医学图像分割使用果蝇优化和密度山峰聚类

文摘

在本文中,我们提出一个新颖的医学图像分割算法,并结合密度山峰聚类(DPC)果蝇优化算法,它具有以下优点。首先,它避免了问题的DPC需要人为选择参数(如集群的数量)的决策图,从而可以自动确定它们的值。其次,我们的算法使用随机步长,而不是固定的步长在果蝇优化算法,这有助于避免落入局部最适条件。第三,我们的算法选择截止距离和集群中心使用图像熵值和可以更好地捕获图像的结构。基准数据集和专有数据集实验表明,我们的算法可以自适应分割医学图像与更快的收敛和更好的鲁棒性。

1。介绍

分割是医学图像分析的关键步骤。它有助于避免干扰区域以外的区域(ROI),并允许更精确的提取的特征(如形状、纹理等)的病变组织。因此,疾病预测具有重要意义和辅助治疗的病变(1- - - - - -3]。

迅速发展的医学成像技术,越来越多的医疗程序现在严重依赖于医学图像。出于这个原因,每天产生海量医学图像。这对图像分析构成巨大的挑战。手动分割显然是费时和低效,因此不能满足的要求高吞吐量大的医学图像数据的提取。因此,开发全自动算法高效、准确地分割医学图像是在医学成为重大和迫切的问题。由于其重要性,广泛的研究已经在这个问题上提出了许多方法,如阈值方法,聚类算法,entropy-based分割、人工神经网络、区域增长方法,等等。在所有这些方法中,基于深度学习的方法获得了大量的流行近年来,由于他们的高质量的分割。然而,这些方法通常需要丰富的样本作为训练数据(4,5),这可能并不总是对某些类型的医学图像。因此,clustering-based分割算法,如k - means (6- - - - - -8),模糊c均值(FCM) [9- - - - - -12),和density-based集群(13- - - - - -15),仍然是很好的选择,因为他们无人监督的性质。研究人员也已经在图像分割进行了深入研究,提出多种有效的方法。文献[16)的基础上提出了一个计算机工具的集成Tsallis熵和种子区域生长的方法。它为大脑核磁共振成像提供了更好的结果。一种新型实时集成方法在文献[开发17)基于区域增长分割算法的阈值图像分割的支持。在文献[18),摘要理论可以是一个有用的方法来克服并发症在图像分割。结果证明该方法优于该地区日益增长的回忆和f值的方法。这些研究人员提出的改进的方法,有很多距离计算,和大量数据的聚类问题将导致一个非常高的空间复杂性,不能有效地处理复杂的医学图像。

传统的聚类方法主要侧重于相邻数据点之间的关系(例如,像素或体素)。最近的聚类算法考虑任何一对数据点之间的关系,并演示了更高质量的解决方案,因为他们利用全球信息基础结构的能力。

这样的技术之一是亲和力传播(美联社)(19聚类算法,介绍了在2007年同时考虑所有数据点作为潜在的范本。通过查看每个数据点作为网络中的一个节点,它递归传输实值信息在网络的边缘,直到一套好的范本和相应的集群出现。以这种方式,美联社可以克服一些缺点的k - means和模糊c均值和广泛被应用于医学图像分割20.- - - - - -22]。美联社聚类方法使用欧氏距离的相似性和忽略了形状信息的。然而,由于复杂的人体解剖学和人体组织和器官的不规则形状,欧几里得距离通常是不足以完全捕捉相似。因此,更好的医学图像分割算法仍然需要。

