基于擇優(yōu)對稱粒子群優(yōu)化的Otsu肺實(shí)質(zhì)分割算法

1、基于擇優(yōu)對稱粒子群優(yōu)化的Otsu肺實(shí)質(zhì)分割算法 董晶晶 ， 王兆暉 ( 1、海南大學(xué) 信息與通信工程學(xué)院, 海南 ?？?70228； 2、海南大學(xué) 計(jì)算機(jī)與網(wǎng)絡(luò)安全學(xué)院，海南 ?？?570228)摘要: 為了提高肺實(shí)質(zhì)分割算法的運(yùn)行效率，提出了一種基于擇優(yōu)對稱粒子群優(yōu)化的Otsu肺實(shí)質(zhì)分割算法。在傳統(tǒng)粒子群優(yōu)化的Otsu算法基礎(chǔ)上，引入自然選擇機(jī)制，保留適應(yīng)度較好的優(yōu)秀粒子，對適應(yīng)度較差的粒子采用對稱分布的方式進(jìn)行修正，從而優(yōu)化粒子群的空間分布狀態(tài)，使算法能夠更高效地收斂到全局最優(yōu)解。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的粒子群算法尋優(yōu)精確度和運(yùn)算效率均得到提高，與Otsu算法相結(jié)合后，在傳統(tǒng)粒子群優(yōu)化的Ot

2、su算法的基礎(chǔ)上，進(jìn)一步提高了肺實(shí)質(zhì)分割效率。關(guān)鍵詞: 肺實(shí)質(zhì)分割; Otsu算法; 粒子群算法; 自然選擇; 對稱分布中圖法分類號：TP391 文獻(xiàn)標(biāo)識碼：A 1引言肺實(shí)質(zhì)分割是計(jì)算機(jī)輔助診斷技術(shù)的基礎(chǔ)1，精確地分割出肺部區(qū)域，有助于排除無關(guān)組織結(jié)構(gòu)的影響，減少計(jì)算量，保障后續(xù)步驟的順利進(jìn)行。目前，常用的分割方法分為交互式分割算法和全自動分割算法兩大類2。交互式分割算法的典型代表為區(qū)域生長法3，此類算法通常需要借助先驗(yàn)知識或人工參與，算法的復(fù)雜度較高，運(yùn)行效率低，實(shí)用性較差。相比之下，全自動分割算法無需人工參與，易于操作，應(yīng)用更為廣泛，例如閾值法、邊緣檢測算法、基于聚類的分割算法等4-7。其

3、中，閾值法原理簡單，運(yùn)算效率高，易于實(shí)現(xiàn)和推廣應(yīng)用，且CT圖像中肺部組織構(gòu)成完整區(qū)域，與周圍組織的灰度差異較為明顯，閾值法能夠獲得較好的分割結(jié)果5。目前，常用的閾值技術(shù)包括Otsu算法、自適應(yīng)閾值法、最佳閾值法、二維最大熵閾值法等8-11。史普花10從分割區(qū)域內(nèi)部均勻性和穩(wěn)定性兩個方面,對結(jié)合形態(tài)學(xué)的Otsu算法、K均值算法、區(qū)域增長法和連通區(qū)域算法進(jìn)行性能分析，實(shí)驗(yàn)發(fā)現(xiàn)，結(jié)合形態(tài)學(xué)的Otsu算法在分割精確度和穩(wěn)定性方面明顯優(yōu)于其他三種算法。Yang11等人以錯分類誤差、均勻測度、區(qū)域間灰度對比度為評估參數(shù)，對Otsu算法、矩量保持法、簡單統(tǒng)計(jì)法和四種模糊聚類分割算法進(jìn)行評估，實(shí)驗(yàn)結(jié)果表明Ot

4、su算法的分割效果最好，運(yùn)算效率最高，在處理大量圖像時具有較大優(yōu)勢。類似的，文獻(xiàn)12-14表明Otsu算法適用于目標(biāo)和背景差異較大的圖像，且分割精確度和效率均優(yōu)于其他閾值算法。值得注意的是，Otsu算法是一種基于遍歷方式的閾值算法，盡管其運(yùn)行效率較高，但遍歷的低效性仍然在一定程度上限制了算法的運(yùn)行速度。為了進(jìn)一步提高Otsu算法的分割效率，研究者采用智能算法的尋優(yōu)機(jī)制代替Otsu算法的遍歷方式，進(jìn)行最佳閾值求解。常用的智能算法包括遺傳算法、粒子群算法、蟻群算法等15-19，其中，粒子群算法通過自身狀態(tài)和群體影響進(jìn)行自我學(xué)習(xí)，自我改進(jìn)，實(shí)現(xiàn)尋優(yōu)，具有原理簡單，參數(shù)設(shè)置少，尋優(yōu)效率高，易于實(shí)現(xiàn)推廣

