文獻(xiàn)標(biāo)識(shí)碼: A
DOI:10.16157/j.issn.0258-7998.2015.08.038
中文引用格式: 王波,,張菁,,杜曉昕. 基于逐級(jí)變異布谷鳥搜索和Powell的醫(yī)學(xué)圖像配準(zhǔn)[J].電子技術(shù)應(yīng)用,2015,,41(8):135-137,142.
英文引用格式: Wang Bo,,Zhang Jing,Du Xiaoxin. Medical image registration based on cuckoo search algoritbhm with step by step mutation and Powell[J].Application of Electronic Technique,,2015,,41(8):135-137,142.
0 引言
臨床上不同的醫(yī)學(xué)圖像反映了不同角度的生理信息,,它們都對(duì)醫(yī)學(xué)診斷與治療有重要的意義,醫(yī)學(xué)圖像融合可使醫(yī)生更加精確地掌握病人病變組織,,可獲得更加準(zhǔn)確且豐富診斷信息,,為醫(yī)生的診斷及手術(shù)治療提供了更加可靠的保證。醫(yī)學(xué)圖像配準(zhǔn)是實(shí)現(xiàn)醫(yī)學(xué)圖像融合的前提,,是醫(yī)學(xué)圖像處理領(lǐng)域的研究熱點(diǎn)和難點(diǎn)[1],。
醫(yī)學(xué)圖像配準(zhǔn)有3個(gè)核心選擇問題:配準(zhǔn)搜索空間、相似性測度,、優(yōu)化方法,。其中優(yōu)化方法選取的優(yōu)劣是影響配準(zhǔn)結(jié)果關(guān)鍵因素。目前適用于醫(yī)學(xué)圖像配準(zhǔn)較成熟的優(yōu)化方法有經(jīng)典的單純形法和Powell法[2],,以及啟發(fā)式優(yōu)化算法(如遺傳算法[3],、蟻群算法[4]和粒子群算法[5]等),其中單純形法收斂速度過慢,,Powell法容易陷入局部極值,,上述幾種啟發(fā)式優(yōu)化算法都存在算法實(shí)現(xiàn)復(fù)雜和參數(shù)多等弊端。布谷鳥搜索算法(Cuckoo Search Algorithm,,CSA)是劍橋大學(xué)學(xué)者YANG Xinshe和DEB Suash于 2009年提出的模擬自然界布谷鳥產(chǎn)卵行為的群體智能仿生啟發(fā)式優(yōu)化算法,。該算法實(shí)現(xiàn)簡單,,參數(shù)少且易于實(shí)現(xiàn),并已成功應(yīng)用于工程優(yōu)化等實(shí)際問題中[6],,逐漸發(fā)展成為群體智能仿生啟發(fā)式優(yōu)化算法領(lǐng)域的一個(gè)新亮點(diǎn),。
本文為了進(jìn)一步提高布谷鳥搜索算法優(yōu)化性能,提出一種逐級(jí)變異布谷鳥搜索算法(Cuckoo Search Algorithm with Step by Step Mutation,,CSA-SSM),,并基于CSA-SSM和Powell提出一種適用于醫(yī)學(xué)圖像配準(zhǔn)融合優(yōu)化算法,選用互信息作為配準(zhǔn)相似性測度,,最終提出一種配準(zhǔn)精度更高速度更快的醫(yī)學(xué)圖像配準(zhǔn)新方法,。
1 逐級(jí)變異布谷鳥搜索算法
1.1 適用于CSA的逐級(jí)變異
定義1 (變異效能系數(shù)δ)δ表示變異效能作用的持續(xù)程度,計(jì)算式:
