1。介绍
医学图像处理已经成为越来越重要的在诊断医学成像和计算机技术的发展。大量的医学图像是通过x光射线照相,CT和MRI。它们为高效、准确的诊断提供重要信息基于先进的计算机视觉技术(
1,
2]。
gydF4y2B一个另一方面,白细胞(白细胞)也称为白细胞扮演了一个重要的角色在不同疾病的诊断。尽管计算机视觉技术已经成功地导致细胞分析,生成新方法,反过来,导致更精确和可靠的系统疾病诊断、高可变性细胞形状、大小、边缘,和本地化数据提取过程复杂。此外,对比单元边界和图像的背景可能会有所不同在捕捉过程中由于光照条件的不稳定。
gydF4y2Ba许多工作都是在该地区进行血液细胞的检测。在[
3)提出了一种基于边界方法支持向量识别白细胞。在这种方法中,每个像素的强度是用于构造特征向量,而支持向量机(SVM)是用于分类和分割。通过使用不同的方法,在
4),吴等人开发了一个基于循环迭代大津方法对白细胞直方图分割。根据涂片图像处理等技术,在hue-saturation-intensity (HSI)空间,考虑到色相组件包含白细胞的大部分信息。的最新进展之一白细胞检测研究是王提出的算法
5)基于模糊细胞神经网络(FCNN)。虽然这样的方法已被证明成功地检测图像中只有一个白细胞,它没有经过图像包含几个白细胞的测试。此外,一般其性能衰减定义的迭代数量不正确时,产生一个具有挑战性的问题本身没有明确的线索如何使最好的选择。
gydF4y2Ba由于白细胞可以近似椭球体的形式,可以使用计算机视觉技术检测椭圆以认出他们。椭圆检测的图像是一个开放的研究问题很久以前的事了。提出了几种方法,传统上属于三类:symmetry-based,脚腕transform-based (HT)和随机抽样。
在symmetry-based检测(
6,
7),椭圆几何是考虑。最常见的用于椭圆几何元素和轴的椭圆中心。使用这些元素和图像中边缘,椭圆参数可以找到。椭圆检测数字图像通常是通过霍夫变换(
8]。它通过代表几何形状的设置参数,然后积累垃圾箱在量化参数空间。山峰在椭圆的箱提供的指示。显然,由于参数量化成离散的垃圾箱,垃圾箱的间隔直接影响结果的准确性和计算工作。因此,对于细量化的空间,算法返回更准确的结果,而遭受大内存加载和昂贵的计算。为了克服这些问题,一些研究者提出其他椭圆探测器霍夫变换后通过使用随机抽样原则。在随机sampling-based方法(
9,
10),本代表候选人的形状而不是一组量化参数,HT。然而,像HT,随机抽样方法经过垃圾箱一个积累的过程。本最高的分数代表了一个实际的最佳逼近椭圆在目标图像。麦克劳林的工作(
11)表明,一个随机sampling-based方法产生改善精度和计算复杂度,以及减少假阳性的数量(不存在的椭圆),相比原来的HT及其改进的变异的数量。
作为替代传统工艺,椭圆检测的问题也一直通过优化方法。一般来说,他们已经证明给更好的结果比基于HT和随机抽样对准确性和鲁棒性(
13]。这种方法产生了几个健壮的椭圆探测器使用不同的优化算法,如遗传算法(气)(
14,
15)和粒子群优化(PSO) (
16]。
尽管检测算法基于优化的方法有好几个优势与传统方法相比,他们几乎适用于白细胞检测。一个例外是Karkavitsas和Rangoussi所呈现的工作
12),解决了通过使用GA白细胞检测问题。然而,由于评价函数,该评估每个解决方案的质量,考虑像素的数量固定包含在一个圆的半径,该方法容易产生misdetections尤其是图像包含重叠或不规则的白细胞。
摘要白细胞检测的任务是找到优化问题和微分进化算法用于构建椭球近似。由Storn引入差分进化(DE)和价格(
17),是一种新型的进化算法用于优化复杂的连续非线性函数。以人群为基础的算法,使用简单的变异和交叉操作产生新的候选解决方案和一对一的竞争方案适用于贪婪地决定是否新候选人或其父母将在下一代生存。由于其简单,易于实现,收敛快,鲁棒性,DE算法获得了多少关注,报道范围广泛的成功应用在文献[
18- - - - - -
22]。
提出了一个算法的自动检测血液细胞图像基于DE算法。该方法使用五个边缘点的编码作为候选椭圆的边缘地图涂片。相似的目标函数可以精确测量候选椭圆和一个实际的白细胞图像。遵循这样的目标函数的值,编码集候选椭圆进化使用DE算法,这样他们就可以符合实际的白细胞图像。生成一个亚像素探测器的方法可以有效地识别白细胞在现实图像。实验证据显示了这种方法的有效性在检测白细胞尽管复杂的条件。比较先进的WBC探测器的多个图像展示了该方法的更好的性能。
本研究的主要贡献是一种新的WBC检测器算法的建议,有效地识别白细胞不同复杂条件下,同时考虑整个过程作为一个椭圆检测问题。尽管椭圆探测器基于优化目前的几个有趣的属性,我们所知,他们还没有被应用于任何医学图像处理。
gydF4y2B一个本文的组织结构如下:部分
2描述了DE算法在部分