5、的優(yōu)點(diǎn)，因此應(yīng)用更為廣泛，不足之處在于，該算法易于陷入局部極值20-23。 針對上述問題，本文提出基于擇優(yōu)對稱粒子群優(yōu)化的Otsu肺實(shí)質(zhì)分割算法。算法在傳統(tǒng)粒子群優(yōu)化的Otsu算法的基礎(chǔ)之上，引入自然選擇和對稱分布機(jī)制優(yōu)化粒子群的分布狀態(tài)，保持種群的多樣性，從而提高算法求解最佳閾值的準(zhǔn)確度，同時縮小搜索范圍，使算法能夠快速收斂到最佳閾值，提高算法的分割效率。收稿日期：基金項(xiàng)目：國家自然科學(xué)基金項(xiàng)目（）作者簡介： 董晶晶(1993)，女，河南省信陽市人，碩士研究生，研究方向?yàn)獒t(yī)學(xué)圖像處理；王兆暉(1971)， 男，河北邯鄲市人，博士，研究方向?yàn)閳D像處理。E-mail: 2 基于擇優(yōu)對稱粒子群優(yōu)化

6、的Otsu分割算法2.1 基于傳統(tǒng)粒子群優(yōu)化的Otsu算法Otsu算法通過遍歷的方式，將256個灰度級依次作為初始閾值t，將圖像的像素分為前景和背景兩大類，并求解兩個類的類間方差值。類間方差值越大，說明兩個類的像素灰度差異越大，即像素點(diǎn)被錯分的概率越小。因此，當(dāng)類間方差取最大值時，錯分概率最小，算法獲得最佳閾值24。由此可見，Otsu算法的原理較為簡單，運(yùn)算復(fù)雜度較低，且研究表明10-14Otsu算法能夠有效保留CT圖像的細(xì)節(jié)和邊緣信息，在CT圖像分割方面廣泛應(yīng)用。不足之處在于，遍歷方式的低效性在一定程度上限制了算法的運(yùn)行速度，且算法抗噪性能較差。為了進(jìn)一步提高Otsu算法的分割效率，研究者提

7、出了基于粒子群優(yōu)化的Otsu分割算法，即采用粒子群算法快速有效的尋優(yōu)方式代替Otsu算法傳統(tǒng)的遍歷方式，提高Otsu算法求解最佳閾值的效率，從而提高算法的分割效率。在粒子群優(yōu)化的Otsu算法中，粒子代表閾值變量，適應(yīng)度函數(shù)為Otsu算法的類間方差函數(shù)，而粒子群需要尋找的最優(yōu)解為最大類間方差值，該值對應(yīng)的閾值t為最佳閾值。粒子群在尋優(yōu)過程中，通過適應(yīng)度函數(shù)求解粒子的個體極值pbest，將其中的最大值作為全局極值gbest，每個粒子根據(jù)自身的位置、速度、個體極值以及全局極值信息展開尋優(yōu)，獲得新的位置和速度。如此迭代，直至粒子群收斂至全局最優(yōu)解，尋優(yōu)過程結(jié)束，算法獲得最佳閾值，完成肺實(shí)質(zhì)分割?；趥?/p>

8、統(tǒng)粒子群優(yōu)化的Otsu算法能夠有效地提高Otsu算法的分割效率，然而，傳統(tǒng)粒子群算法易于陷入局部極值，影響算法的收斂性能。為此，研究者從收斂效率和收斂速度兩個方面，對粒子群算法進(jìn)行改進(jìn)，希望通過提高粒子群算法的收斂性能，進(jìn)一步改進(jìn)基于粒子群優(yōu)化的Otsu算法的分割性能。例如，Y.shi26等為了提高粒子群的收斂速度，提出了基于模糊規(guī)則動態(tài)調(diào)整慣性權(quán)重的粒子群算法，Vitorino27等從種群多樣性角度出發(fā)，利用人工蟻群對粒子群的多樣性進(jìn)行優(yōu)化，從而提高了算法的收斂精確度，文獻(xiàn)28-30將其他智能算法與粒子群算法相結(jié)合，提出了基于混合策略的粒子群算法，諸如遺傳粒子群算法、量子粒子群算法、基于蟻群