另一个方法是密度山峰聚类(DPC) [23)方法,该方法是基于集群中心的密度高于他们的邻居和更高的密度相对较大的点的距离。它认为所有数据点作为候选聚类中心。对于每一个数据点,DPC计算其局部密度和距离点更高的密度。通过这种方式,它利用全球信息的数据。与类似的算法如美联社方法相比,它可以自动发现任意形状的簇和异常值。此外,它不需要嵌入向量空间中的数据与均值漂移一样,它不需要像DBSCAN盲目地选择种子。DPC既简单又有效,因为它只使用数据点之间的距离。适用于医学图像处理(11,24,25),但这不是容易选择合适的参数。

metaheuristic算法很好的解决优化问题。他们主要包括遗传算法、蚁群优化算法、粒子群优化算法,等等。一些研究人员所做的研究。参考文献(26,27)提出了一种新的方法布谷鸟搜索(CS)选择最优阈值。MSE和PSNR测量了解分割质量。参考文献(28,29日)使用metaheuristic-based分割的方法,讨论了几种医疗应用程序和一个新颖的方法来处理大鼠海马微观图像分割基于混合进化策略(ES)提出。有优越的分割结果8的水平。参考文献(30.)提出了蚂蚁举重(锥子)从蚂蚁的行为性质的启发。它增加了活跃的形式较低的时间复杂度。这些优化算法也有自己的优点和缺点。布谷鸟算法和蚁群算法的运算量,太复杂,容易过早收敛。相比之下,果蝇优化算法是一个相对新颖的高效metaheuristic算法近年来提出的。该算法容易实现,计算量小。

与DPC解决上述问题,本文提出一种改进的基于果蝇的DPC算法优化和应用到医学图像分割。果蝇的算法是一个明智的组合优化算法和密度峰集群和DPC算法,可以解决一些缺陷如截止距离d_c是由DPC算法依赖于先验知识和主观随意性在集群中心选择了手工工作。我们改变的固定步长随机步长在果蝇优化算法,这有助于避免落入局部最适条件。此外,我们的算法选择截止距离和集群中心使用图像熵值和可以更好地捕获图像的结构。基准实验研究医学图像数据集和专有数据表明,我们的算法优于现有方法。

本文的其余部分组织如下。节2我们描述了一些基本概念。部分3介绍了DPC医学图像分割算法,但效果并不理想。节4中,我们描述了参数选择优化DPC详细算法使用果蝇优化算法。实验结果和讨论这些结果的公共数据集和专有数据集描述部分5。最后,我们的结论和未来的工作部分6。

2。预赛

2.1。峰值密度聚类算法

集群中心DPC (11,23- - - - - -25)点的局部密度尽可能大,大的相对密度较高的其他点之间的距离。

对聚类数据集 ,密度山峰聚类算法定义了局部密度和相对距离为每个数据点在数据集 。这两个变量是与距离有关任意两个对象之间的数据集。

本地数据点的密度被定义为 在哪里

的参数的距离,需要事先指定。数据点之间的距离吗和 。基于上述分析,我们知道内数据点的数量是在数据点范围 。

的距离可以被定义为 在哪里数据点之间的距离吗和数据分这是最接近的点数据点吗在所有点的密度大于数据点 。如果一个数据点具有更高的和更大的 ,它更可能是一个集群中心。该方法在23)第一次使用定性分析,即使用的分布和在决策图,手动选择聚类中心,然后把剩下的数据点到最近的集群根据密度从最大的到最小的,并最终获得的聚类结果。

DPC算法(算法的具体过程1)可以描述如下:

数据点和是数据集的点吗 , 最近的点吗在所有的点密度高于数据点 。

2.2。果蝇优化算法

群集智能算法是一个常见的方法优化聚类方法的参数(31日- - - - - -33]。果蝇优化算法(失落)34)是一种新的群集智能优化算法提出的潘博士2012年W T和在许多领域中得到了广泛的应用35量37]。果蝇人口有很强的嗅觉和视觉。当果蝇的气味一个遥远的食物,它飞向食物来源和发送或接收的位置信息的食物或者从它的同伴。许多smell-based搜索过程后,果蝇执行视觉搜索来选择最好的气味浓度信息,然后飞到那个位置。

果蝇优化算法可分为以下步骤:

步骤1。初始化:

初始化种群规模Sizepop和迭代的最大数量Maxgen。选择这个职位X_轴,Y_轴果蝇种群随机的搜索空间。

步骤2。Smell-based搜索过程

步骤2.1。计算的随机方向和距离smell-based食物每个果蝇的寻求。

步骤2.2。计算距离( )之间果蝇和原点。计算值(浓度 )的气味,这是距离的倒数:

步骤2.3。占主导地位的价值( )嗅觉是引入适应度函数计算的味道( )果蝇的位置。

步骤2.4。找出最好的主导价值的当代果蝇嗅觉和相应的最优位置数量:

步骤3。Visual-based搜索过程
最优的主导价值的气味及其坐标位置信息被保留,其他个体群飞的位置:

步骤4。迭代优化

重复步骤2到步骤3和留住更好的价值,直到迭代次数Maxgen是达到了。

3所示。医学图像分割是基于密度山峰聚类

DPC算法已被用于聚类数据点以来的发明。它可以应用到医学图像分割在以下方面。因为大多数的高分辨率的医学图像,直接聚集他们可能非常耗时。因此,我们的想法是使用DPC算法集群中所有像素的灰度值。对于每一个灰度值,它定义了当地的密度并计算其距离其他点更高的密度。医学图像预处理提取图像的灰度值。灰色的柱状图的横坐标是灰度,纵坐标是外观的频率。在这种情况下,计算每个点之间的距离,和灰度的差异作为距离。我们从Xray-CT图像选择测试数据与神经影像学异常组织底漆在哈佛全脑数据库。图1(一)缺血性中风是一个典型的CT图像。可以看出,病变的皮层下梗死侧脑室和伴随着大脑中动脉的皮质水肿,即。低密度病变(黑暗)包围。我们可以画一个决策图和手动选择较大的点和值作为集群中心(图1 (b)),得到聚类结果。实验结果表明,由于医学图像的复杂性,不同于其他类型的数据,集群中心的数量,可以手动选择很小,和定性分析分割后不是很有效。考虑到不同的截止距离和手动选择集群中心点,很明显,图(图分割的影响1 (c))不能准确反映病变和水肿(即网站。undersegmentation)。许多其他的实验也表明,最初的DPC算法选择敏感集群中心的点。

4所示。医学图像分割基于果蝇优化和密度山峰聚类

以上实验表明,DPC算法不能选择截止距离自适应的过程中,医学图像分割。也是很难获得好的聚类结果如果我们手动选择集群中心点。这激励我们提出一种新的算法,称为密度峰集群基于果蝇优化算法(FOA-DPC),它可以自动选择DPC参数根据最大熵值的医学图像。

我们的算法首先计算当地的密度和它的距离对于每一个灰度值,并确定聚类中心通过以下方式这两个参数。首先,另一个参数可以定义如下:

越大值,这是一个聚类中心。因此,值降序排序,然后第一个点作为聚类中心(如图2(一个))。

我们的算法然后使用截止距离和集群中心的数量作为决策变量,对应X_轴和Y_轴在果蝇优化算法。迭代优化两个参数的关键是构建一个气味浓度函数(也称为适应度函数)来筛选最优解的后代。

为了这个目的,我们首先引入熵的概念。图像熵是一种统计的功能。它是一种信息熵指数来衡量图像的平均信息内容在数字图像处理的过程。我们使用一维熵,它反映了图像的整体信息,来表示数量的信息包含在图像的灰度值分布。图像熵值越高,清晰的图像和更丰富的内容。一维熵灰色图像可以被定义为 在哪里代表一个像素的灰度值的概率发表在《医学图像。

图像的灰度值范围通常是一个整数,从0到255的数字图像处理。的领域应该让邻居数据的平均数量不超过总数的百分之二根据(23]。因此,的价值应该从1到10的范围内。代表的数量不应小于2类别的分类。根据医学图像分割的实证研究,分类的数量不应太大,和2和40之间应该有一个值。

最初的果蝇优化算法使用一个固定的步骤在smell-based搜索过程和visual-based搜索过程,可以轻松捕获算法到当地的最适条件,从而影响算法的收敛性和稳定性。因为DPC参数优化本文不是非常大,使用随机步(逃离当地的最佳状态)作为指导的飞行范围的活动。随机数从−5和5之间的范围,和定义的变量是积极的范围。

