文摘
本文提出一种新的图像分割方法基于多个活动轮廓由粒子群优化(MACPSO)。该方法使用粒子群优化在极坐标系统增加拉斯韦加斯能力对传统活动轮廓模型。在第一阶段,评价该方法的鲁棒性,与几个凹陷了一组包含合成图像对象和高斯噪声。随后,MACPSO用于部分人类心脏左心室和人类从数据集的顺序计算机断层扫描和磁共振图像,分别。最后,评估医学图像分割的性能对地区的专家图切割方法客观、量化地,一组采用距离和相似性度量。实验结果表明,MACPSO优于传统活动轮廓模型的分割精度和稳定性。
1。介绍
计算机断层扫描(CT)扫描和磁共振成像(MRI)是有效的和广泛使用的方法在临床实践中对心脏疾病的诊断。过程由心脏病是基于图像的视觉检查后跟一个手册描述的人类器官。这个过程可以主观、耗时和容易错误。根据上述过程,计算的精确的医学图像分割技术中扮演着重要的角色。
图像分割是一个重要的和具有挑战性的任务在计算机视觉和图像处理领域与不同的应用程序包括医学图像分析、视频监控、生物学、和militar系统。近年来,为此介绍了许多方法只基于信息在图像小波变换等1),规则优化区域发展(2模糊c],增强抑制(3),改进的分水岭变换(4),multithreshold使用人工免疫系统(5),图(6,7),和活动轮廓模型(ACM) [8,9]。这后一种技术被引入10),它是一个由控制点的拉斯韦加斯花键称为snaxels。花键将进化通过内部和外部力量的评估根据感兴趣的物体的形状。ACM已广泛应用于医学应用包括分割乳腺病变(11),乳腺肿瘤(12),人类前列腺癌(13),血管内超声图像(14),等等。
有两个主要缺陷在传统活动轮廓模型的实现。首先,初始化的控制点必须接近感兴趣的对象;否则,收敛失败。其次,蛇很容易停滞在局部最小值和结果不准确收敛的边界对象。为了解决这些弊端,许多研究人员已经提出适应不同的技术合作活动轮廓模型包括waterballoons [15],统计方法[16,17),图(18)、遗传算法(19微分进化(),20.)和粒子群优化(PSO) (21)动态生成静态大搜索窗口在哪里取决于初始位置的互动控制点。同样,在22混合),一条蛇模型提出的适应活动轮廓模型算法速度方程。两种算法性能的方法是非常合适的根据测试以来,活动轮廓模型变得更加健壮的局部最小值问题。
算法已成为非常受欢迎的解决连续空间的优化问题(23,24]。算法类似于演化计算技术,因为它处理一组随机初始化可能的解决方案被称为群而不是人口。这些潜在的解决方案被称为粒子而不是个人,他们使用适应度函数评价。计算智能技术提供了一种机制受到鸟植绒或鱼的认知和社会行为教育之间交换信息粒子飞行通过超空间一般基于两个主要方法。首先,所有的粒子都在最好的粒子群的指导下,,其次,每个粒子跟踪通过迭代找到最佳解决方案,这是一个关于一些进化计算技术优势。PSO并不需要大量的计算和高效,它已被用于医学应用,如分支切割相位的MRI数据(25和肿瘤的分类26]。
在这篇文章中,我们介绍一种新的方法基于多个活动轮廓由粒子群优化(MACPSO)段对象感兴趣的搜索空间为极性部分除以。每个极性部分有一群粒子组成的控制点,它执行一个搜索策略,目的是找到最优控制点(snaxel)在其特殊的受限空间。MACPSO方法能够克服以一种非常合适的方式不准确收敛的凹边界对象并初始化传统的ACM的缺点。此外,该方法还解决问题的分段的连续的CT和MR图像数据集包含人类心脏和人类的左心室,分别。最后,从MACPSO想象获得的序列CT分割,人类心脏的三维重建方法。
这个工作的结构如下。节2,活动轮廓模型和粒子群优化的基础。节3提出MACPSO方法介绍,连同一套相似性度量来评估其性能。实验结果讨论了部分4,从数值分析结论提出了部分5。
2。背景
在本节中,活动轮廓模型的基础和粒子群优化详细解释。
2.1。活动轮廓模型