9、算法優(yōu)化的粒子群算法等。盡管上述改進(jìn)方式能夠有效提高粒子群算法的收斂效率或收斂精確度，但在提高某一性能的同時，常常伴隨著另一性能的犧牲，因此如何兼顧改進(jìn)粒子群算法的收斂效率和精確度，進(jìn)一步提高基于粒子群優(yōu)化的Otsu算法的分割性能，是一個重要的研究方向。 2.2 基于擇優(yōu)對稱粒子群優(yōu)化的Otsu肺實(shí)質(zhì)分割算法為了進(jìn)一步提高基于粒子群優(yōu)化的Otsu算法的分割效率，本文在傳統(tǒng)粒子群算法的基礎(chǔ)上，提出了基于擇優(yōu)對稱的粒子群算法，即在粒子群迭代尋優(yōu)過程中，根據(jù)適應(yīng)度值，將粒子分為優(yōu)秀粒子和劣質(zhì)粒子兩大類，通過自然選擇和對稱分布機(jī)制修正劣質(zhì)粒子，優(yōu)化粒子群的分布狀態(tài)，從而提高粒子群算法收斂速度和收斂精確

10、度。此外，為了適應(yīng)粒子群算法從全局到局部搜索性能的變化趨勢，本文采用了線性遞減的慣性權(quán)重策略17，確保粒子群在前期具有良好的全局搜索能力，隨著迭代的進(jìn)行，粒子局部搜索能力逐漸增強(qiáng)，輔助提高算法的收斂速度。最后，將改進(jìn)后的粒子群算法應(yīng)用于Otsu算法求解最佳閾值的過程中，提出基于擇優(yōu)對稱粒子群優(yōu)化的Otsu分割算法。針對Otsu算法易受噪聲影響的問題，本文對現(xiàn)有去噪算法的優(yōu)缺點(diǎn)進(jìn)行實(shí)驗(yàn)比較和分析，選擇具有保邊去噪優(yōu)勢的雙邊濾波器31進(jìn)行去噪處理，同時采用高低帽變換32,33的增強(qiáng)方式，增強(qiáng)圖像的對比度，輔助提高肺實(shí)質(zhì)分割的精確度，算法流程如圖1所示。NY開始圖像預(yù)處理，初始化粒子群計(jì)算粒子適應(yīng)度

11、，更新個體極值和全局極值， 更新粒子的速度和位置采用自然選擇和擇優(yōu)對稱機(jī)制優(yōu)化粒子群分布狀態(tài)迭代次數(shù)<K？求解最佳閾值，進(jìn)行肺實(shí)質(zhì)分割結(jié)束圖1 肺實(shí)質(zhì)分割流程圖首先，輸入肺部CT原圖，采用雙邊濾波和高低帽變換方法，對其進(jìn)行去噪和增強(qiáng)處理。設(shè)處理后圖像的像素總數(shù)為N，其灰度值范圍G=0,1,2，255，灰度值為i (iG)的像素總數(shù)為ni，且像素i出現(xiàn)概率為Pi。設(shè)圖像的初始閾值為t，將灰度值小于t的像素定義為C0類，代表圖像的背景，灰度值大于等于t的像素定義為C1類，代表圖像的前景，背景類和前景類的像素出現(xiàn)概率和灰度均值分別用0、1、0、1表示，計(jì)算公式如下：Pi=niN (1)0=i=

12、0t-1Pi，1=i=tL-1Pi (2)u0=i=0t-1iPi0，u1=i=tL-1iPi0 (3)2=01(u0-1)2 (4)k=max-max-minK×k (5)Vik+1=(t)Vik+c1r1pbestk-Xidk+c1r2dgbestk-Xik (6)Xik+1=Xik+Vik+1 (7)其中，k表示當(dāng)前迭代次數(shù)， r1和r2為取值范圍在0,1之間的隨機(jī)數(shù)。然后，在一維空間中隨機(jī)生成種群規(guī)模為M的粒子群，其分布狀態(tài)如圖2(a)所示，粒子隨機(jī)分散于全部搜索區(qū)域，以確保粒子群在早期搜索過程中，能夠搜索到全部區(qū)域，避免錯過全局最優(yōu)解。粒子的位置和速度分別表示為：Xi =

