專利名稱：：基于多精英免疫量子聚類的醫(yī)學(xué)影像分割系統(tǒng)及分割方法
技術(shù)領(lǐng)域：
：本發(fā)明屬于圖像處理
技術(shù)領(lǐng)域：
，涉及醫(yī)學(xué)影像分割，可用于醫(yī)學(xué)影像輔助診斷和研究發(fā)病機理。
背景技術(shù)：
：隨著計算機技術(shù)的迅猛發(fā)展，計算機輔助診斷在臨床醫(yī)學(xué)中發(fā)揮著越來越重要的作用。傳統(tǒng)的根據(jù)肉眼判斷發(fā)病機理的方法，已經(jīng)逐漸被X射線、CT和MRI等技術(shù)所取代，極大地推動著醫(yī)學(xué)影像學(xué)及疾病研究學(xué)的發(fā)展。圖像分割就是根據(jù)某種均勻性或一致性的原則將圖像分成若干個有意義的部分，把感興趣的目標(biāo)物從十分復(fù)雜的背景中提取出來，以便進(jìn)一步的分析。醫(yī)學(xué)影像由于受其灰度差異小、圖像模糊不均勻以及噪聲及病理類別多等因素影響，導(dǎo)致醫(yī)學(xué)影像的輔助診斷成為一個十分復(fù)雜而又迫切需要解決的問題。對醫(yī)學(xué)影像的分割，有助于將人體精細(xì)的組織結(jié)構(gòu)識別出來，并結(jié)合人體解剖學(xué)先驗知識和病理學(xué)的相關(guān)研究成果，進(jìn)一步對病變部位進(jìn)行定位，用于疾病診斷和治療。應(yīng)用聚類的方法對醫(yī)學(xué)影像進(jìn)行分割，是將醫(yī)學(xué)影像中一個或多個特征不連續(xù)的部分單獨劃分為一個子區(qū)域，將原始信息轉(zhuǎn)化為更加緊湊的形式，使得更高層次的圖像分析和理解成為可能。聚類是指在沒有任何關(guān)于樣本的先驗知識情況下，利用數(shù)學(xué)的方法研究和處理特定對象的分類，把一個沒有類別標(biāo)記的樣本按照某種準(zhǔn)則劃分成若干個子集。作為一種基于劃分的非參數(shù)聚類技術(shù)的量子聚類，它能夠克服傳統(tǒng)聚類方法對初始值和噪聲敏感、聚類類別數(shù)要事先給定等缺陷。但是，量子聚類通過梯度下降的方法進(jìn)行迭代很容易陷入局部極值，同時，緩慢的迭代速度限制了其在大規(guī)模數(shù)據(jù)集尤其是圖像分割領(lǐng)域的應(yīng)用。盡管也存在一些改進(jìn)技術(shù)，例如，對距離測度的改進(jìn)、對尺度參數(shù)估計的改進(jìn)等，但都沒能從根本上解決以上瓶頸問題。
發(fā)明內(nèi)容本發(fā)明的目的在于克服上述已有技術(shù)的不足，提出了一種基于多精英免疫量子聚類的醫(yī)學(xué)影像分割系統(tǒng)及分割方法，將多精英免疫優(yōu)化理論同量子聚類相結(jié)合，能夠有效地對包含大規(guī)模數(shù)據(jù)量的醫(yī)學(xué)影像進(jìn)行分割，對人體結(jié)構(gòu)組織進(jìn)行準(zhǔn)確且精細(xì)的定位，提高醫(yī)學(xué)影像診斷水平。為實現(xiàn)上述目的，本發(fā)明提供基于多精英免疫量子聚類的醫(yī)學(xué)影像分割系統(tǒng)，包括醫(yī)學(xué)影像預(yù)處理模塊，將RGB格式的醫(yī)學(xué)影像轉(zhuǎn)換成灰度圖像，并進(jìn)行直方圖均衡化增強處理，對處理后的圖像灰度值按像素點自上而下，從左到右的順序排成一列輸入到醫(yī)學(xué)影像數(shù)據(jù)準(zhǔn)備模塊；醫(yī)學(xué)影像數(shù)據(jù)準(zhǔn)備模塊，對輸入的灰度值數(shù)據(jù)樣本進(jìn)行聚類中心編碼，形成多精英免疫量子聚類的抗體，隨機選取k個抗體作為初始抗體種群，k為醫(yī)學(xué)影像的分割類別數(shù)；醫(yī)學(xué)影像數(shù)據(jù)聚類模塊，應(yīng)用多精英免疫量子聚類對抗體種群進(jìn)行聚類，并將聚類結(jié)果輸出至醫(yī)學(xué)影像分割結(jié)果輸出模塊；醫(yī)學(xué)影像分割結(jié)果輸出模塊，將輸入的聚類結(jié)果標(biāo)簽返回到灰度圖像中，輸出最終醫(yī)學(xué)影像分割結(jié)果。