结合DPC的果蝇优化算法算法,算法利用图像熵,反映图像的整体信息,如气味浓度的功能。搜索最优分割阈值在当代果蝇人口,以及在全球搜索空间,使熵最大化分割图像。算法计算最优的气味相对应的参数值和记录每一代的最优气味浓度如图2 (b)。趋势图可以得出最优的气味浓度(图2 (c))。图中显示,经过5次迭代,气味浓度基本上是收敛的。多个运行后,我们得到参数的值 ,k1,最佳的健身价值,28日和4.685,分别。分割结果如图2 (d)。可以看出,分段病变和水肿网站清晰可见,它可以帮助医生做出最好的判断。

我们提出的分割算法(算法2)(基于密度的山峰聚类算法和果蝇优化算法)具有以下主要步骤。图像的预处理包括阅读医学图像,提取灰度值,计算图像灰度直方图等。

5。实验结果和分析

5.1。实验设计

5.1.1。实验环境和数据集

本文的实验硬件平台是Windows7多64位操作系统,英特尔酷睿i5 - 6500 CPU、4 GB内存和MATLAB-R2016 b环境中实现的算法。

常见的脑部疾病包括脑部肿瘤、创伤性脑损伤,急性脑血管疾病、脑萎缩、等等,他们的成像特性是不同的。多个大脑案例在哈佛的MRI图像数据库选择在这个实验中,包括中风、t2影像脑膜瘤,肉瘤,转移性支气管癌。

5.1.2中。比较的算法

我们比较了改进算法与原DPC FOA-DPC算法,经典的k - means算法,和密度山峰聚类(基于遗传算法)(GA-DPC),使用分析和实验方法,研究了改进算法的有效性。(1)DPC算法:定制算法在医学图像处理中讨论部分2,不需要进行迭代。(2)k - means算法:经典的无监督学习算法,在许多领域得到了广泛的应用。(3)GA-DPC算法:一种图像分割方法基于改进密度峰集群使用遗传算法选择最优参数。它使用图像熵作为最好的健身判别函数实现图像的非监督分类。

5.1.3。评价方法

类之间的方差和图像熵可以定量测量图像分割的有效性。值越大,越大的区别不同的类和更丰富的图像内容。比较类之间的方差是评判分割图像的质量对比区域的大小。类之间的方差定义如下: 在哪里集群中心的数量,和指第一和第二区域的面积,分别是一般像素相邻地区的数量, , 是第一和第二区域的平均灰度值,分别和是两个区域的平均灰度值。

5.2。算法分析和实验结果

5.2.1。算法分析

我们比较的性能FOA-DPC与k - means算法理论上,DPC (23]和GA-DPC(5.1.2中讨论)从几个方面,如之前的信息,算法类型、时间复杂度、健壮性等。下面列出的结果(表1)。

DPC和k - means算法比较,我们发现GA-DPC算法和FOA-DPC算法都是一些智能算法相结合,从而不需要事先指定聚类数。因此,他们可以在自主分割图像的优势在缺乏先验知识。的时间复杂度,在表1,是数据元素的数量,集群中心的数量,的迭代次数,是人口数量。DPC算法具有相同的大小作为它的改进算法,但高于k - means算法。GA-DPC算法的复杂性是我们改进算法类似。但是,遗传算法需要更大的数量和更多的迭代,因而更加难以收敛。果蝇优化算法具有更快的收敛性和较短的运行时间。这意味着它有一个更高的搜索功能。在大多数情况下,FOA-DPC选择最正确的参数在两个公共数据集和专有的数据集,表明它更健壮。它将部分中解释5.2。3。

5.2.2。在公共数据集实验结果

我们的实验使用公共可用的哈佛全脑MRI t2影像数据库。k - means和DPC算法,实验使用作者所提供的原始代码执行。的比较算法,内部参数设置为最佳值。例如,根据医学图像的先验知识,当k - means算法参数是7,分割的结果是最好的。距离截止和集群的DPC算法分别是3和15。我们FOA-DPC算法和GA-DPC算法可以自适应地选择参数。实验结果如图所示3。可以看出我们FOA-DPC算法和GA-DPC有类似的分割效果,优于其他算法。