13、(X1, X2, X3，, XM)，Vi = (V1, V2, V3, , VM)。設(shè)置最大迭代次數(shù)K，學(xué)習(xí)因子c1 = c2 = 2，最大慣性權(quán)重max = 0.9，最小慣性權(quán)重min = 0.4。根據(jù)公式(4)計(jì)算圖像的類間方差2，從而獲得每個粒子的適應(yīng)度值f。在初始狀態(tài)下，每個粒子的個體極值pbest等于其適應(yīng)度值，且最大適應(yīng)度值fmax為粒子群的全局極值，粒子根據(jù)其初始位置、速度、個體極值和全局極值信息，進(jìn)行第一次尋優(yōu)，根據(jù)公式(5)(7)更新其速度Vi和位置Xi。更新后的粒子群分布狀態(tài)如圖2(b)所示。 (a) 粒子初始分布圖 (b)粒子聚集分布 (c)理想化粒子聚攏分布 圖2 粒子

14、分布狀態(tài)圖觀察圖2可以發(fā)現(xiàn)，經(jīng)過一輪尋優(yōu)之后，粒子群在圖2(a)的基礎(chǔ)上向全局最優(yōu)解聚攏，實(shí)現(xiàn)圖2(b)狀態(tài)，而圖2(c)表示理想情況下的粒子群聚攏狀態(tài)。對比圖2(b)和圖2(c)可以發(fā)現(xiàn)，圖2(c)顯示的粒子群更加均勻、緊湊地分布在全局最優(yōu)解周圍，粒子群的搜索范圍更小，局部搜索性能更強(qiáng)，不僅能夠有效避免粒子陷入局部極值，提高粒子群的收斂精確度，還能提高收斂速度。因此，圖2(c)表示的粒子群分布狀態(tài)更有助于粒子群快速、準(zhǔn)確地匯聚于全局最優(yōu)解，提高算法的收斂性能。然而，傳統(tǒng)粒子群在迭代過程中難以實(shí)現(xiàn)圖2(c)所示狀態(tài)，為了使粒子群在每一次的迭代過程中都以相對理想的分布狀態(tài)開始，以提高粒子群算法的

15、收斂性能，本文在每一次迭代之后對粒子群的分布狀態(tài)進(jìn)行擇優(yōu)對稱優(yōu)化。圖3 粒子對稱修正示意圖首先在粒子群算法的迭代過程中引入自然選擇機(jī)制，當(dāng)粒子群完成一輪尋優(yōu)之后，根據(jù)適應(yīng)度函數(shù)計(jì)算所有粒子的適應(yīng)度值。由于本文算法中，粒子的適應(yīng)度用類間方差表示，適應(yīng)度值越大，粒子越接近全局最優(yōu)解。因此，將適應(yīng)度值較大的一半粒子視為優(yōu)秀粒子，適應(yīng)度較小的一半粒子視為劣質(zhì)粒子。如圖3所示，一維空間有粒子af和全局極值gbest，將粒子按照適應(yīng)度從小到大進(jìn)行排序，得到X=(a, f, e, b, d, c)，其中粒子a, f, e為劣質(zhì)粒子，粒子b, d, c為優(yōu)秀粒子。根據(jù)自然選擇機(jī)制保留優(yōu)秀粒子，采用對稱分布的方

16、法對劣質(zhì)粒子進(jìn)行空間位置修正，即以gbest為對稱軸，獲得優(yōu)秀粒子關(guān)于其對稱的位置，并將該位置賦給劣質(zhì)粒子，修正后的粒子表示為a, e, f，新的粒子群X=(a, b , c, d, e, f)。觀察圖3可以發(fā)現(xiàn)，與原粒子群分布狀態(tài)相比，新的粒子群根據(jù)優(yōu)秀粒子的分布位置，呈對稱狀態(tài)，更加緊湊、均勻的分布于全局極值兩側(cè)，能夠有效模擬圖2(c)所示理想狀態(tài)，成功縮小粒子群的搜索范圍，提高算法的收斂性能。此外，通過對每一次迭代之后的粒子群進(jìn)行擇優(yōu)對稱優(yōu)化，能夠有效避免粒子在迭代過程中受損，保持種群的多樣性，進(jìn)一步提高粒子群的收斂精確度。粒子群優(yōu)化完成之后，重新計(jì)算粒子的適應(yīng)度值，并更新其個體極值和全

17、局極值，即比較優(yōu)化后粒子的適應(yīng)度f與其個體極值pbest的大小，若f > pbest，令pbest = f，否則，pbest保持不變。同理，將粒子群的最大適應(yīng)度值fmax與gbest進(jìn)行比較，若fmax > gbest，令gebst = fmax，否則，gbest保持不變。獲得新的個體極值和全局極值信息之后，粒子群開始新一輪的尋優(yōu)和優(yōu)化過程。如此迭代，直至算法達(dá)到最大迭代次數(shù)，或適應(yīng)度值持續(xù)保持不變，尋優(yōu)過程結(jié)束。此時，全局最優(yōu)解所對應(yīng)的閾值t為最佳閾值，利用最佳閾值進(jìn)行肺實(shí)質(zhì)分割，獲得分割結(jié)果，算法運(yùn)行結(jié)束。3 實(shí)驗(yàn)結(jié)果及分析為了驗(yàn)證改進(jìn)算法的性能，分別對改進(jìn)后的粒子群算法和基于

