雷竞技网页版研究和评论——国际期刊雷竞技苹果下载

全球研究计算机科学杂志》上

菜单

石头:2229 - 371 x

所有提交的电磁系统将被重定向到在线手稿提交系统。作者请直接提交文章在线手稿提交系统各自的杂志。

结合进化算法和平均重叠度规规则,医学图像分割

m·a·阿卜杜拉*阿什拉夫阿菲菲,大肠.Zanaty
信息技术DA©partement,计算机和信息技术学院,塔伊夫大学,塔伊夫,沙特阿拉伯。
相关文章Pubmed,谷歌学者

访问更多的相关文章全球研究计算机科学杂志》上

全球研究计算机科学杂志》上

文摘

在本文中,我们探索一种新的算法基于进化算法和融合概念改善医学图像分割。该方法首先发现种子覆盖图像使用遗传算法(GA)。这个初始分区用作计算高效的种子区域生长方法产生封闭的地区。平均重叠度规(急性中耳炎)用于这些地区分类成团体基于相似准则。融合模块应用于每个组找点标签套件成员的值。不同的融合规则将被应用到这些群体产生一组染色体的选择最好的数据在每个染色体代表最后一段。为了证明该算法的效率,该算法将被应用到具有挑战性的应用程序:核磁共振数据集,3 d模拟核磁共振成像,大脑灰质和白质的分割。

关键字
进化算法、遗传算法、地区增长,平均重叠度规,决策融合。

介绍
图像处理包括各种技术,适用于广泛的应用。图像处理可以看作是一种特殊形式的二维信号处理用于发现图像信息。在各种图像处理任务,细分可以看作是低水平的基本和重要的第一步视觉[1]。图像分割是图像的过程划分为non-intersecting地区。这些地区有两个属性:(1)同质性在一个地区,即。,the texture or color in a region should be as similar as possible, and (2) heterogeneity between the regions, i.e., texture or color that in one region should be distinct from those in another region.
不同的方法已经被提出了图像分割(三分之一)。徐等。[13]总结这些方法分为两类:(1)边界检测方法,尝试搜索封闭边界轮廓分割图像,和(2)地区clustering-based方法,哪一组„„类似“邻近像素到集群。Cheriet等。[5]提出了一个改进的大津的方法(大津,[20])称为递归的阈值tech-nique imagesegmentation(动态阈值)。格劳等。[8]提出了一种改进的分水岭变换,使引入先验信息的医学图像分割。燕和卡欣[14]使用最小路径可变形模型与统计先验形状提取器官轮廓。Karayiannis和Pai[9]模糊学习矢量量化算法用于MRI分割。模糊c均值聚类算法与空间信息也提出了医学图像分割(3、6)。最近,Hopfield神经网络已经被提议作为替代方法(2、4)。其中,分割使用竞争Hopfield神经网络(CHNN)制定cost-function-minimization问题对图像进行灰度阈值灰度级直方图或像素”安排在一维数组(2、4)
尽管许多分割方法被提出,其中大部分仍局限在两个方面:首先,类的数量是预先确定的,这意味着用户必须事先确定区域的数量。第二,大多数的方法需要一些prepro-cessing减少或消除噪音。最近,为了解决这些局限性,Felzenszwalb和Huttenlocher[7]提出了一种基于图像分割方法,它遵循既不太粗也不太细的属性根据特定区域比较函数。精神上的分割财产,一个自动分层进化基础本文提出的图像分割方法。与传统的遗传算法[21],它使用一个固定的或预定义的染色体和表型结构,层次进化算法(头脑)[22]可以放宽这些限制。头脑是它的内在属性代码的参数考虑问题的能力在一个层次结构。这个特定的属性使其成为一个潜在的医学图像自动分割技术。
最近,研究人员已经表明,天然气被发现是有效的医学图像分割[23]。赖和Chang[24]提出了层次进化算法(头脑)医学图像分割。通过染色体的层次结构,可以将图像分类为适当类的方法,避免的困难寻找适当的类的数量。Karteeka等。[25]研究了医学图像分割和试图提取组织的形状在医学图像自动使用自动聚类利用微分进化。卡门[26]提出了基于遗传算法的使用人脸检测推进分类情况下,对象的输入图像。他细分图像在“面子”和“非脸”对象,加快人脸检测。最近,使用的遗传模型除了活动轮廓已经建议[26]。一个方法基于混合遗传算法(GA)和活动轮廓的活动轮廓的问题提出了解决一些精确的医学超声图像分割[27]。王et al。[29]结合遗传算法和模糊聚类,采用遗传算法来优化模糊聚类的初始聚类中心,然后用于图像分割。更多的讨论可以[28]所示为天然气的主要应用领域的医学图像分割。
虽然他的概念infinite-impulse-response (IIR)滤波器设计[17],据我们所知,还没有人头脑的方法应用于图像分割。我们的贡献是成功的主要目的使用头脑在医学图像分割不考虑任何辅助或额外的医学图像信息,比如上下文或文本属性,在给定的医学图像。另一方面,当我们应用这种方法,集群的数量在给定的图像不需要提前知道。
为了避免之前的工作的缺点,介绍了一种新的结合GA,种子区域生长,平均重叠度规(急性中耳炎)和融合概念来提高图像分割的质量,加快搜索寻找最适条件。我们的方法的结构包括四个步骤:初始种群,进行种子区域生长,评估每一个染色体的适应度函数,进化染色体。初始种群是由均匀离散随机生成的图像采样。拟议的GA试图找出最佳的质心为每个地区细分割结果。染色体表示包括控制基因,灰度级基因,x和y轴的灰度值。灰度的基因与控制基因1和x和y轴值质心的集群。然后,人口普查的初步传递给种子初始种子区域增长的方法(位置(x, y))。
适应度函数是通过考虑改善覆盖的定量测量和发现数据分割的结果。然后,急性中耳炎方法用于分类的输出区域种子区域生长方法分成小组根据相似性度量。自种子区域生长产生的输出的最大结合软决策融合方法,使用高斯隶属函数将软的艰难的决定。不同的融合规则应用于这些组织生产段点标签相似的成员的值。该算法适用于具有挑战性的应用程序:核磁共振数据集,3 d模拟核磁共振成像,大脑灰质和白质的分割。实验结果表明,该技术生产的准确和稳定的结果。