所述的醫(yī)學(xué)影像數(shù)據(jù)聚類模塊包括抗體親合度函數(shù)設(shè)計子模塊，用于求解量子力學(xué)中的薛定諤方程得到勢能函數(shù)計算公式，該勢能函數(shù)極小點與聚類中心相對應(yīng)，根據(jù)聚類中心計算親合度函數(shù)值；多精英子種群劃分子模塊，根據(jù)親合度排序結(jié)果，將抗體種群劃分成精英子種群和普通子種群；多精英免疫優(yōu)化操作算子設(shè)計子模塊，用于依次進(jìn)行抗體克隆操作、對精英子種群采用云變異操作、對普通子種群采用全干擾重組操作和利用超立方體交叉操作對精英子種群與普通子種群進(jìn)行協(xié)同進(jìn)化。為實現(xiàn)上述目的，本發(fā)明提供基于多精英免疫量子聚類的醫(yī)學(xué)影像分割方法，包括如下步驟(1)將待分割的醫(yī)學(xué)影像轉(zhuǎn)換成灰度圖像，利用直方圖均衡化方法進(jìn)行對比度增強，對處理后的圖像灰度值按像素點自上而下，從左到右的順序排成一列；(2)對上述灰度值數(shù)據(jù)進(jìn)行聚類中心編碼，形成多精英免疫量子聚類的抗體，每個抗體長度為NXk，其中，第一個長度為N的字段表示第一個聚類中心，第二個長度為N的字段表示第二個聚類中心，依此類推；(3)從編碼后的抗體中隨機選取k個抗體作為初始抗體種群，k為醫(yī)學(xué)影像的分割類別數(shù)；(4)計算抗體種群的親合度值4a)定義兩個抗體樣本點Xi和Xj之間的距離函數(shù)=||Xi_Xj||，求解薛定諤方程/^=(-^V2+「(^)>//=，得到勢能函數(shù)V的計算公式為y=￡—7+-2>P(-》其中，H為哈密頓算子，VW-;e—'2^2，E為哈密頓算子的能量特征值，d為輸入數(shù)據(jù)的特征維數(shù)，x為輸入數(shù)據(jù)樣本點，o為尺度參數(shù)，V2為拉普拉斯算子；4b)根據(jù)計算出的勢能函數(shù)值的極小點確定K個聚類中心{Ci，i=l，...Kh并根據(jù)樣本點與各個聚類中心歐氏距離最近原則獲得各類的劃分集合Qi，則親合度函數(shù)計算公式為尺<formula>formulaseeoriginaldocumentpage5</formula>其中，IIII為求取歐氏距離的運算符；(5)計算出抗體種群中所有抗體的親合度值后，將它們由高到低排序，取前面的PM個抗體作為精英子種群，剩余部分作為普通子種群，其中，p為設(shè)定的比例值，M為種群大小；(6)對精英子種群和普通子種群按照設(shè)定的克隆規(guī)模N。進(jìn)行克隆操作；(7)克隆操作后，對精英子種群進(jìn)行云變異操作，對普通子種群進(jìn)行全干擾重組操作，具體步驟如下7a)隨機產(chǎn)生一個(O，l)之間的數(shù)r，如果滿足r<Pm，Pm為設(shè)定的變異概率，則變異后的精英子種群抗體為AW-^土^^-21n(Ai)，其中，Ex為變異前抗體，En=En+Herandn，En=0.1o，o為各維數(shù)據(jù)變量的標(biāo)準(zhǔn)差，He=0.lEn，randn表示滿足標(biāo)準(zhǔn)正態(tài)分布的隨機數(shù)，P=Pmax-(Pmax-Pmin)'(C/(f,+fmin)表示確定度值，其中，f、fmax和fmin分別是每次迭代的親合度值、親合度最大值和親合度最小值，Pmax和Pmin分別為設(shè)定的確定度最大值