18、擇優(yōu)對稱粒子群優(yōu)化的Otsu分割算法進(jìn)行實(shí)驗(yàn)分析。實(shí)驗(yàn)一：基于擇優(yōu)對稱的粒子群算法性能檢驗(yàn)。為了檢驗(yàn)改進(jìn)后粒子群算法的性能，本文從算法收斂精確度和收斂效率兩個方面，對Ackley34 函數(shù)進(jìn)行尋優(yōu)測試。Ackley函數(shù)是一個復(fù)雜的多峰函數(shù)，其標(biāo)準(zhǔn)解為（0,0），包含多個局部閾值，算法在求解過程中易受局部極值影響，因此，常用于測試智能算法的收斂性能。本文分別采用傳統(tǒng)粒子群算法、基于慣性權(quán)重線性遞減的粒子群算法以及基于擇優(yōu)對稱的粒子群算法對Ackley函數(shù)進(jìn)行尋優(yōu)實(shí)驗(yàn)。根據(jù)實(shí)際需求，設(shè)置種群規(guī)模M=50，最大迭代次數(shù)K=600次，分別統(tǒng)計(jì)三種算法的尋優(yōu)結(jié)果、迭代次數(shù)和運(yùn)行時間，實(shí)驗(yàn)結(jié)果如圖4所示。

19、 （a）Ackley函數(shù)三維示意圖 （b） 粒子群算法尋優(yōu)結(jié)果圖 (c) 粒子群算法迭代次數(shù)對比圖 (d) 粒子群算法運(yùn)行時間對比圖圖4 三種粒子群算法尋優(yōu)實(shí)驗(yàn)圖4(b)(d)結(jié)果表明，本文改進(jìn)后的粒子群算法的尋優(yōu)結(jié)果為（-0.0012，0.0008），最為接近標(biāo)準(zhǔn)解（0，0），證明了本文算法在收斂精確度上優(yōu)于其他兩種算法。此外，本文算法僅需迭代89次，用時0.141s，而傳統(tǒng)粒子群算法和基于慣性權(quán)重線性遞減的粒子群算法迭代次數(shù)分別為478次和325次，用時分別為0.212s和0.188s，證明了本文改進(jìn)后的粒子群算法收斂效率高于另外兩種粒子群算法。為了確保實(shí)驗(yàn)結(jié)果的可靠性，本文進(jìn)行了50次重

20、復(fù)實(shí)驗(yàn)，分別統(tǒng)計(jì)每種算法的最優(yōu)解、迭代次數(shù)和運(yùn)行時間，并求取平均值，結(jié)果如表1所示。表1 三種粒子群算法實(shí)驗(yàn)數(shù)據(jù)對比尋優(yōu)算法平均最優(yōu)解平均迭代次數(shù)平均運(yùn)行時間(s)傳統(tǒng)粒子群算法（0.0153,0.0217）3470.242慣性權(quán)重線性遞減粒子群算法（-0.0034,0.0041）2520.201基于擇優(yōu)對稱的粒子群算法（0.0013,0.0009）1130.149由表1可知，基于擇優(yōu)對稱的粒子群算法的平均運(yùn)行時間為0.149s，平均迭代次數(shù)113次，平均尋優(yōu)結(jié)果為（0.0013，0.0009）。50次重復(fù)實(shí)驗(yàn)結(jié)果證明，本文改進(jìn)后的粒子群算法的收斂精確度和收斂效率均優(yōu)于傳統(tǒng)粒子群算法和基于慣性