活动轮廓模型(ACM),也称为蛇,是一个可以移动的参数曲线在图像空间域定义。蛇是所描述的,在那里是与时间相关的方面的变化。通过时间曲线演化的总能量函数最小化:
能量函数定义包含两个组件,和分别代表内部和外部的能量。以下提出的内部能量用于维护中的搜索空间图像域和形状参数曲线的修改:
内能是由的一阶导数由曲线张力控制参数和的二阶导数根据刚度参数。
外部能源提出了以下定义的特定的特征图像,表面梯度计算吗和这个力的权重参数:
获得解决问题的最优解欧拉方程后,也就是说,当内部和外部力量成为稳定:
ACM的计算实现由一组符合离散点。内部能量计算的离散公式(5)和近似外部能源(6)。在这两个外部和内部的能量,是一个控制点,是该指数在搜索窗口中。此外,局部能量函数由(7为了最小化)迭代评估索引通过使用(8),代表了控制点的预定义的搜索窗口(21]: 传统的ACM有两个主要的缺点:首先,对初始位置的控制点。其次,控制点容易停滞不前的局部最小值图像中由于噪声的存在偏转曲线的最佳优势。一个合适的替代克服局部最小值的缺点是使用鲁棒优化粒子群优化技术,这是部分中描述2.2。
2.2。粒子群优化
算法是一种基于计算智能技术开发(23,24)来解决优化问题。进化计算技术、人口(称为群在PSO)包括许多可能的解决方案被称为个人(称为粒子PSO)优化任务。每个粒子穿过超空间提升到一个新的位置根据以下速度方程: 在哪里是当前粒子的速度表示时间步,惯性权重,代表着学习的因素,在哪里是一个均匀分布,是目前最好的解决方案目前发现的粒子,然后呢是目前最好的解决方案整个群发现的最好的粒子。假设新粒子的速度已经更新,其新位置计算使用以下: 根据前面的描述,PSO算法可以通过使用以下过程来实现。(1)设置群大小和初始化每个粒子通过生成随机的候选解决方案和速度。(2)评估每个粒子在预定义的健身功能和更新它只有在当前健身比较好。(3)找到最好的健身的粒子群和更新只有在发现更好的健身价值。(4)如果停止标准是满足(例如,稳定或迭代次数),然后停止。(5)更新所有粒子的速度和位置根据(9)和(10),然后重复步骤- - - - - -。
节3,提出了图像分割方法的详细描述。
3所示。提出了图像分割方法
提出的基于粒子群优化的MACPSO方法和多个活跃的轮廓描述部分3所示。1。此外,评价该方法的性能,相似性度量的集合在部分说明3所示。2。
3.1。多个活动轮廓由粒子群优化(MACPSO)
由于传统ACM上面讨论的两个主要的缺点,采用PSO驱动多个活动轮廓感兴趣的对象划分成一个极性优化问题。自方法提出MACPSO方法可以应用传统算法的实现,一些优势本质上是获得如健壮性、较低的计算时间和效率。提出的分割方法的过程如图1,它描述如下。
在MACPSO的预处理阶段,我们首先去除图像的噪声,利用二维中值滤波(窗口大小)。随后,精明的边缘检测器(,,)是用于检测边缘的背景和地区之间的利益。在这个阶段的最后一步,为了执行最小化过程,欧几里得距离映射。第二阶段是MACPSO初始化地图上的距离,在原点的坐标系统可以由用户在交互方式也可以自动生成内感兴趣的地区。生成的坐标系统将感兴趣的区域或对象,在那里表示每个约束的度极部分。另一方面,初始轮廓可以创建一个圆形或椭圆形的模式感兴趣的区域,假设该地区是在空间域。后轮廓产生,控制点(snaxels)生成和分配作为每个约束极性部分粒子,一个边缘截面的解决方案和粒子群之一必须存在。分割过程是通过应用算法策略执行的每个部分分别要放在相应的边缘截面的解决方案。对于每个部分,粒子根据相对应的适应度函数评价外部能量来源于(6),然后通过迭代最好的粒子(更新每个群的)只有在搜索空间中找到最佳值。当完成每个群的优化过程,生成的分割对象是获得连接每个群的粒子。
这种方法在初始化过程中有三个主要的优势。首先,初始轮廓可以自动初始化在一个圆形或椭圆形。其次,snaxels的数量可以直接通过修改调整后的数量感兴趣的对象划分的部分。这两个特性必须考虑适应这种方法根据感兴趣的物体的形状和获得更准确的分割而不影响算法的性能。第三个优势是起源点用户交互式地创建的,用于自动生成的空间域上的所有snaxels感兴趣的对象。由于这一优势,该方法易于扩展的分割序列CT图像通过复制原点先生通过图像的集合点。