该方法
该方法首先创建初始种群和应用区域增长算法基于种子估计从染色体等[17]中描述。现在,每个染色体代表一段包括一个种子点。如果我们有n-population我们可以< = n段。
通过应用急性中耳炎和融合方法[18]这些片段,我们可以获得最好的部分代表候选人。
一。创建候选人的数量(IPS);
b。种子区域隔离合适的区域增长;
c。急性中耳炎手术分类区域;
d。决定提高分割的融合。
决策融合应用于每组
图像
该方法基于气体的不同组件讨论如下表1中使用图像。
图像
染色体表示:
在我们的方法中,我们使用一个新的扩展层次染色体表示。扩展的分层染色体是由四个部分组成。第一部分由一系列二进制数字(总数„„1”“隐式表示区域的数量)。第二部分包括整数数字(代表代表灰色层次)。第三部分包含轴的灰度值。最后,第四部分包含轴的灰度值(即。,the third and fourth parts resent the position of the gray level in the picture). The number of control genes is decided by a soft estimate of the upper bound of the number of regions. An example of the extended hierarchical chromosome structure in our approach is illustrated in Table 2.
图像
初始种群:
GA需要人口的可能的解决方案在GA的开始初始化过程。在我们的方法中,我们随机选择一组图像作为初始参数的灰色水平基因和它们的x和y轴。至于控制基因,他们从{0,1}是随机生成的。例如,表3显示了初始种群的四个人。
图像
初始种群的腐蚀,第一个染色体三个中心1,4,8。第二个染色体被三个中心5 2和6。第三染色体被两个中心10 - 6。第四个染色体被两个中心4和6。
评价技术:健身/选择目标函数根据要解决的问题,这样的字符串(可能的解决方案)代表好点在搜索空间中具有较高的健身价值。这是唯一的信息(也称为回报信息),气体使用,寻找可能的解决方案。
图像
在我们的方法中,我们使用α= 1。
我们应用适应度函数如下。a。首先应用种子区域增长确定一个区域为每个中心的染色体。然后我们发现没有涵盖地区。
图像
b。根据我们的适应度函数,健身的染色体是142,152年第二个染色体是健身,健身第三染色体是82,和126年第四个染色体是健身。
c。然后我们将处罚,142年第一个染色体是健身,714年第二个染色体是健身,健身第三染色体是1025,和882年第四个染色体是健身。表6显示了最终的健身价值。从表6中,我们可以得出结论,惩罚项增强健身值的计算和确定更准确的最好的染色体。
图像
选择:选择/生殖过程indi-vidual字符串复制到一个试探性的新的人口,交配池,遗传操作。副本的数量一个人接收的下一代往往被直接正比于它的健身价值;从而模拟自然选择过程。这种方案通常被称为比例选择方案。轮盘赌父选择、随机万向联轴器和二进制锦标赛选择[18],[19]是最常用的选择过程。常用的精英模型的气体,最好的染色体观察到保留上一代种群中,或在一个位置外面。在我们的方法中,我们采用锦标赛选择法(Deb, 2001),因为它的时间复杂度较低。比赛方法的基本概念如下:随机选择一个正数Ntour染色体的人口和从他们最好的安装项目复制到一个中间人口。这个过程重复P乘以,这里P是人口规模。锦标赛选择的算法如下所示。
算法:锦标赛选择
输入:人口P (P是Ppop大小),比赛规模Ntour(正数)
输出:人口后选择P0 (P0也是Ppop大小)
开始
我= 1 Ppop做
P0最好安装项目中Ntour从P元素随机选择;
返回P0
结束
表7显示了所选的父母。
图像
交叉:交叉的主要目的是交流信息之间的随机选择父染色体重组部分遗传信息。其他一些常见的交叉技术有两点交叉、多点交叉,shuffleexchange交叉和均匀交叉[21]。天然气的成功操作在很大程度上取决于所使用的编码技术来表示变量的问题。构建块假说表明,气体通过识别工作良好的构建块,并最终将他们变大积木[18]。除非好构建块编码的紧,交叉操作不能结合在一起。因此coding-crossover交互对天然气的成功操作很重要。随机交叉算子对染色体和互换部分遗传信息生成新的染色体。在建议的方法中,我们使用统一的交叉。统一的交叉应用于控制基因以及参数基因,同时进行。随机选择两个染色体作为父母从目前的人口。 The crossover creates the offspring chromosome on a bitwise basis, copying each allele from each parent with a probability pi. The pi is a random real number uniformly distributed in the interval [0, 1]. Let P1 and P2 be two parents, and C1 and C2 are offspring chromosomes; the ith allele in each offspring is defined as C1(i)=P1(i) and C2(i) =P2(i) if pi 0.5; C1(i)=P2(i) and C2(i)=P1(i) if pi < 0.5
这个操作符的一个示例如表8所示。
图像
突变,突变的过程是一个随机改变染色体的遗传结构。它的主要目标是在人口中引入遗传多样性。变异基因涉及到一个二进制的简单否定,而真正的编码基因,以多种方式定义[19]。
变异算子需要探索新领域的搜索空间搜索过程,帮助避免粘在当地的最适条件。这里我们应用控制基因的点突变。这导致一些控制基因的孩子被颠倒过来:„„1”改为„„0”“和„„0”改为„„1 "。这两种情况下会改变区域的数量。前,相关参数基因被禁用,而在后者,相关参数基因被激活和基因值由随机选择新修改的灰度图像。
精英主义:这一步让最好的染色体破坏形式。在这个步骤中,如果前面的人口健康的最好的染色体比当前人口那么我们最好的染色体交换它们。然后我们当前人口的最严重的染色体替换当前人口的最好的染色体。如果最好的染色体的人口不是当前人口的健康比最好的染色体然后我们当前人口的最严重的染色体替换之前的人口的最好的染色体。
遗传算法的参数:气体中有几个参数需要由用户调整。其中一些是人口规模,进行交叉和变异概率(通常在范围(0.6 - -0.8)和小于0.1,分别),和终止标准。大多数气体的参数依赖问题,并在文献中不存在他们的选择指南。因此,一些研究人员也把一些变量和/或自适应GA参数。
在我们的实验中我们适应遗传算法的参数如下。
popSize = 20;%的个人(染色体)。
maxGen = 50;%。一代又一代的
chromLen = 20;% %染色体的长度。
点= 0.05;%突变率
Px = 0.60;%交叉率
δ= 25;%的半径

