文摘

随着科学技术的快速发展,超声波被人们越来越多的关注,并广泛应用于工程、诊断和检测。本文超声波基于免疫算法的图像识别方法为超声图像,及其应用于肝脏医学超声图像识别方法。首先,本文灰色肝脏超声图像,选择感兴趣的区域的图像。其次,它基于空间灰色矩阵提取功能独立的矩阵,空间频率分解,和分形特性。然后,免疫算法用于分类和识别正常肝脏、肝硬化和肝癌超声图像。最后,基于免疫算法的不足,结合支持向量机是形成一个优化的免疫算法,使肝脏超声图像分类和识别的性能。仿真表明,本文可以有效地分类正常肝脏、肝硬化和肝癌超声图像。与传统的免疫算法相比,本文结合免疫算法与支持向量机和免疫优化算法可以有效地改善肝脏超声图像分类和识别的性能。

1。介绍

肝脏疾病威胁人类健康。肝脏疾病的诊断和治疗一直是医学研究的重点。目前,疾病引起的肝脏疾病已成为人类死亡的主要原因之一,包括肝癌、脂肪肝和血吸虫病。如果这些疾病可以同时检测和治疗同时,治愈的可能性会大大增加。

检查肝脏疾病的方法之一是医学图像的扫描。b超是其中之一,它是一种最广泛使用和简单的临床应用,它已经被越来越多的关注。因为b超检测设备是相对便宜,治疗成本低,没有不良反应,它可以反复检查,和在中国的普及率很高。b超显示回波信号是一个二维图像形式的一个亮点。回声的大小是由光点的亮度。根据灰度光斑的二维结构图像与一个定义良好的层是一个灰度调制类型。b超可以获得各种截止模式人体的各种器官和更适合诊断各种器官的疾病,如肝、胆、肾、膀胱、子宫、卵巢。自b型图像的模糊图像识别带来了一定的困难,提高正确识别率一直是国内外的研究热点。如何有效地从b型图像中提取信息,实现准确的识别是提高诊断水平的关键。

因此,许多研究人员在中国精心研究如何提高超声图像的识别效率和准确性,减少重复治疗的数量和考试。这个问题迫切需要解决,同时也具有深远的意义。

很长一段时间,在b超图像识别的过程中,医生建立了病理诊断经验来分析和判断通过大量的视觉观察,使得图像的判断没有客观的评价标准,所以有一个贫穷的可重复性和准确性不同是由于医生的诊断水平。为了更好地提高b型图像识别的准确性和可靠性,迫切需要开发的图像识别功能超声诊断系统。这需要一定的处理的b型图像为了获得一定的量化参数,减少错误和工作负载,发生在当医生用肉眼来解释医学图像。

目前,肝脏超声图像的分类和识别的重点和国内外许多学者的困难。有很多文献对前列腺癌和乳腺癌的分类图像分类的超声图像;特别是,乳房肿瘤的认识,许多学者做了大量研究。这为我们的工作提供了一个良好的对比和参考领域的肝脏超声图像识别。hyperhepatic图像的识别和分类,研究是一个非常具有挑战性的课题。在这方面,国内外学者也做了一些探索性的工作。由于其复杂性,超声波图像有很多分类的困难。首先,图像噪声和病变的对比很低,这无疑对特征提取的效果有很大的影响。其次,特征选择也是一个巨大的困难,以及如何找到确定的情况下具有高识别率的特性也是一个问题,许多研究人员。

本文基于免疫算法,基于免疫算法的超声图像识别方法,应用于肝脏超声图像识别。一个优化的免疫算法是由免疫算法与支持向量机相结合。本文的主要贡献如下。(1)肝脏超声图像的灰度,感兴趣的区域被选中(2)特征提取是通过灰色空间独立的矩阵,空间频率分解,和分类功能(3)超声图像的正常肝、肝硬化、肝癌和分类和认可的免疫算法,和一个肝脏超声图像识别方法提出了基于免疫算法(4)一个优化的免疫算法是由免疫算法与支持向量机相结合