21、權(quán)重線性遞減的粒子群算法。因此，本文提出的基于擇優(yōu)對稱的粒子群算法能夠在傳統(tǒng)粒子群算法的基礎(chǔ)上，兼顧提高算法收斂精確度和收斂效率。實(shí)驗(yàn)二：基于擇優(yōu)對稱粒子群優(yōu)化的Otsu算法性能檢驗(yàn)。 為了檢驗(yàn)基于擇優(yōu)對稱粒子群優(yōu)化的Otsu算法在肺實(shí)質(zhì)分割效率方面的性能，本文分別采用Otsu算法、基于傳統(tǒng)粒子群優(yōu)化的Otsu算法、基于慣性權(quán)重線性遞減粒子群優(yōu)化的Otsu算法以及基于擇優(yōu)對稱粒子群優(yōu)化的Otsu算法，對圖5(a)所示的健康肺部CT圖像進(jìn)行肺實(shí)質(zhì)分割實(shí)驗(yàn)，根據(jù)實(shí)際需求，設(shè)置種群規(guī)模為M=20，最大迭代次數(shù)K=50，本文算法的肺實(shí)質(zhì)分割結(jié)果如圖5(c)所示，四種算法迭代次數(shù)和運(yùn)行時間統(tǒng)計(jì)結(jié)果如圖5

22、(e)、(f)所示。 (a) 健康肺部CT圖像 (b) 預(yù)處理圖像 (c) 肺實(shí)質(zhì)分割結(jié)果 （d）健康肺組織 （e）粒子群算法迭代次數(shù)對比圖 （f）算法分割時間對比圖圖5 健康肺部CT圖像肺實(shí)質(zhì)分割實(shí)驗(yàn)觀察5(c)可以發(fā)現(xiàn)，基于擇優(yōu)對稱粒子群優(yōu)化的Otsu算法能夠成功分割出健康肺部區(qū)域，為了進(jìn)一步觀察分割結(jié)果，本文在圖5(c)的基礎(chǔ)上，借助區(qū)域生長法，標(biāo)記肺部區(qū)域，并在圖5(a) CT原圖上提取肺部組織，如圖5(d)所示。圖5(d)中肺部區(qū)域完整，肺組織邊緣清晰，能夠作為有效的肺實(shí)質(zhì)分割結(jié)果。因此，對于健康肺部CT圖像，基于擇優(yōu)對稱粒子群優(yōu)化的Otsu分割算法具有較好的適用性，能夠成功提取出完

23、整的肺部區(qū)域。此外，圖5(e)和(f)表明本文算法僅需迭代2次，耗時0.289s即可完成肺實(shí)質(zhì)分割，運(yùn)行效率優(yōu)于另外三種算法。為了確保實(shí)驗(yàn)結(jié)果的可靠性，進(jìn)行50次重復(fù)實(shí)驗(yàn)，分別統(tǒng)計(jì)四種算法的迭代次數(shù)和運(yùn)行時間，并求取平均值，實(shí)驗(yàn)結(jié)果如表2所示。表2 肺實(shí)質(zhì)分割實(shí)驗(yàn)數(shù)據(jù)對比算法最佳閾值平均迭代次數(shù)平均運(yùn)行時間(s)Otsu132/0.612基于傳統(tǒng)粒子群優(yōu)化Otsu算法132120.331基于慣性權(quán)重線性遞減粒子群優(yōu)化的Otsu算法132170.326基于擇優(yōu)對稱粒子群優(yōu)化的Otsu算法13230.285由表2數(shù)據(jù)可知，四種算法在最佳閾值的求解精度上保持一致，本文提出的算法平均迭代次數(shù)為3次，平

24、均運(yùn)行時間0.285s，分割效率高于另外三種算法。因此，50次重復(fù)實(shí)驗(yàn)結(jié)果表明，基于擇優(yōu)對稱粒子群優(yōu)化的Otsu肺實(shí)質(zhì)分割算法的在Otsu算法和傳統(tǒng)粒子群優(yōu)化的Otsu算法的基礎(chǔ)上，成功提高了肺實(shí)質(zhì)分割效率。為了進(jìn)一步分析本文算法對不同類型肺部CT圖像的分割效果，除圖5(a)健康肺部CT圖像外，另選取三種類型肺部CT圖像進(jìn)行分割實(shí)驗(yàn)，如圖6(a)(c)所示。圖6(a)雙肺見彌漫性栗粒樣高密度影，右肺上葉和左肺下葉見條索狀致密影,圖6(b)左肺下葉見團(tuán)塊狀高密度影，左肺尖見少許條索病灶，右肺中葉內(nèi)側(cè)見結(jié)節(jié)病灶，圖6(c)左肺肺尖見高密度影，左肺中葉內(nèi)側(cè)及左肺下葉見結(jié)節(jié)病灶。三種類型的CT圖分別代