平均重叠度规(急性中耳炎)
种子区域生长算法给出了k地区根据k初始种群;一些地区可能含有少量的点(oversegmentation)由于错误的种子。We 忽视 这 一 地区 , 由 像素 的 数量 小于 规定 的 value 。现在,我们有M地区;1、2、3……,l R i  M and we want to classify them into groups 1 2 { , ,.., } l l m L  R R R , where ml is the number of region at each group, l=1 for the first group, l=2 for the second group, and etc.. To compare the performance of various outputs of seed region growing technique, several methods such as: average overlap metric [29], Dice similarity coefficient [30], and sensitivity and specificity [31] are used. In this section, we use average overlap metric (AOM) method which is more efficient and almost gives stable results, the reader can be shown [29] for more discussions.
验证了该方法的优势在准确性方面,我们使用平均重叠度规(急性中耳炎)作为指标来评估图像分割算法的性能[29]。急性中耳炎是计算如下:
图像
我j R, R代表R l N l的两套;1、2、3,.....,。这个指标达到1.0的值的结果非常相似,接近0.0时,股票没有类似的分类体素。根据Zijdenbos”声明。[32]急性中耳炎> 0.70意味着优秀的协议。在应用该算法k组(k L)的地区。
决策融合
一旦创建了集分割,必须找到他们的输出相结合的有效途径。融合多种方法可以在数据层面或执行的决策水平。我们在本文中关注决策融合使用并行体系结构。有许多决策融合方法为每个类型的输出。在这篇文章中,我们将使用其中几个,即大众投票的方法[8]硬输出和最小值,最大值,中位数,和产品规则[24]软输出。最大的结合软决策融合方法。其中最受欢迎的是最小值,最大值,意思是,中位数和产品融合规则,它定义如下[28]- [30]。
)值规则:规则分配p国际扶轮地区
图像
这些融合方案不需要培训,以产生输出决定,而概率等其他产品,加权平均,Dempster-shafer,神经网络需要培训。