式中,,d表示當(dāng)前迭代次數(shù),,D表示最大迭代次數(shù)。當(dāng)d取不大于θ時(shí),,δ為1,;當(dāng)d取最大值D時(shí),δ為θω/Dω,;當(dāng)d取θ和D中間值時(shí),,δ為1與θω/Dω之間的遞減數(shù)值。δ值為1時(shí),,表示變異效能作用最大,;δ值為θω/Dω時(shí),表示變異效能作用最小,,其中θ和ω為調(diào)節(jié)參數(shù),。
定義2 (逐級(jí)變異因子η)逐級(jí)變異因子η表示在不同的進(jìn)化階段執(zhí)行的具體變異操作,計(jì)算如式(2)所示,,逐級(jí)變異控制點(diǎn)計(jì)算如式(3)~(5),。
式中Cauchy(0,1)是標(biāo)準(zhǔn)的柯西分布,,N(0,,1)是均值為0、均方差為1的高斯分布,,T(d)為以迭代次數(shù)d為自由度參數(shù)的T分布,。
1.2 逐級(jí)變異布谷鳥搜索算法(CSA-SSM)
由于基本CSA采用Lévy飛行機(jī)制,導(dǎo)致CSA極容易陷入局部極值和搜索速度減慢等缺陷,,本文采用逐級(jí)變異方法改進(jìn)基本CSA,,提出逐級(jí)變異布谷鳥搜索算法(CSA-SSM),CSA-SSM遵循變異啟動(dòng)規(guī)則和位置更新規(guī)則,。設(shè)為第d次迭代第i個(gè)鳥窩位置,。
規(guī)則1(變異啟動(dòng))尋優(yōu)過程中最優(yōu)鳥窩位置在連續(xù)兩次迭代進(jìn)化中無變化或者變化很小為變異啟動(dòng)條件,,如式(7)所示。
式中Fit()為目標(biāo)函數(shù),,分別計(jì)算了在第d次迭代,、d-1次迭代和d-2次迭代鳥窩位置的目標(biāo)函數(shù)值;Ω為變異啟動(dòng)閾值,。
規(guī)則2(位置更新)依照Lévy飛行模式更新鳥窩位置,其中Lévy飛行步長計(jì)算如式(8)和(9)所示,。
2 基于CSA-SSM和Powell的醫(yī)學(xué)圖像配準(zhǔn)方法
2.1 相似性測度的選定
本文選定互信息為相似性測度,,設(shè)兩幅圖像IX和IY的互信息計(jì)算式:
2.2 CSA-SSM和Powell的融合優(yōu)化
本文醫(yī)學(xué)圖像配準(zhǔn)的優(yōu)化方法選擇采用CSA-SSM和Powell融合優(yōu)化方法,該融合優(yōu)化方法優(yōu)化流程圖如圖1所示,。
2.3 醫(yī)學(xué)圖像配準(zhǔn)步驟
輸入:參考圖像IX,,浮動(dòng)圖像IY。步驟如下:
(1)根據(jù)式(10)計(jì)算IX和IY的互信息,,判斷互信息值是否最大,,是最大則轉(zhuǎn)到步驟(4),否則轉(zhuǎn)到步驟(2),。
(2)采用CSA-SSM和Powell融合優(yōu)化算法優(yōu)化配準(zhǔn)變換參數(shù)Θ,。
(3)采用步驟(2)優(yōu)化后的配準(zhǔn)變換參數(shù)Θ,對(duì)浮動(dòng)圖像IY進(jìn)行配準(zhǔn)變換,,得到變換后的圖像轉(zhuǎn)到步驟(1),。
(4)結(jié)束。
輸出:配準(zhǔn)變換后的浮動(dòng)圖像IY,。
3 仿真結(jié)果與分析
3.1 仿真實(shí)驗(yàn)數(shù)據(jù)
本文仿真實(shí)驗(yàn)數(shù)據(jù)來自加拿大McGill大學(xué)的McConnell腦部MRI醫(yī)學(xué)圖像庫[7],,共抽取兩組實(shí)驗(yàn)數(shù)據(jù)如圖2所示,兩組實(shí)驗(yàn)數(shù)據(jù)參數(shù)設(shè)置如表1所示,。CSA-SSM算法參數(shù)設(shè)置中,,基本參數(shù)設(shè)置見文獻(xiàn)[8],附加參數(shù)設(shè)置如表2所示,。
3.2 配準(zhǔn)結(jié)果分析