25、表了存在彌漫性栗粒樣高密度影、肺尖高密度影和粘連胸膜型結(jié)節(jié)的肺部，實(shí)驗(yàn)結(jié)果如圖6所示。 (a) 肺部CT1 （b）肺部CT2 (c) 肺部CT3 (d) CT1肺實(shí)質(zhì)分割 (e) CT2肺實(shí)質(zhì)分割 (f) CT3肺實(shí)質(zhì)分割 (g) CT1肺組織 (h) CT2肺組織 (i) CT3肺組織圖6 CT圖像肺實(shí)質(zhì)分割實(shí)驗(yàn)觀察圖5和圖6可以發(fā)現(xiàn)，本文提出的基于擇優(yōu)對稱粒子群優(yōu)化的Otsu算法對圖5(a)健康肺部CT圖像、圖6(a)存在彌漫性栗粒樣高密度影干擾的CT圖像以及圖6(b)存在微小型粘連胸膜型結(jié)節(jié)的肺部CT圖像，具有較好的適應(yīng)性，能夠分割出完整的肺部區(qū)域，為后續(xù)肺組織提取和修復(fù)完善過程提供良好

26、的初步分割結(jié)果。但是當(dāng)圖像中存在體積較大的粘連胸膜型結(jié)節(jié)時，如圖6(c)所示，算法難以獲得完整的肺部區(qū)域，需要借助針對性的邊緣修復(fù)算法進(jìn)一步修復(fù)肺組織邊緣。 4 結(jié)論本文在傳統(tǒng)粒子群優(yōu)化的Otsu算法基礎(chǔ)之上，引入自然選擇和空間對稱機(jī)制，提出基于擇優(yōu)對稱粒子群優(yōu)化的Otsu肺實(shí)質(zhì)分割算法。實(shí)驗(yàn)證明，在求解最佳閾值的精確度方面，本文提出的肺實(shí)質(zhì)分割算法與Otsu算法、傳統(tǒng)粒子群優(yōu)化的Otsu算法和基于慣性權(quán)重線性遞減的Otsu算法結(jié)果一致，但是在肺實(shí)質(zhì)分割效率方面，本文算法比其他三種算法分割速度更快，迭代次數(shù)更少，這表明本文算法成功提高了Otsu算法的分割效率。此外，本文算法對四種不同類型的肺部

27、CT圖像進(jìn)行分割實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明基于擇優(yōu)對稱粒子群優(yōu)化的Otsu算法對一般肺部CT圖像分割效果較好，能夠獲得完整的肺部區(qū)域，對存在較大尺寸的粘連胸膜型結(jié)節(jié)的CT圖像分割效果不佳，需要借助針對性的邊緣修復(fù)技術(shù)對初步分割的肺部區(qū)域進(jìn)行修復(fù)完善。然而，粘連胸膜型肺結(jié)節(jié)的形態(tài)、尺寸、位置等特征具有異質(zhì)性，難以獲得通用的肺組織邊緣修復(fù)算法。因此，如何實(shí)現(xiàn)通用性較強(qiáng)的高精度肺組織邊緣修復(fù)技術(shù)將是本文接下來的研究重點(diǎn)。 參考文獻(xiàn)1 Valente I R S, Paulo César Corte, Neto E C, et al. Automatic 3D pulmonary nodule de

28、tection in CT images: A surveyJ. Computer Methods and Programs in Biomedicine, 2016, 124(C):91-107.2賈娜娟. 基于CT圖像的肺實(shí)質(zhì)分割方法研究D.湖南大學(xué),2018.3 Oghli M G, Mohammadzadeh M, Mohammadzadeh V, et al. Left ventricle segmentation using a combination of region growing and graph based methodJ. Iranian Journal of Rad

29、iology, 2017.4 Wei Y, Shen G, Li J J. A fully automatic method for lung parenchyma segmentation and repairingJ. Journal of Digital Imaging, 2013, 26(3):483-495.5 伍長榮, 接標(biāo), 葉明全. CT圖像肺結(jié)節(jié)計(jì)算機(jī)輔助檢測與診斷技術(shù)研究綜述J. 數(shù)據(jù)采集與處理, 2016(5):868-881.6 王超.基于模糊聚類算法的圖像分割問題研究D.山東大學(xué)，2017.7 張文莉,呂曉琪,谷宇,吳涼,張信雪.基于肺部CT圖像中肺實(shí)質(zhì)分割的研究進(jìn)展

30、J.中國醫(yī)學(xué)物理學(xué)雜志, 2017,34(09):902-907.8 Li X Y, Xu F, Hu X, et al. Self-adapting threshold of pulmonary parenchymaC/ International Congress on Image & Signal Processing. IEEE, 2017.9 Karthikeyan A, Valliammai M. Lungs segmentation using Multi-level Thresholding in CT ImagesJ. International Journal of