2。相关工作

随着信息技术的发展,研究人员结合数字图像处理技术、信息技术、医疗诊断知识。首先,数字图像处理技术用于处理医学图像,然后,病理诊断的医生的知识用于做出科学判断,这可以提高诊断的准确性和可靠性1- - - - - -3]。

医学图像的分类是找到从已知训练样本和样本分布规律将这个规则应用到新样本的识别。一个好的分类器不仅可以更好地解释已知的样本也做出更好的预测和判断新样品,甚至难以察觉的现象。这是通常被称为泛化能力。

目前,越来越多的研究人员使用优化算法的医学图像识别。常用算法粒子群优化(PSO) (4和蚁群优化(ACO) (5),人工蜂群(ABC)算法(6)、遗传算法(7)、模拟退火算法和免疫算法。免疫算法的灵感来自于生物免疫机制。免疫学最早可以追溯到超过200年前。1974年,Jarne免疫网络理论被授予诺贝尔,人们开始变得感兴趣的免疫网络理论。爱德华·詹纳于1796年发现了牛痘疫苗,用它来治疗人类天花的致命的传染病。1986年,农民的论文“免疫系统,适应和机器学习”首次开发免疫机制和人工智能,然后,人工免疫系统正式把在路上。在1990年代早期,Bersini添加人工智能思想控制问题[8]。1990年,石田引入人工智能故障诊断的问题(9]。1999年之后,卡斯特罗和加斯帕设计两种算法基于克隆选择的原则:克隆选择算法和模式跟踪算法(10]。同年,达斯古普塔和其他学者设计了一个负选择算法单独使用免疫耐受的消极选择机制(11]。这些算法都是基于最初的生物免疫机制,出现在短短几十年里,可以看到,免疫学解决问题有很大潜力。更多的免疫学理论的研究和应用是当今高端领域的发展趋势。

免疫算法是一种算法,它是基于免疫学原理和工程中使用的应用程序。免疫学的发展不断通过连续提交各种先进的免疫算法。因为免疫算法是一种面向问题的方法,生成新算法基于免疫系统的相关原理,或原始技术改进,使之更适用于工程应用。代表性的例子包括卡斯特罗提出的克隆选择算法(12和人工免疫网络算法13和阿甘是负选择算法14]。

免疫算法的特点如下:每个元素都有智慧,有很高的自主权,可以判断其他元素是否自体类型;免疫系统元素选择性地识别异物类型;和多样性是由基因的组合。自主学习是在网络组件阶段,只要新出现异物,异物学习(15- - - - - -17]。识别是一个被动的方法,试图确定异物,和单位之间的通信是它们之间的关联,而不是硬链接。模拟自适应免疫算法和人工免疫的人类免疫系统,这是一种手段,加强人体免疫系统。采用;选择更新策略防止早熟现象的发生,确保向着全局优化搜索过程。免疫算法的搜索目标有一定程度的分散和独立,和多样性搜索实现。

3所示。该方法

3.1。肝脏超声图像预处理

肝脏hyperimage识别过程中,特征提取是图像识别的前提。从广义上讲,图像特征提取是一种转换,也就是说,用低维空间来表示高维图像样本空间。特征选择和提取是非常重要的,它直接影响到设计、性能和精度的图像识别分类器。它的基本任务是找出最有效的特征从许多特征。在这一章,根据肝脏超声图像的特点,肝脏超声图像预处理,包括将图像转换为灰度图像并提取感兴趣的区域(ROI) (18]。