和確定度最小值；7b)對于普通子種群，所有抗體均參與重組，按照對角線規(guī)律進(jìn)行排列組合；(8)從經(jīng)過克隆操作、變異操作和重組操作后的抗體子種群中，按照概率選擇優(yōu)秀的抗體形成新的精英子種群和普通子種群，該新的精英子種群的親合度最高值為fitbl，新的普通子種群的親合度最高值為fitb2;(9)將新的精英子種群的親合度最高值與新的普通子種群的親合度最高值進(jìn)行比較，如果fitbl>fitb2，就將精英子種群的抗體與普通子種群親合度最低的p'M個抗體進(jìn)行超立方體交叉；如果fitbl<fitb2，就將普通子種群親合度最高的pM個抗體與精英子種群抗體進(jìn)行超立方體交叉；(10)經(jīng)過交叉操作后，返回步驟(4)重新進(jìn)行迭代優(yōu)化，重復(fù)進(jìn)行Nmax次；(11)將經(jīng)過N^次迭代最后得到的精英子種群的親合度最高值fitbl與普通子種群的親合度最高值fitb2再進(jìn)行比較，用比較后的較大值所對應(yīng)的抗體代表最終的聚類中心，并根據(jù)該聚類中心將醫(yī)學(xué)圖像的每個像素點劃分到不同的類別中，得到最終的分割結(jié)果；本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點1)本發(fā)明引入了具有生物學(xué)免疫機理的多精英免疫過程，能夠有效克服量子聚類迭代過程中容易陷入局部極值的缺陷；2)本發(fā)明通過設(shè)計新的親合度函數(shù)計算公式，能夠有效克服已有量子聚類技術(shù)在處理大規(guī)模數(shù)據(jù)能力上的局限性，能夠直接對醫(yī)學(xué)影像進(jìn)行分割；3)本發(fā)明相對已有的量子聚類技術(shù)，通過提出云變異操作和超立方體交叉操作，能夠提高醫(yī)學(xué)影像的分割精度，對病變部位進(jìn)行準(zhǔn)確定位；仿真結(jié)果表明，本發(fā)明能夠有效應(yīng)用于醫(yī)學(xué)影像分割，對人體組織結(jié)構(gòu)和病變部位進(jìn)行精確定位，有利于提高醫(yī)學(xué)影像診斷水平。圖1是本發(fā)明的基于多精英免疫量子聚類的醫(yī)學(xué)影像分割系統(tǒng)示意圖2是本發(fā)明的基于多精英免疫量子聚類的醫(yī)學(xué)影像分割方法實現(xiàn)流程圖3是本發(fā)明的云變異操作示意圖4是本發(fā)明的超立方體交叉操作示意圖5是本發(fā)明的正常醫(yī)學(xué)影像分割仿真結(jié)果；圖6是本發(fā)明的病變醫(yī)學(xué)影像分割仿真結(jié)果。具體實施例方式參照圖l，本發(fā)明的基于多精英免疫量子聚類的醫(yī)學(xué)影像分割系統(tǒng)主要包括醫(yī)學(xué)影像預(yù)處理模塊、醫(yī)學(xué)影像數(shù)據(jù)準(zhǔn)備模塊、醫(yī)學(xué)影像數(shù)據(jù)聚類模塊和醫(yī)學(xué)影像分割結(jié)果診斷模塊。其中醫(yī)學(xué)影像預(yù)處理模塊，將RGB格式的醫(yī)學(xué)影像轉(zhuǎn)換成灰度圖像，并進(jìn)行直方圖均衡化增強處理，對處理后的圖像灰度值按像素點自上而下、從左到右的順序排成一列輸入到醫(yī)學(xué)影像數(shù)據(jù)準(zhǔn)備模塊；醫(yī)學(xué)影像數(shù)據(jù)準(zhǔn)備模塊，對輸入的灰度值數(shù)據(jù)樣本進(jìn)行聚類中心編碼，形成多精英免疫量子聚類的抗體，隨機選取k個抗體作為初始抗體種群，k為醫(yī)學(xué)影像的分割類別數(shù)；醫(yī)學(xué)影像數(shù)據(jù)聚類模塊，應(yīng)用多精英免疫量子聚類技術(shù)對抗體種群進(jìn)行聚類，并將聚類結(jié)果輸出至醫(yī)學(xué)影像分割結(jié)果輸出模塊，它包括抗體親合度函數(shù)設(shè)計子模塊、多精英子種群劃分子模塊和多精英免疫優(yōu)化操作算子設(shè)計子模塊。