核磁共振成像实验
In section, 我们 实验 中 该 方法 使用 T1-weighted MR 幻影 与 切片 厚度 1 mm, slice#91, 大小 是 129  129 pixels, 见 Fig. (2). The 测试 图像 分割 在 不同 的 噪声 水平 0% , 3% , 6% 使用 融合 voting, median, mean, maximum, minimum, 产品 方法 (see Fig. (2)).每个算法的比较分数年代如[29]所提出的定义如下:
图像
一个代表像素属于一个类的集合所发现的一个特定的方法和ref集群代表参考像素。
图像
图(3)描述了该融合方法的结果。表(9)显示图像的分数年代使用投票,融合值,意思是,最大,最小,产品的方法。它表明,均值和最大的方法实现比其他方法更好的准确性没有噪音(0%)。3%的噪音,最大是最好的方法。噪声的6%,平均和最大获得最好的准确性。产品的方法是最糟糕的噪音水平。
图像
比较结果用实验模拟3 d数据:
为了证明该方法的效率,我们比较的准确性提出了融合投票,值,意思是,最大、最小值,产品方法和最近的模糊方法k - means [27], c[13]模拟体积核磁共振成像数据噪声(3%)十片的# 82 # 91(见图(3))。这些方法被应用到每一片单独和每个图像的分割精度是评价。的上部1rd和2rd排表(10)显示相应的准确性分数后的k - means和c应用十片。很明显,c取得更好的分割性能比k - means,融合方法提供了最佳的准确性。
图像
下方的表(10)显示了每个模拟数据融合方法的性能。这个表显示,获得最高的分割精度用均值融合法则。它给改善约1.6%精度最好的方法和改善在c和k - means方法分别9.8%和13%。这表明至少获得性能应用产品和最低融合规则。
图像