3.1.1。肝脏超声图像的特征

首先,正常肝的超声特征,肝硬化,肝癌是描述如下。(1)正常肝的超声波图像显示细光点和肝实质的均匀分布,有时稀疏,分散略强光点,短的线性回声,大纲完成,边界整齐,边界是明确的。相应的图像特征描述为正常肝结构规则、纹理清晰、均匀的灰度分布,其分布密集(2)肝硬化的超声医学图像显示不均匀,细波,走和锯齿状的回声,回声光点在肝实质是粗糙和分布不均(3)超声成像的肝癌和肝实质回声超声低。相应的图像特征是不规则但新鲜,灰度分布的范围增加

在本文中,这些特性的描述被认为是专家经验,结合该地区的特征描述符,从未改变的特点,频谱的特性,纹理的统计矩特征,基于灰度和纹理的描述同现矩阵。这四种类型的肝脏组织的变化是量化,和b超图像被这些量化值进一步分类和识别。

3.1.2。灰度处理

由于曝光不足,整个图像的灰色变化范围通常是非常小的。如果灰色真正的场景是很小的变化,为了提高图像的全部或部分的对比,灰色的变化范围可以扩大灰色转变。通过这种方式,原始图像灰度小梯度变得丰富,这提高了视觉感知条件,达到图像增强的目的。

3.1.3。选择感兴趣的区域

因为目前的条件不能自动提取感兴趣的地区,该地区感兴趣的手工提取摘要提取的医生的指导下与丰富的临床经验。感兴趣的区域提取遵循以下原则(19- - - - - -21]。(1)每张图片选择的两个矩形区域,一个位于空间占据病变A1和一个位于正常肝A2(2)A1和A2尽可能保持同样的深度,对于风扇阵列探测器的图像,尽可能在同一弧;对于线性阵列探测器的图像,尽可能在同一水平位置。A1和A2接近尽可能(3)A1和A2的大小可能会有所不同。A1可能包括尽可能多的占位性病变,但不超出了占位性病变的范围。A2可能允许的范围内尽可能大(4)在选择A2时,尽量避免大的肝内管道,如血管、胆管和胆囊

3.2。肝脏超声图像特征提取

能量熵,傅里叶光谱,角二阶矩阵,计算和对比的独立空间灰度矩阵 地区。的带小波变换用于计算分形特征向量。

下面是参数定义: 在ROI的像素密度。(1)熵

熵表示程度的不均匀性或复杂性的纹理图像。复杂性很高时,熵值大;否则,熵值较小或0 (22]。(2)角二阶矩(ASM)

独立使用空间灰度矩阵(同现矩阵)。 是一个条件概率函数基于二阶估计,代表灰度的概率来 , 是系统的采样,所指定的方向角吗 。ASM,计算了 ,定义如下:

对像素的总数在ROI, ROI采样间隔吗 ,和方向角为0°。ASM:

二阶矩是衡量图像灰度分布的均匀性。当灰度同现矩阵的元素集中在主要的对角线,图像的灰度分布更均匀的区域;整个纹理粗糙,方差较大,所以二阶矩比较大。当图像的纹理更加精细和灰色的分布是均匀的,价值更大的能量。相反,当图像的灰度分布非常不均匀,粗糙,能量值较小(23]。(3)基于小波变换的分形特征向量乐队

Pyramid-based比普通多分辨率小波变换提供了更重要的特性分析。因此,分形特征向量是基于普通的多分辨率分析和定义如下: 在哪里分形的吗th子图象在层次 。

为带小波变换,需要不同的值在不同的水平。常见的多分辨率公式(4)是由双通道实现三路和滤层混合结构。LH乐队的分形维数(沿横坐标低通滤波器和高通滤波器纵坐标)为肝硬化和肝细胞癌提供了信息,和特点如下: 在哪里是初始图像分形维数,将图像的分形维数,的分形维数是LH的形象。最后6部分的特征向量计算透支图。