該抗體親合度函數(shù)設(shè)計子模塊，用于求解量子力學(xué)中的薛定諤方程得到勢能函數(shù)計算公式，這里的勢能函數(shù)極小點與聚類中心相對應(yīng)，根據(jù)聚類中心計算親合度函數(shù)值；該多精英子種群劃分子模塊，根據(jù)親合度排序結(jié)果將抗體種群劃分成精英子種群和普通子種群；該多精英免疫優(yōu)化操作算子設(shè)計子模塊，用于依次進(jìn)行抗體克隆操作、對精英子種群采用云變異操作、對普通子種群采用全干擾重組操作和利用超立方體交叉操作對精英子種群與普通子種群進(jìn)行協(xié)同進(jìn)化；醫(yī)學(xué)影像分割結(jié)果輸出模塊，將輸入的聚類結(jié)果標(biāo)簽返回到灰度圖像中，輸出最終醫(yī)學(xué)影像分割結(jié)果。參照圖2，本發(fā)明的基于多精英免疫量子聚類的醫(yī)學(xué)影像分割方法，具體實施步驟如下步驟l.對待分割的醫(yī)學(xué)影像進(jìn)行預(yù)處理。對于待分割的RGB格式的醫(yī)學(xué)影像，先將其轉(zhuǎn)換成灰度圖像。由于醫(yī)學(xué)影像成像結(jié)果受多種因素制約導(dǎo)致圖像模糊、人體組織器官對比度和分辨率差，因此我們再用直方圖均衡化方法對醫(yī)學(xué)影像進(jìn)行對比度增強，再將經(jīng)過以上預(yù)處理的圖像灰度值數(shù)據(jù)按照像素點自上而下，從左到右的順序排成一列。步驟2.對醫(yī)學(xué)影像數(shù)據(jù)進(jìn)行抗體編碼和抗體種群初始化。對上述灰度值數(shù)據(jù)進(jìn)行聚類中心編碼，形成多精英免疫量子聚類的抗體，每個抗體是一串實數(shù)，對于N維空間，k個聚類中心，抗體長度為NXk。其中，第一個長度為N的字段表示第一個聚類中心，第二個長度為N的字段表示第二個聚類中心，依此類推。比方說，考慮一個具有3個聚類中心的2維數(shù)據(jù)集，抗體的長度就是2X3，隨機選取3個樣本點作為初始中心，例如，(1，3)、(2，4)和(5，6)，抗體就編碼成1-3-2-4-5-6，每一組各代表一個初始聚類中心。從編碼后的抗體中隨機選取k個抗體作為初始抗體種群，k為醫(yī)學(xué)影像的分割類別數(shù)。步驟3.計算多精英免疫優(yōu)化的抗體親合度。(3.1)定義兩個抗體樣本點Xi和Xj之間的距離函數(shù)=IIXi-XjII，求解薛定諤方程z/v^(-;v2+F(;c))va=￡^，得到勢能函數(shù)V的計算公式為<formula>formulaseeoriginaldocumentpage8</formula>其中，H為哈密頓算子，v^h不e-，E為哈密頓算子的能量特征值，d為輸入數(shù)據(jù)的特征維數(shù)，x為輸入數(shù)據(jù)樣本點，o為尺度參數(shù)，V2為拉普拉斯算子；(3.2)根據(jù)計算出的勢能函數(shù)值的極小點確定K個聚類中心{Ci，i=l，...Kh并根據(jù)樣本點與各個聚類中心歐氏距離最近原則獲得各類的劃分集合Qi，則親合度函數(shù)計算公式為<formula>formulaseeoriginaldocumentpage8</formula>其中，IIII為求取歐氏距離的運算符。上述親合度函數(shù)計算公式只需要在灰度值數(shù)據(jù)點間的距離矩陣基礎(chǔ)上進(jìn)行計算，就能夠有效克服已有量子聚類技術(shù)在處理大規(guī)模數(shù)據(jù)能力上的局限性。步驟4.設(shè)計多精英免疫優(yōu)化的操作算子。