表2显示多个实验的平均值。由FOA-DPC医学图像的信息熵分割算法和k - means GA-DPC算法都要比其他的和DPC算法。与GA-DPC算法相比,总是FOA-DPC算法收敛更快,尽管优化的结果是一致的,和整体计算时间约1/4的GA-DPC算法。相比之下,与简单的k - means和DPC算法相比,它需要更多的时间主要花在果蝇迭代优化。一般来说,FOA-DPC算法优于其他分割算法的时候消费是可以接受的。实验结果与理论分析是一致的。

5.2.3。专有数据集实验结果

在这项研究中,增强T1W1-weighted DICOM图像选择当地医院的脑膜瘤。增强的脑膜瘤显示显著和统一hyperintensity,脑膜瘤脑膜附件的被肿瘤浸润显著增强。距离截止和集群的DPC算法分别设置为1和15。美联社,FOA-DPC GA-DPC算法可以自适应地选择自己的参数。GA-DPC人口是10和20的迭代次数达到收敛。自从果蝇优化算法收敛更快,我们设置了FOA-DPC人口和迭代的数量是10。

实验结果如图所示4和表3。

从表中可以看出3FOA-DPC算法不需要先验知识的复杂的医学图像没有明显的区域灰度差异和大量的集群,但分割的效果是最好的。FOA-DPC图像熵算法具有高于所有其他自适应算法和可以选择的参数,导致更好的分割结果。FOA-DPC算法总能找到最大值,即最优参数,所以它有简洁的特点,效率高,和更强的鲁棒性。SEC值也比其他算法基本上,这表明FOA-DPC算法保留更多的信息,当分段灰度图像,分割结果更接近原始图像和不同阶层之间的差异更大。因此,他们的分割是更好。

6。结论

在本文中,我们提出了一个改进算法FOA-DPC医学图像分割。它结合了密度山峰聚类(DPC)算法与果蝇优化算法,利用图像熵作为最好的气味浓度判别函数。DPC的固定步长改为随机步长将果蝇,这在很大程度上避免了陷入局部最佳状态并能自适应图像的分割。基准数据集和专有的数据集上的实验表明,我们的FOA-DPC算法是有效的和鲁棒性,可以大大减少组合群体智能算法的分割时间(比如GA-DPC)。尽管它的简单性和效率高,我们的算法仍然有进一步改进的空间,比如如何减少群体智能算法的迭代和计算复杂性和如何把它应用到宠物彩色图像分割。我们让他们未来的工作。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作的部分支持由海外培训项目优秀青年教师和校长的大学在江苏省,江苏省重点实验室智能工业控制技术,和中国的国家自然科学基金(没有。61379101)。