31、 Electronics & Computer Science Engineering, 2012, 1(3).10史普花. 基于CT圖像的4種肺實(shí)質(zhì)分割算法性能比較研究D.泰山醫(yī)學(xué)院,2009.11 Xuedan Y, Wenping L. Comparison of algorithms and performance of thresholding and clustering segmentationJ. Computer Engineering & Applications, 2014.12 Dong Y B, Li M J, Sun Y. Evaluation cr

32、iterion for threshold segmentation algorithmsJ. Applied Mechanics and Materials, 2014, 525:719-722.13 譚優(yōu), 王澤勇. 圖像閾值分割算法實(shí)用技術(shù)研究與比較J. 微計(jì)算機(jī)信息, 2007, 23(24):298-299.14 付云鳳. 基于閾值的圖像分割研究D. 重慶大學(xué)，2013.15 Ghamisi P, Couceiro M S, Martins F M L, et al. Multilevel image segmentation based on Fractional-order da

33、rwinian particle swarm optimizationJ. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(5):2382-2394.16 Cheng S, Wang L, Qin J, et al. Image segmentation algorithm based on fusion of group intelligent algorithm optimized OTSU-entropy and pulse coupled neural networkJ. Journal of Computer

34、Applications, 2017.17 Qin J, Shen X, Mei F, et al. An Otsu multi-thresholds segmentation algorithm based on improved ACOJ. The Journal of Supercomputing, 2018.18 Ye Z, Ma L, Zhao W, et al. A Multi-level Thresholding approach based on group search optimization algorithm and OtsuC/ International Sympo

35、sium on Computational Intelligence & Design. IEEE, 2016.19 Li Y, Jiao L, Shang R, et al. Dynamic-context cooperative quantum-behaved particle swarm optimization based on multilevel thresholding applied to medical image segmentationJ. Information Sciences, 2015, 294:408-422.20 Zhan Z H, Zhang J,

36、Li Y, et al. Adaptive particle swarm optimizationJ. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), 2009, 39(6):1362-1381.21 Civicioglu P, Besdok E. A conceptual comparison of the Cuckoo-search, particle swarm optimization, differential evolution and artificial bee colony a

37、lgorithmsJ. Artificial Intelligence Review, 2013, 39(4):315-346.22 Zhang Y, Wang S, Ji G. A comprehensive survey on particle swarm optimization algorithm and its applicationsJ. Mathematical Problems in Engineering,2015, 2015:1-38.23 Jain N K, Nangia U, Jain J. A review of particle swarm optimization

38、J. Journal of the Institution of Engineers, 2018(3):1-5.24 Otsu N. A threshold selection method from Gray-Level HistogramsJ. IEEE Transactions on Systems, Man, and Cybernetics, 1979, 9(1):62-66.25 Kennedy J. Particle swarm optimizationJ. Proc. of 1995 IEEE Int. Conf. Neural Networks, (Perth, Austral

39、ia), Nov. 27-Dec.26 Shi Y, Eberhart R C. Fuzzy adaptive particle swarm optimizationC/ Proceedings of the 2001 Congress on Evolutionary Computation (IEEE Cat. No.01TH8546). IEEE, 2002.27 Vitorino L N, Ribeiro S F, Bastos-Filho C J A. A mechanism based on Artificial Bee Colony to generate diversity in

40、 Particle Swarm OptimizationJ. Neurocomputing, 2015, 148:3945.28 Starke S, Hendrich N, Magg S, et al. An efficient hybridization of Genetic Algorithms and Particle Swarm Optimization for inverse kinematicsC/ IEEE International Conference on Robotics & Biomimetics. 2017.29 Yang S, Min W, Jiao L.

41、A quantum particle swarm optimizationC/ International Conference on Rough Sets & Knowledge Technology. 2006.30 Dong L, Shi H, Liu J, et al. Research on improved particle-swarm-optimization algorithm based on ant-colony-optimization algorithmC/ Chinese Control & Decision Conference. 2017.31王鐳. 雙邊濾波中關(guān)鍵技術(shù)研究D.哈爾濱工程大學(xué),2017.32 朱士虎.形態(tài)學(xué)高帽變換與低帽變換功能擴(kuò)展及應(yīng)用J.計(jì)算機(jī)工程與應(yīng)用,2011,47(34):190-192.33 汪維華, 張景中, 吳文淵. 改進(jìn)的形態(tài)學(xué)與Otsu相結(jié)合的視網(wǎng)膜血管分割J/OL.計(jì)算機(jī)應(yīng)用研究, 2019(08):1-82019-06-17.34 Chan C L, Chen C L. A cautious PSO with conditional randomJ.