(4.1)克隆操作計算出抗體種群中所有抗體的親合度值并由高到低排序，并將排序后親合度值較高的P,個抗體作為精英子種群，剩余部分作為普通子種群，其中，p為設(shè)定的比例值，M為種群大小。這里的"多精英"有兩層含義第一層含義是指精英子種群和普通子種群都要保留親合度值較高的優(yōu)秀抗體，第二層含義是指保留的優(yōu)秀抗體是多個而不是單個。對精英子種群和普通子種群，分別按照設(shè)定的克隆規(guī)模N。對多個優(yōu)秀抗體進(jìn)行克隆操作。(4.2)變異操作云模型是用自然語言表示的定性概念與其定量表示之間的不確定性轉(zhuǎn)換模型，主要反映客觀世界或人類認(rèn)知中概念的模糊性和隨機性。其中，正態(tài)云模型是具有隨機性和穩(wěn)定傾向性的，用期望值Ex、熵En和超熵He來表征的遵循正態(tài)隨機分布規(guī)律的云模型。將其應(yīng)用到變異操作中，使得云變異的隨機性可以保持種群多樣性避免搜索陷入局部極值，穩(wěn)定傾向性則較好地保護(hù)了優(yōu)良個體并進(jìn)行全局定位。如圖3所示，對于一維正態(tài)云模型C(0，En，He)，在期望值為0的坐標(biāo)原點附近，圖3(a)為C(0，0.5，0.1)時的正態(tài)云模型，圖3(b)為C(0，0.5，0.2)時的正態(tài)云模型，圖3(c)為C(O，l，O.1)時的正態(tài)云模型，圖3(d)為C(0，1，0.2)時的正態(tài)云模型?？梢?，En越大云滴覆蓋范圍越大，He越大云滴離散程度越大。期望值體現(xiàn)了云變異的穩(wěn)定性，熵體現(xiàn)了云變異的廣度，超熵體現(xiàn)了云變異的精度。對精英子種群采用云變異操作的具體步驟如下首先根據(jù)親合度值計算初始確定度y=Pmax-(Pmax-Pmin)(fmax_f)/(fmax+fmin)，其中，f、和fmin分別是每次迭代的親合度值、親合度最大值和親合度最小值，PMX和Pmin分別為設(shè)定的確定度最大值和確定度最小值；接著，令Ex為變異前抗體，En=0.1o，o為各維數(shù)據(jù)變量的標(biāo)準(zhǔn)差，He=0.lEn;然后，產(chǎn)生期望為En，方差為He的正態(tài)分布隨機數(shù)En'=En+Herandn;最后，在(O，l)之間產(chǎn)生一個隨機數(shù)r，如果滿足r〈Pm，Pm為設(shè)定的變異概率，則變異后的抗體為A("=￡x±2InO)。[OO75](4.3)重組操作對于普通子種群，采用基于量子相干特性構(gòu)造的全干擾重組操作。它的優(yōu)點是當(dāng)兩個抗體一模一樣時，可以避免普通重組操作不起作用的弊端，從而充分利用種群中盡可能多的抗體信息?！愕闹亟M操作限制在兩個抗體之間，當(dāng)參與重組的兩個抗體完全相同時，他們就不再奏效。在全干擾重組中，種群中所有抗體均參與重組。對于抗體個數(shù)為5，抗體長度為8的情況，全干擾重組操作如表1和表2所示。表1為重組前的抗體，表2為重組后的抗體。可見，全干擾重組是一種按照對角線重新排列組合的重組方式，它可以盡可能多地增加抗體間信息交流，避免進(jìn)化后期的早熟，克服普通重組操作的局部性與片面性，應(yīng)用到圖像分割中，以提高醫(yī)學(xué)影像的全局分割性能。表1表2<table>tableseeoriginaldocumentpage9</column></row><table>種群。(4.4)選擇操作從經(jīng)過克隆操作、變異操作和重組操作后的抗體子種群中選擇優(yōu)秀的抗體形成新對于每個子種群中的最優(yōu)抗體h(k)=Kj(k)If(aij(k))=maxf(Am(k))，j=1，2，，bi(k)取代初始抗體&(k)的概率為<formula>formulaseeoriginaldocumentpage9</formula>(機其中，4(A:)不是本次迭代最優(yōu).