结论
现在支持结构磁共振成像标记,更精确的诊断和测量过程。萎缩的存在内侧颞结构部分验证候选标记为疾病的早期诊断。整个大脑和海马萎缩和强大的敏感标记的神经退化的进程,因此,越来越多地使用,随着临床指标,临床试验结果的潜在疾病修饰治疗。皮质萎缩和自动分类方法评估的总体模式似乎萎缩阿尔茨海默症的诊断。
改善病人的诊断使用MRI图像,在本文中,我们提出了一种方法集GA、区域增长,和平均指标(急性中耳炎)重叠系数融合模块提高分割精度比现有的方法。提出了算法管道可以使单个数字大脑一个参考模板voxel-by-voxel基础上,并自动标签大脑结构没有先验知识的数字地图的基础。该方法首先发现封面图像使用GA算法的种子。这个初始分区用作计算高效的种子区域生长方法产生封闭的地区。平均重叠度规(急性中耳炎)用于这些地区分类成团体基于相似准则。融合模块应用于每个组找点标签套件成员的值。
尽管算法计算的成本并不低;它是可以接受的准确的核磁共振成像分割。提议的投票,意思是,最小值、最大值、中位数和产品显示更高的鲁棒性部分的大脑图像数据。片# 91的分割显示,平均和最大方法获得比别人更高的精度为0%和3%的噪音。噪音高6%,中位数和均值的方法取得了最好的准确性。尽管高噪声,该方法给了可接受的结果高于60%的9%的噪音。
模拟3 d数据(脑容量由十片),该算法的平均精度评估与模糊c相比,k - means方法。虽然融合模块应用的多样性,但他们仍然取得了更好的结果比模糊c和k - means方法即最大,意思是,中位数的方法实现了改进的平均分割精度约10.0%和13%分别模糊c和k - means。

