《電子技術(shù)應(yīng)用》
您所在的位置:首頁(yè) > 嵌入式技術(shù) > 設(shè)計(jì)應(yīng)用 > 基于逐級(jí)變異布谷鳥(niǎo)搜索和Powell的醫(yī)學(xué)圖像配準(zhǔn)
基于逐級(jí)變異布谷鳥(niǎo)搜索和Powell的醫(yī)學(xué)圖像配準(zhǔn)
2015年電子技術(shù)應(yīng)用第8期
王 波1,2,張 菁2,杜曉昕3
1.齊齊哈爾大學(xué) 計(jì)算中心,黑龍江 齊齊哈爾161006; 2.哈爾濱工程大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院,黑龍江 哈爾濱150001; 3.齊齊哈爾大學(xué) 計(jì)算機(jī)與控制工程學(xué)院,黑龍江 齊齊哈爾161006
摘要: 針對(duì)基本布谷鳥(niǎo)搜索算法容易陷入局部極值的不足,提出一種逐級(jí)變異方法,采用逐級(jí)變異方法改進(jìn)基本布谷鳥(niǎo)搜索算法,進(jìn)而提出一種逐級(jí)變異布谷鳥(niǎo)搜索算法。針對(duì)醫(yī)學(xué)圖像配準(zhǔn)問(wèn)題,采用互信息作為相似性測(cè)度,結(jié)合逐級(jí)變異布谷鳥(niǎo)搜索算法和Powell法提出融合優(yōu)化方法,將該融合優(yōu)化方法應(yīng)用于醫(yī)學(xué)圖像配準(zhǔn)中,提出一種基于逐級(jí)變異布谷鳥(niǎo)搜索和Powell的醫(yī)學(xué)圖像配準(zhǔn)方法。通過(guò)仿真實(shí)驗(yàn)證明該方法實(shí)現(xiàn)的醫(yī)學(xué)圖像配準(zhǔn)精度和準(zhǔn)確度更高,性能更好。
中圖分類號(hào): TP391.41
文獻(xiàn)標(biāo)識(shí)碼: A
DOI:10.16157/j.issn.0258-7998.2015.08.038

中文引用格式: 王波,張菁,杜曉昕. 基于逐級(jí)變異布谷鳥(niǎo)搜索和Powell的醫(yī)學(xué)圖像配準(zhǔn)[J].電子技術(shù)應(yīng)用,2015,41(8):135-137,142.
英文引用格式: Wang Bo,Zhang Jing,Du Xiaoxin. Medical image registration based on cuckoo search algoritbhm with step by step mutation and Powell[J].Application of Electronic Technique,2015,41(8):135-137,142.
Medical image registration based on cuckoo search algoritbhm with step by step mutation and Powell
Wang Bo1,2,Zhang Jing2,Du Xiaoxin3
1.Computer Center,Qiqihar University,Qiqihar 161006,China; 2.College of Computer Science and Technology,Harbin Engineering University,Harbin 150001,China; 3.College of Computer and Control Engineering,Qiqihar University,Qiqihar 161006,China
Abstract: According to the problem that cuckoo search algorithm falls into local minimums,this paper proposes a method of step by step mutation,which uses step by step mutation to improve cuckoo search algorithm,and puts forward cuckoo search algorithm with step by step mutation. To solve the problem of medical image registration,it uses mutual information as similarity measure,and gives a method of medical image registration technology based on cuckoo search algorithm with step by step mutation and Powell by cuckoo search algorithm with step by step mutation merging Powell. Simulation experiment on this method shows that better accuracy and better performance are both given.
Key words : step by step mutation;cuckoo search algorithm;Powell;mutual information;medical image registration

   