3.3。免疫算法和支持向量机

3.3.1。工作原理的免疫算法

在数学理论中,免疫算法通常用于解决优化问题(平衡)24]。图1给出了免疫算法的基本工作流程。图中的步骤,如抗原识别和参数确定,编码和初始化抗体组,和记忆细胞进化和招募新成员,对应于特定的生物免疫系统的进化过程。在免疫学,这些流程是体液免疫反应,在算法,形成一个系统性的免疫算法,即优化问题是抗原的免疫学。不确定的解决方案,所以被认为是抗体在免疫过程中,和免疫算法来解决最优平衡的解决方案。

根据工作原理的免疫算法,我们可以得到免疫算法的步骤:(1)识别抗原的免疫系统可以获取和确定抗原入侵的信息(2)生产最初的亲本种群:记忆细胞识别和结合抗原,一些最好的抗体在最初的人口(最优解,所以)从数据库中选择(3)计算亲和力:抗体和抗原之间的匹配程度进行了分析(4)记忆细胞分化:是最兼容的抗体产生的抗原(3)提出了记忆细胞,和那些不兼容的抗体抗原将取而代之的是新产生的抗体与抗原匹配(5)抗体的促进和抑制:高度兼容的免疫系统促进抗体的抗原和抗体抑制高密度类似于抗体(6)新抗原的抗体更新:不受免疫系统,清除抗体(5)将被淋巴细胞取代,和各种类型的抗体可以通过交叉变异算子

免疫算法具有以下特点:(1)解决候选人的多样性:不同的候选解决方案,类似于最小二乘算法,免疫算法可以获得全局最优解的优化问题(2)学习和记忆:通过学习和记忆,能快速得到最优的全球性的解决方案,所以,也就是说,免疫系统与入侵的抗原抗体结合更快速的方式清除它们(3)有效的并行搜索:免疫算法和遗传算法(GA)优化模型算法模拟生物的生理机制,但其潜在机制是不同的。它们之间的差异可以概括如下(25,26]:(1)从生物学的角度,遗传算法是一种进化的个人之间的竞争在一个人口和他们父母的遗传基因。免疫算法是一种由个体适应环境的能力,身体抑制外部的入侵non-sels或删除自己的病态细胞(27](2)在免疫算法中,抗体和抗原,抗体和不同的抗体可以相互作用,形成一个动态网络系统;遗传算法不考虑个体之间的交互(3)免疫算法,人体的基因可以优化自己以某种方式;在遗传算法中,基因的改变是由环境决定的(4)基因免疫算法都是在同一个生物多样性是由基因组的结合。遗传算法通常使用交叉算子,个体基因的结果交叉的上一代28]

3.3.2。支持向量机

支持向量机(SVM)是第一个提出的诉Vapnik的AT&T贝尔实验室。这是一个机器学习方法基于统计学习理论的VC维理论和结构风险最小化原则。它有简洁的数学形式,直观的几何解释,和良好的泛化能力。这是一个强大的工具来解决分类、回归,概率密度估计,和其他问题29日]。它可以自动找到有更好的区分能力的支持向量分类,这个分类器由最大化类之间的距离,所以它有更高的分类精度。支持向量机的核心内容主要是在1990年代提出的。当前,国际上讨论和进一步的研究这个理论正逐渐广泛(30.]。

支持向量机是一种新型的小样本学习方法和坚实的理论基础。它基本上不涉及概率测度及大数定律,因此不同于现有的统计方法。从本质上讲,它避免了传统工艺的归纳推理,实现高效的“转换推理”从训练样本到预报样本,并极大地简化了通常的分类和回归问题。

确定支持向量机的最终决定功能只有少数支持向量,并计算的复杂性取决于支持向量的个数,不是样本空间的维数,这在某种程度上避免了“维数灾。“少量的支持向量确定最终结果,有助于把握关键样品和“消除”大量的冗余样本。此外,该方法不仅简单,而且还具有良好的“鲁棒性。“这“鲁棒性”主要体现在以下几点:添加或删除不支持向量样本对模型没有影响,和支持向量样本集具有一定的鲁棒性31日]。