<formula>formulaseeoriginaldocumentpage9</formula>(W)，其中，4W是本次迭代最優(yōu)值.其中，|3>0是一個與抗體種群多樣性有關(guān)的參數(shù)，值越大，多樣性越好:(4.5)超立方體交叉操作經(jīng)過選擇操作后，精英子種群和普通子種群親合度最高值分別為fitbl和fitb2，當(dāng)fitbl>fitb2時，將精英子種群抗體同普通子種群親合度最低的p,個抗體進(jìn)行超立方體交叉；當(dāng)fitbl<fitb2時，將普通子種群親合度最高的pM個抗體與精英子種群抗體進(jìn)行超立方體交叉。如圖4(a)所示，一維情況下，超立方體交叉的搜索空間將線段AB向外擴展成線段CD;如圖4(b)所示，二維情況下，搜索空間是對平面的擴展；如圖4(c)所示，三維情況下，搜索空間由內(nèi)部長方體和外部的延拓空間共同構(gòu)成；三維以上情況，搜索空間則是對超立方體按照對應(yīng)維數(shù)的延拓。對于交叉父代抗體xk和yk，令<formula>formulaseeoriginaldocumentpage10</formula>則經(jīng)過超立方體交叉操作后的子代抗體分別為xk+1和y^，其中<formula>formulaseeoriginaldocumentpage10</formula>其中，r為(0，1)之間的隨機數(shù)，P。為交叉概率，unifrnd()為在一定范圍內(nèi)隨機均勻取值，a=0.2為超立方體的空間延拓系數(shù)。經(jīng)過超立方體交叉操作后，返回步驟(4.1)的克隆操作重新進(jìn)行迭代優(yōu)化，重復(fù)進(jìn)行U欠。步驟5.輸出醫(yī)學(xué)影像分割結(jié)果。將經(jīng)過Nmax次迭代最后得到的精英子種群的親合度最高值fitbl與普通子種群的親合度最高值fitb2再進(jìn)行比較，用比較后的較大值所對應(yīng)的抗體代表最終的聚類中心，并根據(jù)該聚類中心將醫(yī)學(xué)圖像的每個像素點劃分到不同的類別中，得到最終的分割結(jié)果。本發(fā)明的效果可以通過如下仿真實驗圖進(jìn)一步說明圖5(a)是一幅正常人腦縱切面核磁共振成像。圖5(b)是對圖5(a)應(yīng)用本發(fā)明的方法進(jìn)行分割的結(jié)果。圖5(c)是一幅正常眼球血管影像。圖5(d)是對圖5(c)應(yīng)用本發(fā)明的方法進(jìn)行分割的結(jié)果。圖6(a)是一幅病變的結(jié)腸腺癌肝轉(zhuǎn)移的CT影像。圖6(b)是對圖6(a)應(yīng)用本發(fā)明的方法進(jìn)行分割的結(jié)果。圖5(a)中腦白質(zhì)、腦灰質(zhì)以及迂繞的溝回的輪廓在圖5(b)中被精細(xì)地劃分開來。特別是圖中間的胼胝體以及右下角的小腦部位的細(xì)微結(jié)構(gòu)得到了準(zhǔn)確定位。圖5(c)的人眼血管分布緊密且精細(xì)，分叉參差不齊且和背景差異不大，從圖5(d)的分割結(jié)果可以看出，本發(fā)明的方法在局部細(xì)節(jié)處理方面有著很好的表現(xiàn)。圖6(a)是一幅結(jié)腸腺癌肝轉(zhuǎn)移的CT影像，可以清楚看到腹部橫斷面CT掃描圖像顯示了多個腫塊，致使肝臟體積明顯增大，從人體右側(cè)幾乎延伸到左側(cè)邊緣。圖的中間是人體的脊柱和主動脈，從右下角可以看見正常大小的脾臟。從圖6(b)中可以看出，應(yīng)用本發(fā)明的分割方法，肝臟部位高密度區(qū)域的病變部位被準(zhǔn)確檢測出來，并且，跟周圍器官組織有著很好的對比度。