0 引言

    臨床上不同的醫(yī)學(xué)圖像反映了不同角度的生理信息,它們都對(duì)醫(yī)學(xué)診斷與治療有重要的意義,醫(yī)學(xué)圖像融合可使醫(yī)生更加精確地掌握病人病變組織,可獲得更加準(zhǔn)確且豐富診斷信息,為醫(yī)生的診斷及手術(shù)治療提供了更加可靠的保證。醫(yī)學(xué)圖像配準(zhǔn)是實(shí)現(xiàn)醫(yī)學(xué)圖像融合的前提,是醫(yī)學(xué)圖像處理領(lǐng)域的研究熱點(diǎn)和難點(diǎn)[1]

    醫(yī)學(xué)圖像配準(zhǔn)有3個(gè)核心選擇問(wèn)題:配準(zhǔn)搜索空間、相似性測(cè)度、優(yōu)化方法。其中優(yōu)化方法選取的優(yōu)劣是影響配準(zhǔn)結(jié)果關(guān)鍵因素。目前適用于醫(yī)學(xué)圖像配準(zhǔn)較成熟的優(yōu)化方法有經(jīng)典的單純形法和Powell[2],以及啟發(fā)式優(yōu)化算法(如遺傳算法[3]、蟻群算法[4]和粒子群算法[5]等),其中單純形法收斂速度過(guò)慢,Powell法容易陷入局部極值,上述幾種啟發(fā)式優(yōu)化算法都存在算法實(shí)現(xiàn)復(fù)雜和參數(shù)多等弊端。布谷鳥(niǎo)搜索算法(Cuckoo Search Algorithm,CSA)是劍橋大學(xué)學(xué)者YANG Xinshe和DEB Suash于 2009年提出的模擬自然界布谷鳥(niǎo)產(chǎn)卵行為的群體智能仿生啟發(fā)式優(yōu)化算法。該算法實(shí)現(xiàn)簡(jiǎn)單,參數(shù)少且易于實(shí)現(xiàn),并已成功應(yīng)用于工程優(yōu)化等實(shí)際問(wèn)題中[6],逐漸發(fā)展成為群體智能仿生啟發(fā)式優(yōu)化算法領(lǐng)域的一個(gè)新亮點(diǎn)。

    本文為了進(jìn)一步提高布谷鳥(niǎo)搜索算法優(yōu)化性能,提出一種逐級(jí)變異布谷鳥(niǎo)搜索算法(Cuckoo Search Algorithm with Step by Step Mutation,CSA-SSM),并基于CSA-SSM和Powell提出一種適用于醫(yī)學(xué)圖像配準(zhǔn)融合優(yōu)化算法,選用互信息作為配準(zhǔn)相似性測(cè)度,最終提出一種配準(zhǔn)精度更高速度更快的醫(yī)學(xué)圖像配準(zhǔn)新方法。

1 逐級(jí)變異布谷鳥(niǎo)搜索算法

1.1 適用于CSA的逐級(jí)變異

    定義1 (變異效能系數(shù)δ)δ表示變異效能作用的持續(xù)程度,計(jì)算式:

    jsj4-gs1.gif

式中,d表示當(dāng)前迭代次數(shù),D表示最大迭代次數(shù)。當(dāng)d取不大于θ時(shí),δ為1;當(dāng)d取最大值D時(shí),δ為θω/Dω;當(dāng)d取θ和D中間值時(shí),δ為1與θω/Dω之間的遞減數(shù)值。δ值為1時(shí),表示變異效能作用最大;δ值為θω/Dω時(shí),表示變異效能作用最小,其中θ和ω為調(diào)節(jié)參數(shù)。

    定義2 (逐級(jí)變異因子η)逐級(jí)變異因子η表示在不同的進(jìn)化階段執(zhí)行的具體變異操作,計(jì)算如式(2)所示,逐級(jí)變異控制點(diǎn)計(jì)算如式(3)~(5)。

    jsj4-gs2.gif

式中Cauchy(0,1)是標(biāo)準(zhǔn)的柯西分布,N(0,1)是均值為0、均方差為1的高斯分布,T(d)為以迭代次數(shù)d為自由度參數(shù)的T分布。

jsj4-gs3-6.gif

1.2 逐級(jí)變異布谷鳥(niǎo)搜索算法(CSA-SSM)