支持向量机的主要原则大致可以总结为以下两点:(1)独立变量之间的对应关系和压力变量从最初的低维向量空间映射到高维向量空间,使其线性可分的状态,所以可以线性非线性特征向量在高维特征空间分析通过使用线性算法(2)基于结构风险最小化原理,找到一个超平面的特征空间的一个优化工具把数据及其组件分成两类来获取最优分类效果

简单地说,支持向量机的问题是要找到一个超平面和有效分离两种不同类型的数据(32,33]。

3.4。肝脏超声图像分类和识别基于免疫优化算法

在这篇文章中,最常用的免疫学习算法和优化计算与SVM相结合。支持向量机分类的速度和准确度提高了复制的概念、变异和选择的处理保持最佳抗体。最后,免疫算法与支持向量机相结合就形成了。操作的基本过程如图的免疫算法2。

首先,提取后,计算肝脏超声图像的特征值,支持向量机计算的准确性和评估抗体和抗原之间的亲和力。如果不能满足停止条件,本文利用免疫算法来过滤的特性和选择支持向量机分类的参数,然后将它们传送到支持向量机进行分析和识别。

由于支持向量机本身是对噪声非常敏感和糟糕的训练样本的特征值,如果本文中使用的多个特征值不正确地筛选,为肝脏分类支持向量机的准确性会降低。因此,本文结合免疫算法和支持向量机,形成一个优化的免疫算法可以提高支持向量机的缺点,提高分类的准确性。这个算法的原理可以总结如下:首先,特征在分类之前刷和支持向量机的参数选择免疫算法的参数和内核的径向基(RBF)可以转化为高维空间。算法的步骤可以概括如下:

步骤1(初始抗体生产)。二进制编码的免疫算法首先生成一个数组初始抗体,参数的选择 - - - - - -一些。一群抗体的总长度 位因为每个组初始抗体需要选择两个参数和三十功能筛查结果的支持向量机。
所有二进制文件中的值初始抗体选择随机数。每个参数生成后,原始的二进制参数转换为十进制由以下公式: 在哪里每一个二进制的值是参数转换为小数,和的上限和下限参数,分别是每个二进制的长度参数,代表原始二进制参数的值。
当所有的参数都是小数,然后放入支持向量机计算,特征选择的部分会根据给定的选择比例随机选择。最后,识别精度的肝脏被认为是抗体和抗原之间的亲和力。

步骤2(复制和变异)。后初始抗体和抗原的亲和力值在第一阶段计算,这些组织的亲和力值相比。亲和力越大(即精度越高),这群抗体将越有可能复制和变异来找到最优解。因此,与最佳亲和力抗体大小的副本将会高于普通的抗体。初始抗体都是复制和突变的二进制编码。突变率与每个参数的编码长度的二进制初始抗体。给定的编码长度越长,变异概率越小。复制和变异抗体然后以同样的方式转换为十进制和支持向量机。

步骤3(选择最好的抗体亲和力)。然后复制和变异抗体分别与他们最初的抗体和留住最亲和抗体为下一个循环。整个优化的免疫算法的周期将持续到亲和力达到我们预期的目标或周期设置的数量。

4所示。实验

在实验仿真工作,电脑硬件配置如下:(1)处理器:英特尔i5 2.50 GHz(2)记忆:4 GB(3)操作系统:Windows 7 64终极(4)仿真软件Matlab 2016 b

5。讨论

从肝脏超声图像中提取特征时,图像应该预处理为了提取有效特征,防止发生错误的识别造成的噪音和其他因素。图3(一个)给b型超声波扫描的灰度图像,噪声可以清楚地看到从图3(一个)由于设备或其他无法控制的因素。为了更好地提取图像特征,本文过滤器的形象图3(一个),人物的形象3 (b)。比较这两个图片,可以发现,图的特点3 (b)更明显,和噪音和其他干扰有效地移除。