權(quán)利要求一種基于多精英免疫量子聚類的醫(yī)學(xué)影像分割系統(tǒng)，包括醫(yī)學(xué)影像預(yù)處理模塊，將RGB格式的醫(yī)學(xué)影像轉(zhuǎn)換成灰度圖像，并進(jìn)行直方圖均衡化增強處理，對處理后的圖像灰度值按像素點自上而下，從左到右的順序排成一列輸入到醫(yī)學(xué)影像數(shù)據(jù)準(zhǔn)備模塊；醫(yī)學(xué)影像數(shù)據(jù)準(zhǔn)備模塊，對輸入的灰度值數(shù)據(jù)樣本進(jìn)行聚類中心編碼，形成多精英免疫量子聚類的抗體，隨機選取k個抗體作為初始抗體種群，k為醫(yī)學(xué)影像的分割類別數(shù)；醫(yī)學(xué)影像數(shù)據(jù)聚類模塊，應(yīng)用多精英免疫量子聚類對抗體種群進(jìn)行聚類，并將聚類結(jié)果輸出至醫(yī)學(xué)影像分割結(jié)果輸出模塊；醫(yī)學(xué)影像分割結(jié)果輸出模塊，將輸入的聚類結(jié)果標(biāo)簽返回到灰度圖像中，輸出最終醫(yī)學(xué)影像分割結(jié)果。2.根據(jù)權(quán)利要求書1所述的系統(tǒng)，其中醫(yī)學(xué)影像數(shù)據(jù)聚類模塊包括抗體親合度函數(shù)設(shè)計子模塊，用于求解量子力學(xué)中的薛定諤方程得到勢能函數(shù)計算公式，該勢能函數(shù)極小點與聚類中心相對應(yīng)，根據(jù)聚類中心計算親合度函數(shù)值；多精英子種群劃分子模塊，根據(jù)親合度函數(shù)值排序結(jié)果，將抗體種群劃分成精英子種群和普通子種群；多精英免疫優(yōu)化操作算子設(shè)計子模塊，用于依次進(jìn)行抗體克隆操作、對精英子種群采用云變異操作、對普通子種群采用全干擾重組操作和利用超立方體交叉操作對精英子種群與普通子種群進(jìn)行協(xié)同進(jìn)化。3.—種基于多精英免疫量子聚類的醫(yī)學(xué)影像分割方法，包括如下步驟(1)將待分割的醫(yī)學(xué)影像轉(zhuǎn)換成灰度圖像，利用直方圖均衡化法進(jìn)行對比度增強處理，對增強處理后的圖像灰度值按像素點自上而下，從左到右的順序排成一列；(2)對上述灰度值數(shù)據(jù)進(jìn)行聚類中心編碼，形成多精英免疫量子聚類的抗體，每個抗體長度為NXk，其中，第一個長度為N的字段表示第一個聚類中心，第二個長度為N的字段表示第二個聚類中心，依此類推；(3)從編碼后的抗體中隨機選取k個抗體作為初始抗體種群，k為醫(yī)學(xué)影像的分割類別數(shù)；(4)計算抗體種群的親和度值4a)定義兩個抗體樣本點Xi和Xj之間的距離函數(shù)=I|Xi_Xj|I，求解薛定諤方禾sV2+F(x))V/=，得到勢能函數(shù)V的計算公式為其中，H為哈密頓算子，V(^:;e-('-W^2，E為哈密頓算子的能量特征值，d為輸入數(shù)據(jù)的特征維數(shù)，X為輸入數(shù)據(jù)樣本點，O為尺度參數(shù)，V2為拉普拉斯算子；4b)根據(jù)計算出的勢能函數(shù)值的極小點確定K個聚類中心{Ci，i=1，...Kh并根據(jù)樣本點與各個聚類中心歐氏距離最近原則獲得各類的劃分集合Oi，則親合度函數(shù)計算公式為/=i/(i+izik-&其中，1111為求取歐氏距離的運算符；(5)計算出抗體種群中所有抗體的親合度值后，將它們由高到低排序，取前面的p,個抗體作為精英子種群，剩余部分作為普通子種群，其中，P為設(shè)定的比例值，M為種群大??；(6)對精英子種群和普通子種群按照設(shè)定的克隆規(guī)模N。