    由于基本CSA采用Lévy飛行機(jī)制,導(dǎo)致CSA極容易陷入局部極值和搜索速度減慢等缺陷,本文采用逐級(jí)變異方法改進(jìn)基本CSA,提出逐級(jí)變異布谷鳥(niǎo)搜索算法(CSA-SSM),CSA-SSM遵循變異啟動(dòng)規(guī)則和位置更新規(guī)則。設(shè)jsj4-gs7-s1.gif為第d次迭代第i個(gè)鳥(niǎo)窩位置。

    規(guī)則1(變異啟動(dòng))尋優(yōu)過(guò)程中最優(yōu)鳥(niǎo)窩位置在連續(xù)兩次迭代進(jìn)化中無(wú)變化或者變化很小為變異啟動(dòng)條件,如式(7)所示。

    jsj4-gs7.gif

式中Fit()為目標(biāo)函數(shù),分別計(jì)算了在第d次迭代、d-1次迭代和d-2次迭代鳥(niǎo)窩位置的目標(biāo)函數(shù)值;Ω為變異啟動(dòng)閾值。

    規(guī)則2(位置更新)依照Lévy飛行模式更新鳥(niǎo)窩位置,其中Lévy飛行步長(zhǎng)計(jì)算如式(8)和(9)所示。

jsj4-gs8-9.gif

2 基于CSA-SSM和Powell的醫(yī)學(xué)圖像配準(zhǔn)方法

2.1 相似性測(cè)度的選定

    本文選定互信息為相似性測(cè)度,設(shè)兩幅圖像IX和IY的互信息計(jì)算式:

jsj4-gs10.gif

2.2 CSA-SSM和Powell的融合優(yōu)化

    本文醫(yī)學(xué)圖像配準(zhǔn)的優(yōu)化方法選擇采用CSA-SSM和Powell融合優(yōu)化方法,該融合優(yōu)化方法優(yōu)化流程圖如圖1所示。

jsj4-t1.gif

2.3 醫(yī)學(xué)圖像配準(zhǔn)步驟

    輸入:參考圖像IX,浮動(dòng)圖像IY。步驟如下:

    (1)根據(jù)式(10)計(jì)算IX和IY的互信息,判斷互信息值是否最大,是最大則轉(zhuǎn)到步驟(4),否則轉(zhuǎn)到步驟(2)。

    (2)采用CSA-SSM和Powell融合優(yōu)化算法優(yōu)化配準(zhǔn)變換參數(shù)Θ。

    (3)采用步驟(2)優(yōu)化后的配準(zhǔn)變換參數(shù)Θ,對(duì)浮動(dòng)圖像IY進(jìn)行配準(zhǔn)變換,得到變換后的圖像jsj4-2.3-x1.gif轉(zhuǎn)到步驟(1)。

    (4)結(jié)束。

    輸出:配準(zhǔn)變換后的浮動(dòng)圖像IY。

3 仿真結(jié)果與分析

3.1 仿真實(shí)驗(yàn)數(shù)據(jù)

    本文仿真實(shí)驗(yàn)數(shù)據(jù)來(lái)自加拿大McGill大學(xué)的McConnell腦部MRI醫(yī)學(xué)圖像庫(kù)[7],共抽取兩組實(shí)驗(yàn)數(shù)據(jù)如圖2所示,兩組實(shí)驗(yàn)數(shù)據(jù)參數(shù)設(shè)置如表1所示。CSA-SSM算法參數(shù)設(shè)置中,基本參數(shù)設(shè)置見(jiàn)文獻(xiàn)[8],附加參數(shù)設(shè)置如表2所示。

jsj4-t2.gif

jsj4-b1.gif

jsj4-b2.gif

3.2 配準(zhǔn)結(jié)果分析

    設(shè)定配準(zhǔn)變換參數(shù)為Θ=[Θx,Θy,Θφ],其中Θx為水平方向變換分量,Θy為垂直方向變換分量,Θφ為旋轉(zhuǎn)角度分量。