拟议中的MACPSO图像分割方法的过程描述如下。(1)初始化坐标从原点,度,蛇的数量。(2)PSO算法的初始化参数:迭代次数,惯性权重和学习因子。(3)为每个极性部分生成一个群指定当前snaxels粒子。(4)为每个群,初始化速度和分配的首字母和。(一)应用不当限制搜索空间忽略粒子。(b)计算每个粒子的适应度函数。(c)更新和如果找到更好的粒子。(d)应用(9)和(10),分别。(e)如果停止标准是满足(例如,稳定或迭代次数),然后停止;否则,转到步骤(a)。(5)停止MACPSO。
3.2。验证指标
评估性能的方法在医学图像分割、Jaccard指数,骰子指数,豪斯多夫距离,面积和周长指标一直采用比较传统的ACM和列出的区域由两位专家。
Jaccard指数和骰子指数是位于范围的相似性评估用于二进制变量(4]。这些索引计算通过使用(11)和(12),分别。在我们的测试中,代表了分割区域的计算方法(分别MACPSO和传统活动轮廓模型)和代表该地区的专家。在这两个索引,如果区域和是完全重叠,获得的结果是1和0这是当这两个区域是完全不同的:
豪斯多夫距离是一种常用的公制形状匹配的医学图像分割。它措施两个叠加集之间的相似程度,并计算了以下,和点集合中定义吗和分别为,一些潜在的距离(在我们的测试欧几里得距离):
节4,分割的结果在不同的合成和使用该MACPSO医学图像分析的方法和验证指标。
4所示。实验结果
在本节中,我们评估的性能提出了分段MACPSO方法对象在不同的医疗和合成图像。本节中给出的计算实现执行使用gcc编译器版本4.4.5 Debian GNU / Linux 6.0上运行,英特尔酷睿i3 2.13 Ghz和4 Gb的内存。
4.1。应用合成图像
分段的结果合成图像数据所示2,3,4对称交叉,圆与高斯噪声和一个明星对象,分别。三个合成图像被用来测试的性能等方法(21,22下面描述)。
(一)
(b)
(c)
(d)
(一)
(b)
(c)
(d)
(一)
(b)
(c)
(d)
在图2,的结果应用MACPSO对称cross-image的大小像素。在图2(一个),显示了该方法的初始化。这个模拟使用下一个参数:由20个迭代,0.8惯性权重,0.5的学习因素,25蛇,63控制分蛇以来获得的价值是10。此外,在预处理阶段后,欧几里得距离地图(EDM)来源于图像进行分割的过程。在图2 (b),结果的应用MACPSO EDM,图2 (c)原始的测试图像上显示。这种分割过程必须被视为一个优化任务自snaxels(粒子)的3 d距离地图也被称为距离潜在表面计算电火花为了最小化的形状感兴趣的对象。由此产生的粒子距离潜在表面优化过程完成后如图2 (d)这些粒子随后连接之前获得最终的分割结果中引入图吗2 (c)。在这个测试图像,MACPSO方法可以克服凹度问题,收敛到一个图像上的过界的正确方法在0.277 s。
图3提出了一种合成图像的大小与高斯噪声像素包含一个圆(意味着= 0和方差= 0.04)。如图3(一个),结果应用传统活动轮廓模型的实现不能克服高斯噪声准确适合对象边界。曲线的张力刚性,外部能源和重量根据实验由参数保持不变(21),类似的细分问题得到有效解决。传统的交流在这个设置仿真参数,,,42个控制点的执行时间0.104秒。此外,如图3 (b),该方法是健壮的噪音,它能够准确地定位圈边界。惰性,学习因素,和迭代参数MACPSO统计调整促进当地剥削,而蛇的数量被认为将感兴趣的对象,和许多snaxels平滑和由此产生的轮廓。在这个仿真,MACPSO参数设置为迭代= 20,惯性权重= 0.8,= 0.5学习因素,蛇的数量= 15,42 snaxels /蛇值= 15的执行时间0.159秒。在图3 (c)预处理后的欧氏距离映射阶段提出了潜在的表面的距离和由此产生的控制点优化如图3 (d)。