引用

1. r·t·h . m .们g . Defraene d . De Ruysscer p . Lambin和w·范Elmpt”定量radiomics组织特性研究:回顾技术和方法论的过程,”英国放射学杂志,卷90,不。1070年,文章ID 20160665, 2017。视图:出版商的网站|谷歌学术搜索
2. 佩雷拉,a·平托诉阿尔维斯,c·a·席尔瓦“脑瘤使用卷积神经网络在核磁共振图像分割,“IEEE医学成像,35卷,不。5,1240 - 1251年,2016页。视图:出版商的网站|谷歌学术搜索
3. m . Havaei a·戴维·d·Warde-Farley et al .,“脑瘤与深层神经网络分割,”医学图像分析,35卷,不。1,18-31,2017页。视图:出版商的网站|谷歌学术搜索
4. g . Litjens t . Kooi b . e . Bejinordi et al .,”一个调查深度学习在医学图像分析中,“医学图像分析,42卷,不。12日,60 - 88、2017页。视图:出版商的网站|谷歌学术搜索
5. i r·s·瓦伦特p·c·科尔特斯e·c·否决权等。“在CT图像自动3 d肺结节检测:一项调查,“计算机在生物医学方法和项目卷,124年,第107 - 91页,2016年。视图:出版商的网站|谷歌学术搜索
6. m·f·j . Wu Gensheimer, x盾et al .,“强劲intratumor分区识别肺癌高危亚区:一个试点研究,“国际放射肿瘤学杂志、生物学、物理学,卷95,不。5,1504 - 1512年,2016页。视图:出版商的网站|谷歌学术搜索
7. 诉Anitha和美国Murugavalli脑瘤分类使用两层分类器和自适应分割技术,”专业计算机视觉,10卷,不。1,上行线,2016页。视图:出版商的网站|谷歌学术搜索
8. r . GeethaRamani Balasubramanian l .,“视网膜血管分割采用计算机图像处理和数据挖掘技术视网膜图像分析,“生物控制论和Bimedical工程,36卷,不。1,第118 - 102页,2016。视图:出版商的网站|谷歌学术搜索
9. g . Vishnuvarthanan m . p . Rajasekaran p . Subbaraj和a . Vishnuvarthanan“一种无监督学习方法和聚类的方法对肿瘤的识别和组织磁共振脑图像分割”,“应用软计算,38卷,第212 - 190页,2016年。视图:出版商的网站|谷歌学术搜索
10. a . Vishnuvarthanan m . p . Rajasekaran诉Govindara y,和a . Thiyagarajan”自动混合方法使用聚类和自然启发优化技术,提高肿瘤在大脑核磁共振和组织分割图像,”应用软计算57卷,第426 - 399页,2017年。视图:出版商的网站|谷歌学术搜索
11. m·廖y .问:赵,x y刘et al .,“肝脏自动分割使用图从腹部CT卷削减和边界行进,“计算机在生物医学方法和项目卷,143年,页1 - 12,2017。视图:出版商的网站|谷歌学术搜索
12. j .王妃r·库马尔·a . Talukdar n·戴伊,“大脑肿瘤分割使用模糊c技术:研究”应用热成像为工业应用的最新进展,IGI全球,宾夕法尼亚州,美国,2017年。视图:谷歌学术搜索
13. 卡马利t也展示和d . Stashuk自动分割的白质纤维束使用扩散张量成像数据和基于密度的聚类算法,”人工智能在医学卷。73年,14-22,2016页。视图:出版商的网站|谷歌学术搜索
14. 问:小王,y汉,李问:et al .,“在原子力显微镜图像分割重叠nano-objects,”纳米光子学》杂志,12卷,不。1,p。2018。视图:出版商的网站|谷歌学术搜索
15. w·张,张x, j .赵y羌族,田,和x唐,“肺结节图像序列分割方法基于superpixels和density-based空间聚类的应用程序与噪音,”《公共科学图书馆•综合》,12卷,不。9篇文章ID e0184290 2017。视图:出版商的网站|谷歌学术搜索
16. n·s·m·拉贾·l·费尔南德斯:戴伊et al .,“对比增强医学磁共振成像评估使用Tsallis熵和区域增长分割,“环境智能和人性化计算杂志》上,卷1,1 - 12,2018页。视图:出版商的网站|谷歌学术搜索
17. 冲激着,s . Chakraborty s Chatterjee et al .,”一个集成的交互式图像分割方法使用基于堆栈的种子区域生长和阈值,“国际电气与计算机工程杂志》上》第六卷,没有。6,2773 - 2780年,2016页。视图:出版商的网站|谷歌学术搜索
18. p·罗伊,美国他,:s Chakraborty a . t .阿扎尔和n·戴伊,“图像分割使用粗糙集理论:复习一下,”国际期刊的粗糙集和数据分析(IJRSDA),1卷,不。2、62 - 74年,2014页。视图:出版商的网站|谷歌学术搜索