引用
  1. 冈萨雷斯,r . C。森林,r . E。,“Digital image processing. Reading”, MA: Addison-Wesley, 1992.
  2. Chang彭译葶。,Chung, P.-C.,” Medical image segmentation using a contextual-constraint-based Hopfield neural cube”.Image and Vision Computing, vol.19, pp.669–678, 2001.
  3. 陈,S。,Zhang, D.,” Robust image segmentation using FCM with spatial constraints based on new kernel-induced distance measure”. IEEE Transactions on Systems Man and Cybernetics B, vol.34, pp.1907–1916, 2004.
  4. 程,k . S。林,j·S。、毛泽东、c W。,“The application of competitive Hopfield Neural Network to medical image segmentation”. IEEE Transactions on Medical Imaging, vol. 15, pp.560–567, 1966.
  5. Cheriet, M。,Said, J. N., Suen, C. Y.,“A recursive thresholding technique for image segmentation”. IEEE Transactions on Image Processing, vol. 7, pp.918–921, 1998.
  6. 壮族,K.-S。,Tzeng, H.-L., Chen, S., Wu, J., Chen, T.-J.,“Fuzzy c-means clustering with spatial information for image segmentation”. Computerized Medical Imaging and Graphics, vol.30, pp.9–15.2006.
  7. Felzenszwalb, p F。,Huttenlocher, D. P.,“Efficient graph-based image segmentation”. International Journal of Computer Vision, vol.59,pp. 1–26, 2004.
  8. 格劳,V。,Mewes, A. U. J., Alcaniz, M., Kikinis, R.,Wardield, S. K.,” Improved watershed transform for medical image segmentation using prior information”. IEEE Transactions on Medical Imaging, vol.23, pp.447–458, 2004.
  9. Karayiannis: B。拜,我。,“Segmentation of magnetic resonance image using fuzzy algorithms for learning vector quantization”. IEEE Transactions on Medical Imaging, vol.18, pp.172–180, 1999.
  10. Maulik U。,Banyopadhyay, S.,“Genetic algorithm-based clustering technique. Pattern Recognition”, vol.33, pp.1455–1465, 2000.
  11. Sammouda, R。妮基,N。,&Nishitani, H.,“Hopfield neural network for the multichannel segmentation of magnetic resonance cerebral images”. Pattern Recognition, vol.30,pp. 921–927, 1997.
  12. Sarkar, M。,Yegnanarayana, B.,Khemani, D.,“A clustering algorithm using an evolutionary programming-based approach”. Pattern Recognition Letters, vol.18, pp.975–986, 1997.
  13. 徐,Y。,Olman, V., Uberbacher, E. C.,“A segmentation algorithm for noisy images: Design and evaluation”. Pattern Recognition Letters, vol.19, 1213, pp.1224, 1998.
  14. 燕,P。,Kassim, A. A.,“Medical image segmentation using minimal path deformable models with implicit shape priors”. IEEE Transactions on Information Technology B, vol.10, pp.677–684, 2006.
  15. 科尔曼,g B。,Andrews, H. C.,“Image segmentation by clustering”. Proceedings oF IEEE, vol. 67, pp.773–785, 1979.
  16. 辛格,M。,Patel, P., Khosla, D., Kim, T.,“Segmentation of functional MRI by K-means clustering”. IEEE Transactions on Nuclear Science, vol.43,pp. 2030–2036, 1996.
  17. 电子艺界Zanaty艾哈迈德·s·Ghiduk“新颖的方法用于医学图像分割基于遗传和种子区域生长算法”,计算机科学和信息系统ComSIS杂志》10卷,3号,pp.1319 - 1342, 2013。
  18. 电子艺界Zanaty”,一种方法基于融合概念改善脑部磁共振图像(核磁共振成像)分割”,医学杂志》上的想象和卫生信息学,医学成像与卫生信息学杂志,3卷,没有。1,页30-37(8),2013年3月。
  19. m . Yoshimura Oe,“进化分割使用遗传算法对纹理的自动决策的最优数量的细分领域”,模式识别、vol.32, pp.2041A¢€“2054,1999。
  20. p .安德烈,“选择论者放松:遗传算法应用于图像分割”,形象和视觉计算,17卷,pp.175A¢€“187,1999。
  21. c . Li r角”,多分辨率纹理分割”的遗传聚类算法,图像和视觉计算,21卷,pp.955A¢€“966,2003。
  22. 。k . e . Melkemi m . Batouche s Foufou”multiagen系统使用遗传算法的图像分割方法和极值优化启发式”,模式识别字母,27卷,pp.1230A¢€“1238,2006。
  23. k . e . Melkemi m . Batouche s Foufou”multiagen系统使用遗传算法的图像分割方法和极值优化启发式”,模式识别字母,27卷,pp.1230A¢€“1238,2006。
  24. 。c . c .赖和c . y . Chang”层次进化算法自动医学图像分割”,专家系统与应用程序,2007年。
  25. k . KarteekaPavan诉SeshaSrinivas SriKrishna和b . Eswara Reddy, 2012。自动组织分割医学图像使用微分进化”,应用科学学报,12日pp.587 - 592, 2012。
  26. m·卡曼李,“高级分类使用遗传算法和图像分割为改善FD”,第二国际会议上计算机研发、pp.364 - 368, 2010。
  27. m . Talebi a . Ayatollahi a . Kermani“医学超声图像分割遗传活性countor”, j .生物医学科学和Engineering4 pp.105 - 109, 2011。
  28. Chih-Chin赖,Chuan-Yu Chang”层次进化算法自动医学图像分割”,专家系统与应用程序36,248 a¢€“259,2009。
  29. h . Wang B.J.张X.Z. Liu D.Z.罗S.B.钟,“基于改进遗传算法的图像分割方法和模糊聚类”,先进材料Research379, 143 - 144年,2011页。
  30. p . Jaccard”的分布在高山植物区”。新植醇。,vol. 11, no. 2, pp. 37 50,1912.
  31. l .骰子”措施的生态物种”之间的联系,Ecologyvol.26, 297 - 302年,1945页
  32. a . p . Zijdenbos“MRI分割和量化的白质病变”,博士论文,范德比尔特大学电气工程系,NashvilleTennessee;1994年12月。