在图4合成图像的大小像素的人造恒星的形状。图4(一)介绍了生成的分割获得ACM的传统实现使用参数,,,42个控制点的执行时间0.090秒。在这个图的传统ACM不能准确符合凹陷了对象的边界。这个缺点是解决与克服凹性问题和拟合的方法正确的边界,如图4 (b)。在这个仿真,MACPSO参数设置为迭代= 20,惯性权重= 0.8,= 0.5学习因素,蛇的数量= 15 - 42 snaxels /蛇的价值= 15的执行时间0.125秒。另一方面,来自星对象,数据4 (c)和4 (d)在欧几里得距离地图上,得到的分割和优化的收敛粒子表面上潜在的距离。
分割对象的质量通过MACPSO在三个不同的合成测试图像表明,该方法比传统的ACM实现更加稳定和准确。MACPSO的鲁棒性是由于收敛过程由粒子群优化,而不是传统的ACM。尽管该方法的计算时间是与传统的ACM, MACPSO功能,如避免局部最小值和拟合对象的边界,提高获得分割的质量。
节4.2,基于MACPSO性能的合成图像,引入了一套心脏医学图像来证明该方法的准确性通过不同距离和相似的措施。
4.2。应用在医学图像
该方法已应用于数据集的分割序列CT和MR图像包含人类心脏和人类的左心室,分别。这些医学图像提供的墨西哥社会保障研究所和奥克兰MRI研究小组,奥克兰大学。
图5(一个)显示了一个医学图像的大小像素从CT扫描获得的分段当下人类的心脏。在图5 (b),人类心脏的心脏病专家。此外,图5 (c)说明了ACM的分割区域通过传统的实现下一个参数:42控制点,,,在0.087 s。如图5 (d),人类的心脏分割使用提出MACPSO适合心脏边界的准确方法。这个模拟的参数设置为迭代= 20,惯性权重= 0.8,= 0.5学习因素,蛇的数量= 15,值= 15(获得42 snaxels /蛇)的执行时间0.127秒。
(一)
(b)
(c)
(d)
图6显示了收敛的过程MACPSO的CT图像进行测试。收敛测量给出的健身价值计算的平均距离潜在的表面上的控制点,通过20个预定义的迭代最小迭代改善人类心脏分割。
图7(一)显示了低对比度,像素从先生过程与获得的医学图像分割的目的目前人类的左心室。在图7 (b),欧几里得距离映射来自测试图像提出了提高分割的感知任务。另一方面,在数字7 (c)和7 (d),人类的左心室的专家1和专家2。图7 (e)显示了生成的分割区域通过ACM的传统实现下一个参数:42控制点,,,在0.085 s。图7 (f)说明了生成的分割利用提出MACPSO方法准确定位人体左心室的边界。这个模拟的参数设置为迭代= 20,惯性权重= 0.8,= 0.5学习因素,蛇的数量= 9,值= 15(获得42 snaxels /蛇)的执行时间0.108秒。
(一)
(b)
(c)
(d)
(e)
(f)
图8说明了过程的收敛MACPSO先生在一个测试图像通过使用平均控制点的健身价值评估潜在的表面的距离在每个迭代。这种融合与图中使用的相同的参数执行7。
由于MACPSO的初始化方法,该方法可以很容易地扩展到处理数据集的连续图像复制的坐标的起源点和初始参数的图像。这个初始化过程是一个优势ACM的传统实现,因为只有一个用户交互需要自动生成所有snaxels分割的过程,而在传统的ACM每个snaxel交互式地提供,这是浪费时间。
在图9分割的结果的一个子集,包含了人类心脏的CT图像。这些图像从组成的分段数据集提取144序列CT图像从不同的病人,其中每个图像的大小像素。在图9(一个)应用传统的ACM的,得到的分割,在拟合问题。ACM的参数设置为42控制点,,,一个执行时间为9.168。图9 (b)介绍了分割结果通过交互式图形切割方法,计算在10.065 s。在这种方法中,定义的专家领域(人类心脏和背景种子)应该被分割。此外,在图9 (c)利用MACPSO分割图像显示,在一个非常合适的人类心脏的边界。在这个模拟,该方法的参数设置为迭代= 20,惯性权重= 0.8,= 0.5学习因素,蛇的数量= 15,值= 15(获得42 snaxels /蛇)的执行时间11.152秒。
