仿生智能計算技術(shù)及其在醫(yī)學(xué)圖像分割中的應(yīng)用研究

1、摘要摘要從大腦核磁共振圖像中分割灰質(zhì)、白質(zhì)和腦髓液所在區(qū)域是醫(yī)學(xué)影像處理領(lǐng)域一個備受關(guān)注的研究課題，是大腦研究和大腦相關(guān)疾病的輔助診斷與治療的重要基礎(chǔ)。迄今為止，國內(nèi)外學(xué)者提出了大量大腦磁共振圖像分割算法，這些算法大都涉及求解一個優(yōu)化問題。與傳統(tǒng)的優(yōu)化方法相比，仿生智能算法（BioinspiredAlgithms）不但具有更廣的適應(yīng)性，而且具有搜索全局最優(yōu)的潛力，因此受到越來越多的重視。本文面向大腦核磁共振圖像分割問題，研究了仿生智能算

2、法，以期提高分割的正確率和效率。本文的主要研究成果如下：（1）提出了基于小生境差分進(jìn)化求解局部變分貝葉斯模型的大腦核磁共振圖像分割算法。針對偏移場和部分容積效應(yīng)導(dǎo)致的圖像質(zhì)量退化，該算法將圖像分成小塊，用局部變分貝葉斯模型對每個小塊進(jìn)行建模，然后用小生境差分進(jìn)化算法來優(yōu)化這些模型，最終通過線性組合這些模型的輸出得到圖像分割結(jié)果。在仿真和臨床數(shù)據(jù)上的對比實驗結(jié)果顯示，該算法具有比基于遺傳算法的圖像分割方法更高的分割準(zhǔn)確率。（2）提出了基于

3、差分進(jìn)化（DifferentialEvolution，DE）和分布估計算法（EstimationofDistributionAlgithm，EDA）的混合克隆選擇算法。針對傳統(tǒng)克隆選擇算法（ClonalionAlgithm，CSA）中超變異和受體編輯的局限性，該算法分別使用具有局部信息提取能力的差分進(jìn)化和具有全局信息提取能力的分布估計算法來取代超變異和受體編輯，從而同時獲得了優(yōu)秀的局部和全局搜索能力。在5個常用的測試函數(shù)上做的對比實驗顯

4、示，該算法具有比傳統(tǒng)的克隆選擇算法、差分進(jìn)化算法和分布估計算法更好的優(yōu)化能力和效率。（3）提出了基于混合克隆選擇算法求解隱馬爾科夫隨機場（HiddenMarkovRomField，HMRF）模型的大腦核磁共振圖像分割算法。由于大腦磁共振圖像中存在的多種退化因素可能影響HMRF模型中參數(shù)的穩(wěn)定性，該算法分別基于區(qū)域和基于像素對圖像分割問題進(jìn)行HMRF建模，先用基于區(qū)域的HMRF模型來定位目標(biāo)函數(shù)的搜索范圍，再用混合克隆選擇算法對基于像素的

5、HMRF模型進(jìn)行優(yōu)化。在仿真和臨床數(shù)據(jù)上的對比實驗結(jié)果顯示，該算法具有比其他多種對比算法更好的魯棒性和圖像分割結(jié)果。關(guān)鍵詞：圖像分割，磁共振圖像，仿生算法，隱馬爾科夫隨機場模型，變分貝葉斯模型IAbstractAbstractBrainmagicresonance(MR)imagessegmentationintoGrayMatter(GM)WhiteMatter(WM)CerebrospinalFluid(CSF)isnotonlya

6、researchtopicofcommonconcerninthefieldofmedicalimageprocessingbutalsoanimptantfoundationfassociativediagnosistreatmentofbrainrelateddiseases.SofartherehavebeenalargenumberofbrainMRimagessegmentationalgithmswhichmostlyinv

7、olveoptimizationparedtotraditionalnumericaloptimizationmethodsbioinspiredalgithmshavestrongeradaptabilitythepotentialofsearchingtheglobaloptimumsotherehasbeenaneverincreasinginterestinbioinspiredalgithms.Inthispaperbioin

8、spiredalgithmsfbrainMRimagessegmentationhavebeenstudiedtoimprovesegmentationaccuracyefficiency.Themainresearchresultsofthispaperareasfollows:(1)LocalVariationalBayesianInferenceUsingNicheDifferentialEvolution(NDELVB)fbra

9、inMRimagessegmentation:Toaddressimagedegradationcausedbybiasfieldpartialvolumeeffect(PVE)eachMRimageisdividedintomanysmalldatavolumesacterizedbylocalvariationalBayes(LVB)modelswhichisinferredbythenichedifferentialevoluti

10、on(NDE)techniquetoavoidlocaloptima.TheexperimentalresultsonsimulatedclinicaldatashowthatNDELVBcanobtainhigheraccuracythanGAbasedsegmentationmethods.(2)ClonalionAlgithm(CSA)CombinedwithDifferentialEvolution(DE)Estimationo

11、fDistributionAlgithm(EDA)CSADEEDA:tosolvethelimitationsofhypermutationrecepteditingintraditionalCSACSADEEDAreplaceshypermutationrecepteditingwithDEEDArespectivelytoextractthelocalinfmationtheglobalinfmationincurrentpopul

12、ation.Sotheproposedalgithmshouldhavebothlocalglobalsearchingability.ThecomparisononfivecommonlyusedoptimizationfunctionsindicatesCSADEEDAhasstrongeroptimizationabilitythatDEEDACSA.(3)HiddenMarkovRomField(HMRF)BasedBrainM

13、RimageSegmentationUsingCSADEEDA(HMRFCSADEEDA):SincethedegradationfactsinMRimagesmayaffectthestabilityofHMRFmodelparametersHMRFCSADEEDAconsistsoftwoparts:theregionbasedpixelbasedHMRFsegmentation.TheregionbasedHMRFmodelcan