过滤后,图像增强。结果如图所示4,图4(一)是过滤的结果和图吗4 (b)是图像增强的结果。从图4可以看出,过滤后的图像的灰度相对集中,图像增强,图像像素的亮度是高或低,这使得肝脏超声图像的特点更容易区分。

然后,图像的关键。结果如图5。图5(一个)之前的图像二值化,图呢5 (b)是二值化后的图像。从图可以看出5图像的二值化后,算法的数据量较少,可以突出显示图像敏感地区,和整幅图像的灰度降低二元维度,大大简化了后续的特征提取算法。

本文共有300个肝脏超声图像样本包括100正常肝脏、100年100肝硬化和肝细胞癌被随机分为五组。轮流的一个样本被选为测试,和其他四组作为训练样本的支持向量机。免疫算法的参数优化摘要如下:抗体的初始数量是5组,一般抗体的复制率在每个周期是10倍,复制率与最佳亲和力的抗体是30倍,和循环代数是500次。

在图6的图的亲和力与代数免疫优化算法。从图可以看出,亲和力值在前50周期迅速减少,这意味着算法搜索全球快速接近最优的解决方案。在50到250周期,亲和力值下降缓慢,这意味着本地搜索算法找到最优解附近的最优解;250个周期后,亲和力值不会改变,这表明该算法找到最优解。

为了更好地说明算法的优势,本文将利用免疫算法,支持向量机,和免疫算法优化本文识别和分析样本;数据比较如表所示1;根据表中的数据1,三种算法的准确性与折线统计图如图7。

从表可以看出1,(1)特性的数量的增加,三种算法的识别精度提高;(2)免疫算法的执行次数小于支持向量机,但其准确率远远低于支持向量机;(3)与免疫算法相比,免疫优化算法提高了执行时间和准确率;(4)与支持向量机相比,免疫优化算法提高了执行时间和准确率。现象(2)-(4)说明免疫优化算法的搜索能力优于免疫算法和支持向量机。结果表明,免疫算法可以刷之前的特性分类和选择支持向量机的参数,可以提高支持向量机的缺点,提高分类的准确性。

此外,支持向量机的维数降低过滤PCA特征数量。因此,本文比较了PCA降维方法与免疫算法。比较数据表所示2和准确性折线图如图8。

从表可以看出2,这三个算法为正常肝脏图像分辨率精度最高,其次是肝硬化和肝癌,优化免疫算法精度高于SVM和主成分分析。

6。结论

目前,超声波越来越广泛的应用,如b超在医学。然而,超声图像识别的性能还需要改进。因此,本文提出一种基于免疫算法的超声图像识别的方法,它是应用于医学超声肝脏图像识别。针对缺乏免疫算法和支持向量机的分类和识别,形成一个优化的免疫算法进行分类和识别正常肝脏、肝硬化和肝癌的超声图像。仿真结果表明,优化后的免疫算法能够有效地提高迭代时间和精度的免疫算法和支持向量机,和识别精度高于降维方法的支持向量机的主成分分析。同样的,仿真结果表明,免疫算法优化性能更好的分类和识别正常肝脏、肝硬化和肝癌超声图像。总之,优化免疫算法在本文设计的巨大潜力在医学超声肝脏图像识别中的应用。因为一个生物体的免疫系统非常复杂和精确,可以提高人工免疫系统的理论和模拟基于生物免疫系统的各种理论。本文中所使用的算法是基于复制选择的免疫系统理论。此外,还有其他许多方法由生物免疫系统的概念,如负选择算法和人工免疫网络,以及应用程序与其他著名算法相结合。 Therefore, in the follow-up research, we can try to use different artificial immune system theories combined with support vector machine, in order to better improve the operation efficiency of support vector machine and the accuracy of tumor recognition.

数据可用性

数据可以在请求。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究受到了中国自然科学基金批准号。61866017和61866017下,江西省的杰出青年人才支持计划。20171 bcb23013和部分由江西省自然科学基金批准号20192 bab207027。