(一)
(b)
(c)
以前的数据集的CT图像上面所描述的那样,在桌子上1分割结果的平均值由两位专家,传统的ACM,图表,和MACPSO方法是列出的。比较结果表明,MACPSO人类心脏分割方法是有前途的。
在图10先生,分割的结果的一个子集图像包含人类左心室。这些图像与23日从分段数据集提取序列图像先生的病人图像的大小像素。图10 ()显示了应用传统的分割结果ACM,结果蛇无法调整到正确的左心室边界。ACM的参数设置为42控制点,,,一个执行时间为4.183。执行图切割方法,专家定义人类的左心室和背景的种子。在图10 (b),分割结果通过交互式图形切割方法,在3.726秒了,。另一方面,在图10 (c)通过MACPSO分割的图像显示,在一个适当的方式人类左心室的边界。在这个模拟,该方法的参数设置为迭代= 20,惯性权重= 0.8,= 0.5学习因素,蛇的数量= 9,值= 15(获得42 snaxels /蛇)的执行时间5.179秒。
(一)
(b)
(c)
此外,量化结果的数据集分割序列图像上面描述的,先生2礼物比较结果通过豪斯多夫距离,Jaccard指数,骰子指数。这种相似性分析表明,该方法非常适合左心室分割。此外,面积和周长已经采取措施来比较量化的方式分割区域由两位专家,传统的ACM,图表,和MACPSO方法,如表所示3。
如表所示1分割相比,由专家、距离和相似性措施表明,在人类心脏分割MACPSO承诺自Jaccard CT图像和骰子索引显示精度高(90%和95%,专家2)豪斯多夫距离低对传统的ACM和图切割方法。此外,表2显示的性能MACPSO人类左心室由于更敏感图像低对比度和噪声的存在,实现一个可接受的精度为83%。面积和周长的措施也表明MACPSO比ACM和图更稳定,因为该方法的值位于专家获得的值的范围。
自MACPSO已经证明了一个合适的顺序心脏图像分割的效率,一个潜在的应用该方法是人体器官的三维重建。重建的质量取决于数量的连续图像。在图11,人类心脏的三维重建方法,它是通过叠加产生的轮廓图像采集顺序,并通过每个轮廓的snaxels执行三角获得一个完整的映射。这个3 d重建由18之前选定的专家和CT图像分割通过提出MACPSO方法。
5。结论
在这个研究中,一种新的图像分割方法基于多个活动轮廓由粒子群优化(MACPSO)。MACPSO把搜索空间在极部分克服了对初始轮廓的位置和传统活动轮廓模型的局部最小值的缺点(ACM)。在本文的第一阶段,评价该方法的性能,比较传统的ACM,介绍了一些实验合成图像。随后,在第二阶段,实验与心脏医学图像获得计算机断层扫描和磁共振的程序已经被使用。实验结果显示,该方法可以导致更多的效率和稳定的噪音比传统的ACM和凹陷。这种优势使人们有可能获得较高的准确性和有效性在人类心脏和人类相比左心室分割概述了由专家和图切割方法根据相似性度量的证据。此外,实验结果还表明,当地开发极地截面的常数参数MACPSO非常适合医学图像的应用程序,包括序列医学图像的分割数据集在一个适当的计算时间。
确认
本研究一定程度上支持了墨西哥的国家科学技术委员会(CONACYT)批准号241224 - 218157。作者要感谢r . Mendoza-Gomez博士和f . j . Solorzano-Zepeda心脏病学部门的墨西哥社会安全研究所UMAE T1里昂,他们宝贵的临床数据采集期间建议和帮助。作者感谢奥克兰MRI研究小组,奥克兰大学和心脏Atlas协作提供我们网站有价值的来源磁共振成像。作者感谢伊桑·Shahamatnia在里斯本新大学德葡京请提供他们的来源对称交叉和嘈杂的循环测试图像,分别。