進(jìn)行克隆操作；(7)克隆操作后，對精英子種群進(jìn)行云變異操作，對普通子種群進(jìn)行全干擾重組操作，具體步驟如下7a)隨機產(chǎn)生一個(O，l)之間的數(shù)r，如果滿足r<Pm，Pm為設(shè)定的變異概率，則變異后的精英子種群抗體為^(^:)=^±￡"7^^,其中，Ex為變異前抗體，En'=En+Herandn，En=0.1o，o為各維數(shù)據(jù)變量的標(biāo)準(zhǔn)差，He=0.lEn，randn表示滿足標(biāo)準(zhǔn)正態(tài)分布的隨機數(shù)，P=Pmax-(Pmax-pmin)'(f隨-f)/(f隨+fmin)表示確定度值，其中，f、fmax和fmin分別是每次迭代的親合度值、親合度最大值和親合度最小值，Pmax和Pmin分別為設(shè)定的確定度最大值和確定度值最小值；7b)對于普通子種群，采用基于量子相干特性的全干擾重組操作，所有抗體均參與重組，按照對角線規(guī)律進(jìn)行排列組合；(8)從經(jīng)過克隆操作、變異操作和重組操作后的抗體子種群中，按照概率選擇優(yōu)秀的抗體形成新的精英子種群和普通子種群，該新的精英子種群的親合度最高值為fitbl，新的普通子種群的親合度最高值為fitb2;(9)將新的精英子種群的親合度最高值與新的普通子種群的親合度最高值進(jìn)行比較，如果fitbl>fitb2，就將精英子種群的抗體與普通子種群親合度最低的pM個抗體進(jìn)行超立方體交叉；如果fitbl<fitb2，就將普通子種群親合度最高的pM個抗體與精英子種群抗體進(jìn)行超立方體交叉；(10)經(jīng)過交叉操作后，返回步驟(4)重新進(jìn)行迭代優(yōu)化，重復(fù)進(jìn)行N^次；(11)將經(jīng)過N^次迭代最后得到的精英子種群的親合度最高值fitbl與普通子種群的親合度最高值fitb2再進(jìn)行比較，用比較后的較大值所對應(yīng)的抗體表示最終的聚類中心，并根據(jù)該聚類中心將醫(yī)學(xué)圖像的每個像素點劃分到不同的類別中，得到最終的分割結(jié)果。4.根據(jù)權(quán)利要求書3所述的方法，其中步驟(9)所述的超立方體交叉操作，按照以下步驟進(jìn)行對于進(jìn)行交叉的兩個父代抗體xk和yk，令lmin=min(xk，yk)，l隨=max(xk，yk)，S=l,-lmin，則經(jīng)過超立方體交叉操作后的子代抗體分別為xk+1和yw，其中其中，r為(O，l)之間的隨機數(shù)，P。為交叉概率，imifrnd()表示在一定范圍內(nèi)隨機均勻取值，a=0.2為超立方體的空間延拓系數(shù)。全文摘要本發(fā)明公開了一種基于多精英免疫量子聚類的醫(yī)學(xué)影像分割系統(tǒng)及分割方法，它涉及圖像處理
技術(shù)領(lǐng)域：
。整個系統(tǒng)包括預(yù)處理模塊、數(shù)據(jù)準(zhǔn)備模塊、數(shù)據(jù)聚類模塊和分割結(jié)果輸出模塊，通過這些模塊進(jìn)行醫(yī)學(xué)影像分割的過程包括1)對待分割的醫(yī)學(xué)影像進(jìn)行預(yù)處理；2)進(jìn)行抗體編碼和抗體種群初始化；3)計算抗體親合度，并劃分抗體種群為精英子種群和普通子種群；4)對精英子種群和普通子種群分別設(shè)計不同的多精英免疫優(yōu)化操作算子，依次進(jìn)行克隆操作、云變異操作、全干擾重組操作、選擇操作和超立方體交叉操作；5)輸出醫(yī)學(xué)影像分割結(jié)果。本發(fā)明能夠有效地對包含大規(guī)模數(shù)據(jù)量的醫(yī)學(xué)影像進(jìn)行分割，分割結(jié)果準(zhǔn)確且精細(xì)，可用于醫(yī)學(xué)影像輔助診斷和研究發(fā)病機理。文檔編號G06N3/12GK101699515SQ20091021865公開日2010年4月28日申請日期2009年10月30日優(yōu)先權(quán)日2009年10月30日發(fā)明者公茂果,劉若辰,莊雄,張佳,朱虎明,李陽陽,焦李成,緱水平申請人:西安電子科技大學(xué)