3椭圆检测的任务是完全从优化的角度解释DE方法的上下文中。完整的白细胞探测器提出了部分
4。部分
5报告实验结果而获得的部分
6进行一个比较先进的白细胞探测器和建议的方法。最后,在节
7,得出了一些结论。
年代ec>
2。微分进化算法
DE算法是一个简单和直接搜索算法是基于人口和全球多峰函数优化目标。DE雇佣了变异算子来提供几间信息交换的解决方案。
gydF4y2B一个有各种各样的变异基础发电机定义算法类型。DE算法的版本用于这项工作被称为rand-to-best / 1 / bin或“DE1”[
23]。DE算法首先初始化一个人口<我nline-formula>
N米米l:mi>
p米米l:mi>
和<我t一个lic>
D我t一个lic>维向量之间随机分布的考虑参数值指定的较低的初始参数<我nline-formula>
x米米l:mi>
j米米l:mi>
,米米l:mo>
低米米l:mtext>
和上面的初始参数<我nline-formula>
x米米l:mi>
j米米l:mi>
,米米l:mo>
高米米l:mtext>
如下:
(1)米米l:mtext>
x米米l:mi>
j米米l:mi>
,米米l:mo>
我米米l:mi>
,米米l:mo>
t米米l:mi>
=米米l:mo>
x米米l:mi>
j米米l:mi>
,米米l:mo>
低米米l:mtext>
+米米l:mo>
兰德米米l:mtext>
(米米l:mo>
0 1米米l:mn>
)米米l:mo>
·米米l:mo>
(米米l:mo>
x米米l:mi>
j米米l:mi>
,米米l:mo>
高米米l:mtext>
- - - - - -米米l:mo>
x米米l:mi>
j米米l:mi>
,米米l:mo>
低米米l:mtext>
)米米l:mo>
;米米l:mo>
j米米l:mi>
=米米l:mo>
1、2米米l:mn>
,米米l:mo>
…米米l:mo>
,米米l:mo>
D米米l:mi>
;米米l:mo>
我米米l:mi>
=米米l:mo>
1、2米米l:mn>
,米米l:mo>
…米米l:mo>
,米米l:mo>
N米米l:mi>
p米米l:mi>
;米米l:mo>
t米米l:mi>
=米米l:mo>
0米米l:mn>
。米米l:mo>
下标<我nline-formula>
t米米l:mi>
是一代指数,而<我nline-formula>
j米米l:mi>
和<我nline-formula>
我米米l:mi>
分别是参数和粒子索引。因此,<我nline-formula>
x米米l:mi>
j米米l:mi>
,米米l:mo>
我米米l:mi>
,米米l:mo>
t米米l:mi>
是<我t一个lic>
j我t一个lic>th的参数<我nline-formula>
我米米l:mi>
th粒子在代<我nline-formula>
t米米l:mi>
。为了生成一个试验方案,DE算法首先变异向量的最佳方案<我nline-formula>
x米米l:mi>
最好的米米l:mtext>
,米米l:mo>
t米米l:mi>
从目前的人口通过添加两个向量的不同比例从当前人口:
(2)米米l:mtext>
v米米l:mi>
我米米l:mi>
,米米l:mo>
t米米l:mi>
=米米l:mo>
x米米l:mi>
最好的米米l:mtext>
,米米l:mo>
t米米l:mi>
+米米l:mo>
F米米l:mi>
·米米l:mo>
(米米l:mo>
x米米l:mi>
r米米l:mi>
1米米l:mn>
,米米l:mo>
t米米l:mi>
- - - - - -米米l:mo>
x米米l:mi>
r米米l:mi>
2米米l:mn>
,米米l:mo>
t米米l:mi>
)米米l:mo>
;米米l:mo>
r米米l:mi>
1米米l:mn>
,米米l:mo>
r米米l:mi>
2米米l:mn>
∈米米l:mo>
{米米l:mo>
1、2米米l:mn>
,米米l:mo>
…米米l:mo>
,米米l:mo>
N米米l:mi>
p米米l:mi>
}米米l:mo>
与<我nline-formula>
v米米l:mi>
我米米l:mi>
,米米l:mo>
t米米l:mi>
被变异向量。指数<我nline-formula>
r米米l:mi>
1米米l:mn>
和<我nline-formula>
r米米l:mi>
2米米l:mn>
随机选择的条件,它们是不同的粒子指数和没有关系<我nline-formula>
我米米l:mi>
任何(例如,<我nline-formula>
r米米l:mi>
1米米l:mn>
≠米米l:mo>
r米米l:mi>
2米米l:mn>
≠米米l:mo>
我米米l:mi>
)。突变的比例因子<我nline-formula>
F米米l:mi>
是一个正实数,通常小于1。图
1说明了向量的生成过程定义为(
2)。