19. b·j·弗雷和d . Dueck集群数据点之间通过传递消息。”科学,卷315,不。5814年,第976 - 972页,2007年。视图:出版商的网站|谷歌学术搜索
20. t·t·颜t . m .老爷l . h .儿子,n . h .明和n·戴伊,“决策基于模糊聚合运营商从牙科x光图像、医学诊断”医疗系统杂志,40卷,不。12日,1 - 7,2016页。视图:出版商的网站|谷歌学术搜索
21. l . h .儿子,t . m .老爷,h . Fujita“牙科x光图像诊断:专家系统基于模糊计算,”生物医学信号处理和控制39卷,第73 - 64页,2018年。视图:出版商的网站|谷歌学术搜索
22. l . Kopriva w . Ju, b . Zhang et al .,“单通道稀疏非负的盲源分离方法自动肺肿瘤的三维描述宠物图片,”IEEE生物医学和卫生信息学杂志》上,21卷,不。6,1656 - 1666年,2017页。视图:出版商的网站|谷歌学术搜索
23. a·罗德里格斯和a . Laio”集群的快速搜索和发现密度峰值,”科学,卷344,不。6191年,第1496 - 1492页,2014年。视图:出版商的网站|谷歌学术搜索
24. t . s . Cheng, x,和美国曾“大规模的本地化触摸soma使用density-peak从3 d图像聚类,“BMC生物信息学,17卷,1 - 12,2016页。视图:出版商的网站|谷歌学术搜索
25. 朱z, y柴,h .阴,y,和z . Liu”小说字典学习方法多模医学图像融合,“Neurocomputing卷,214年,第482 - 471页,2016年。视图:出版商的网站|谷歌学术搜索
26. s . Samanta“基于多级阈值灰度图像分割使用布谷鸟搜索”《新兴的趋势在国际会议上电气、通信和信息技术(ICECIT)2012年12月,公益性,印度。视图:谷歌学术搜索
27. s . Chakraborty s Chatterjee:戴伊et al .,“修改布谷鸟搜索算法在海马显微图像分割,“显微镜研究和技术,卷80,不。10日,1051 - 1072年,2017页。视图:出版商的网站|谷歌学术搜索
28. n·戴伊和a . s . Ashour Meta-heuristic算法在医学图像分割:一个评论,”进步在应用Metaheuristic计算,IGI全球,宾夕法尼亚州,美国,2018年。视图:谷歌学术搜索
29. a . Choudhury s Samanta:戴伊et al .,“显微图像分割使用量子进化算法的启发,“先进的显微镜研究杂志》上,10卷,不。3、164 - 173年,2015页。视图:出版商的网站|谷歌学术搜索
30. s Samanta Acharjee, a·慕克吉d . Das和n·戴伊,“蚂蚁举重图像分割的算法,”学报IEEE国际会议上计算智能和计算研究(ICCIC)马杜赖,IEEE Tamilnadu,印度,2013年12月。视图:谷歌学术搜索
31. y雪,j .江、赵b和t .妈,“基于全球最佳自适应人工蜂群算法全局优化,“软计算,22卷,不。9日,第2952 - 2935页,2018年。视图:出版商的网站|谷歌学术搜索
32. l . Bayindir“回顾群机器人的任务,”Neurocomputing卷,172年,第321 - 292页,2016年。视图:出版商的网站|谷歌学术搜索
33. z . m . Zahedi r·阿克巴里m . Shokouhifar f . Safaei和a .拉里说道“基于群体智能的模糊集群无线传感器网络路由协议,”专家系统与应用程序,55卷,第328 - 313页,2016年。视图:出版商的网站|谷歌学术搜索
34. w·t·潘”一个新的果蝇优化算法:以财务困境模型为例,“以知识为基础的系统,26卷,不。2、69 - 74年,2012页。视图:出版商的网站|谷歌学术搜索
35. l . Wang r·刘,刘,”一个有效和高效的果蝇优化算法和概率策略及其应用水平,”以知识为基础的系统卷,97年,第174 - 158页,2016年。视图:出版商的网站|谷歌学术搜索
36. x l . Si z . Wang, c . Tan z . Liu和j .徐,”希勒切割模式的识别利用振动信号基于最小二乘支持向量机与一种改进的果蝇优化算法,”传感器,16卷,不。1,第111 - 90页,2016。视图:出版商的网站|谷歌学术搜索
37. j . Macqueen“一些分类方法和多变量分析观察,”伯克利Proceedingds的研讨会上数理统计和概率,1卷,页281 - 297,伯克利,CA,美国,1967年。视图:谷歌学术搜索

版权

版权©2018年香港朱镕基等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。