    圖3顯示變換參數(shù)各分量誤差與算法迭代次數(shù)的關(guān)系,其中縱坐標(biāo)為配準(zhǔn)變換參數(shù)分量誤差,橫坐標(biāo)為算法迭代次數(shù)。由圖 3可見(jiàn),本文配準(zhǔn)方法可在20次迭代附近快速得到誤差近似為0的配準(zhǔn)變換參數(shù),可見(jiàn)本文方法的收斂速度和配準(zhǔn)速度較快。

jsj4-t3.gif

    表3中顯示了多種配準(zhǔn)方法的性能比較結(jié)果,由表3結(jié)果可知:(1)由于Powell算法沒(méi)有結(jié)合其他算法,因此時(shí)間耗費(fèi)較少,但其配準(zhǔn)精度和準(zhǔn)確度遠(yuǎn)遠(yuǎn)不及其他方法;(2)本文方法可提高配準(zhǔn)的精度,可有效縮短尋優(yōu)時(shí)間,配準(zhǔn)精度和準(zhǔn)確度較高。

jsj4-b3.gif

4 結(jié)論

    本文采用逐級(jí)變異方法對(duì)基本的布谷鳥(niǎo)搜索算法進(jìn)行改進(jìn),提出了逐級(jí)變異布谷鳥(niǎo)搜索算法,采用互信息作為醫(yī)學(xué)圖像配準(zhǔn)的相似性測(cè)度函數(shù),將逐級(jí)變異布谷鳥(niǎo)搜索算法和Powell相結(jié)合應(yīng)用于醫(yī)學(xué)圖像配準(zhǔn)方法中。該方法可提高醫(yī)學(xué)圖像配準(zhǔn)的精度、準(zhǔn)確度和速度。

參考文獻(xiàn)

[1] ANDREW J A,BENNETT A L.Non-local STAPLE:an intensity-driven multi-atlas rater model[J].Lecture Notes in Computer Science,2012,15(3):426-434.

[2] SOTHRAS A,DAVATZIKOS C,PARAGIOS N.Deformable medical image registration:a survey[J].IEEE Trans.on Medical Imaging,2013,32(7):1153-1190.

[3] 李超,李光耀,譚云蘭,等.基于Powell算法與改進(jìn)遺傳算法的醫(yī)學(xué)圖像配準(zhǔn)方法[J].計(jì)算機(jī)應(yīng)用,2013,33(3):640-644.

[4] 張石,杜愷,張偉,等.基于動(dòng)態(tài)融合蟻群遺傳算法的醫(yī)學(xué)圖像配準(zhǔn)[J].計(jì)算機(jī)工程,2008,34(1):227-235.

[5] 史益新,邱天爽,韓軍,等.基于混合互信息和改進(jìn)粒子群優(yōu)化算法的醫(yī)學(xué)配準(zhǔn)方法[J].中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào),2015,34(1):1-7.

[6] Wang Lijin,Yin Yilong,Zhong Yiwen.Cuckoo search algorithm with dimension by dimension improvement[J].Journal of Software,2013,24(11):2687-2698.

[7] Brainweb.Simulated brain database[DB/OL].(2012-08-20)[2015-04-09].http://www.bic.mni.mcgill.ca/brainweb/.

[8] 錢(qián)偉懿,候慧超,姜守勇.一種新的自適應(yīng)布谷鳥(niǎo)搜索算法[J].計(jì)算機(jī)科學(xué),2014,41(7):279-282.

此內(nèi)容為AET網(wǎng)站原創(chuàng),未經(jīng)授權(quán)禁止轉(zhuǎn)載。