后通过更新几代寻找opima在每个迭代中,每个粒子都以两个“最佳”值更新第一是最佳解决方案(适配性),迄今已经实现健康值还存储中 。此值称pest粒子群优化器跟踪的另一个“最佳”值是迄今为止通过群中任何粒子获取的最大值最大值为全局最佳并称gest粒子从群落中取物相邻时 最优值为本地最优 并称它为lbest |
| 步骤1:装入大小为256x256的图像(每个元素对应灰度值0至256并判定类别 |
| 步2除以3x3(或)5x5(或)7x7标签等 |
| 步骤3:初始化标签内所有粒子 |
| 步骤4计算标签中所有像素的适配值 |
| 步骤5选择标签最优(最佳)值 |
| if(适配值)
|
| 选择当前值元素后放入各自的标签 |
| 步骤6重复步骤4和5所有元素直到标签结束 |
| 步骤7选择粒子最适配值所有粒子gBest |
| 8步计算粒子速度 |
| +C1*Rand* |
| v[cp]=当前粒子速度,best[cp]=最佳健康值,gbest[s]=所有粒子的适配值,Rand()=随机数介于0:1,c1,c2为学习因子通常c1=c2=2 |
| 步骤9:更新粒子位置 |
| present[s]=persent[s |
| persent[ ]表示当前粒子 |
| 更新速度和位置后,每个粒子 |
| 步骤10:转到步骤2获取更多标签 |
成果与训练 |
| 智能系统结果显示粒子群优化 极简单精确算法脑肿瘤检测PSO提供99.28%精确检测比ACO和GA有效过去几年中,PSO在许多研究应用领域成功应用事实显示,同其它方法相比,PSO以更快、廉价方式取得更好的结果。PSO有吸引力的另一个原因是没有多少参数可调整 |
 |
 |
 |
 |
结论 |
| 智能分治磁共振图像描述梯度脑分治使用蚁群优化、粒子最优化和遗传算法初始预处理阶段通过跟踪算法完成下一步处理脑MRI使用蚁群优化算法、粒子优化算法和遗传算法分割智能分割法的长处是检测和评价三大元启发算法及其性能从脑膜核磁共振分解脑肿瘤组织统计结果显示,提议的PSO算法比ACO和GA算法效果优于肿瘤检测算法 |
引用 |
|