設(shè)定配準(zhǔn)變換參數(shù)為Θ=[Θx,,Θy,Θφ],,其中Θx為水平方向變換分量,,Θy為垂直方向變換分量,Θφ為旋轉(zhuǎn)角度分量,。
圖3顯示變換參數(shù)各分量誤差與算法迭代次數(shù)的關(guān)系,,其中縱坐標(biāo)為配準(zhǔn)變換參數(shù)分量誤差,橫坐標(biāo)為算法迭代次數(shù),。由圖 3可見,,本文配準(zhǔn)方法可在20次迭代附近快速得到誤差近似為0的配準(zhǔn)變換參數(shù),,可見本文方法的收斂速度和配準(zhǔn)速度較快。
表3中顯示了多種配準(zhǔn)方法的性能比較結(jié)果,,由表3結(jié)果可知:(1)由于Powell算法沒有結(jié)合其他算法,,因此時(shí)間耗費(fèi)較少,但其配準(zhǔn)精度和準(zhǔn)確度遠(yuǎn)遠(yuǎn)不及其他方法,;(2)本文方法可提高配準(zhǔn)的精度,,可有效縮短尋優(yōu)時(shí)間,配準(zhǔn)精度和準(zhǔn)確度較高,。
4 結(jié)論
本文采用逐級(jí)變異方法對(duì)基本的布谷鳥搜索算法進(jìn)行改進(jìn),,提出了逐級(jí)變異布谷鳥搜索算法,采用互信息作為醫(yī)學(xué)圖像配準(zhǔn)的相似性測度函數(shù),,將逐級(jí)變異布谷鳥搜索算法和Powell相結(jié)合應(yīng)用于醫(yī)學(xué)圖像配準(zhǔn)方法中,。該方法可提高醫(yī)學(xué)圖像配準(zhǔn)的精度、準(zhǔn)確度和速度,。
參考文獻(xiàn)
[1] ANDREW J A,,BENNETT A L.Non-local STAPLE:an intensity-driven multi-atlas rater model[J].Lecture Notes in Computer Science,2012,,15(3):426-434.
[2] SOTHRAS A,,DAVATZIKOS C,PARAGIOS N.Deformable medical image registration:a survey[J].IEEE Trans.on Medical Imaging,,2013,,32(7):1153-1190.
[3] 李超,李光耀,,譚云蘭,,等.基于Powell算法與改進(jìn)遺傳算法的醫(yī)學(xué)圖像配準(zhǔn)方法[J].計(jì)算機(jī)應(yīng)用,2013,,33(3):640-644.
[4] 張石,,杜愷,張偉,,等.基于動(dòng)態(tài)融合蟻群遺傳算法的醫(yī)學(xué)圖像配準(zhǔn)[J].計(jì)算機(jī)工程,,2008,34(1):227-235.
[5] 史益新,,邱天爽,,韓軍,等.基于混合互信息和改進(jìn)粒子群優(yōu)化算法的醫(yī)學(xué)配準(zhǔn)方法[J].中國生物醫(yī)學(xué)工程學(xué)報(bào),,2015,,34(1):1-7.
[6] Wang Lijin,Yin Yilong,Zhong Yiwen.Cuckoo search algorithm with dimension by dimension improvement[J].Journal of Software,,2013,,24(11):2687-2698.
[7] Brainweb.Simulated brain database[DB/OL].(2012-08-20)[2015-04-09].http://www.bic.mni.mcgill.ca/brainweb/.
[8] 錢偉懿,候慧超,,姜守勇.一種新的自適應(yīng)布谷鳥搜索算法[J].計(jì)算機(jī)科學(xué),,2014,41(7):279-282.