基于IAFSA優(yōu)化權(quán)值的醫(yī)學(xué)圖像檢索

石曉艷，劉淮霞，于水娟

（安徽理工大學(xué) 電氣與信息工程學(xué)院 自動化系，安徽 淮南232001）

0 引 言

近年來，國內(nèi)外相關(guān)研究機(jī)構(gòu)對醫(yī)學(xué)圖像檢索問題進(jìn)行了大量研究，取得了不錯進(jìn)展［1，2］。傳統(tǒng)醫(yī)學(xué)圖像檢索采用人工方式進(jìn)行標(biāo)注，然后根據(jù)關(guān)鍵字對圖像進(jìn)行檢索，該檢索方式耗時長，工作量大，不能滿足現(xiàn)代大規(guī)模醫(yī)學(xué)圖像檢索要求，同時人工方式的檢索結(jié)果主觀性較強(qiáng)，檢索準(zhǔn)確率不高［3］?；趦?nèi)容的醫(yī)學(xué)圖像檢索 （CBMIR）具有速度快、精度高等優(yōu)點(diǎn)，成為當(dāng)前醫(yī)學(xué)圖像檢索的主流方向［4］。CBMIR 的醫(yī)學(xué)圖像檢索通過衡量2幅醫(yī)學(xué)圖像之間的相似度，得到相應(yīng)的檢索結(jié)果［5］。然而CBMIR 的醫(yī)學(xué)圖像檢索系統(tǒng)的初步檢索結(jié)果往往難以獲得令人滿意效果［6］。為了解決該難題，近年來，一些學(xué)者將文本檢索中的相關(guān)反饋 （relevance feedback，RF）技術(shù)引入到醫(yī)學(xué)圖像檢索中，由于加入了用戶反饋信息，獲得了更優(yōu)的醫(yī)學(xué)檢索結(jié)果［7］。對于一幅圖像，單一特征只能描述圖像內(nèi)容的部分信息，因此，通常提取多種圖像特征進(jìn)行圖像檢索［8］。在多特征的相關(guān)反饋檢索過程中，為了反映不同用戶的不同需求，需要對各特征的權(quán)值進(jìn)行動態(tài)調(diào)整，保證圖像檢索逐步向用戶感興趣的方向發(fā)展，有學(xué)者提出采用遺傳算法、粒子群算法自動調(diào)整特征權(quán)重的方法，研究結(jié)果表明，醫(yī)學(xué)圖像的準(zhǔn)確率和速度均得以提高，但是遺傳算法、粒子群算法均存在各自難以克服的不足［9］。

人工魚群算法 （artificial fish swarm algorithm，AFSA）是一種模擬魚群覓食的群智能算法，具有魯棒性強(qiáng)、對參數(shù)選擇不敏感等優(yōu)點(diǎn)，在組合優(yōu)化領(lǐng)域取得了不錯的應(yīng)用效果［10］。為了提高圖像檢索精度和效率，針對圖像特征權(quán)值調(diào)整問題，提出一種改進(jìn)人工魚群算法優(yōu)化特征權(quán)值的醫(yī)學(xué)圖像相關(guān)反饋檢索方法，采用通過仿真實(shí)驗(yàn)檢驗(yàn)了本文方法的有效性。

1 改進(jìn)人工魚群算法

1.1 基本人工魚算法 （AFSA）

X＝ （x1，x2，…，xn）表示人工魚狀態(tài)向量；Y＝f

1.1.1 覓食行為

設(shè)人工魚i當(dāng)前狀態(tài)為Xi，在其感知范圍內(nèi)隨機(jī)選擇一個狀態(tài)Xj

式中：Rand （）是一個 ［0 1］間的隨機(jī)數(shù)。

若Yi＞Yj，則根據(jù)式 （2）向該方向前進(jìn)一步，不然重新選擇Xj；嘗試Try＿number次后，若還是不能滿足前進(jìn)條件，則根據(jù)式 （3）隨機(jī)移動一步

1.1.2 聚群行為

設(shè)視野范圍伙伴數(shù)目為nf及中心位置Xc，若 （Yc／nf）＞δYi，則根據(jù)式 （4）朝Xc方向前進(jìn)一步，不然執(zhí)行覓食行為

1.1.3 追尾行為

設(shè)當(dāng)前鄰域內(nèi)伙伴中Yj為最大的伙伴Xj，若 （Yc／nf）＞δYi，則根據(jù)式 （5）朝Xj方向前進(jìn)一步，否則，執(zhí)行覓食行為

1.1.4 隨機(jī)行為

隨機(jī)行為是覓食行為的一個缺省行為，即Xi的下一個位置Xi｜next為

1.2 人工魚群算法的改進(jìn)

AFSA 的覓食視野范圍是固定的，而視野大小對各種人工魚行為有著直接影響，當(dāng)視野范圍較小時，覓食、隨機(jī)行為較突出；反之，追尾和聚群行為變得較突出，而在較大區(qū)域內(nèi)進(jìn)行覓食和隨機(jī)行為，不利于全局極值附近人工魚發(fā)現(xiàn)鄰近范圍內(nèi)的全局極值點(diǎn)，總體來看，視野越大，越容易使人工魚發(fā)現(xiàn)全局極值并收斂，故對人工魚的視野進(jìn)行適當(dāng)?shù)母淖儯梢蕴岣呷斯~群算法優(yōu)化性能。針對此問題，本文對AFSA 進(jìn)行改進(jìn)，提出AFSA。IAFSA 的具體改進(jìn)思想為：在AFSA 前期選擇較大視野，進(jìn)行粗搜索，以提高算法全局搜索能力，并且加快收斂速度；在AFSA 算法后期逐步減小視頻，在最優(yōu)解附近進(jìn)行精細(xì)搜索，因此，采用視野線性遞減函數(shù)，定義視野的變化函數(shù)為

式中：t——當(dāng)前進(jìn)化代數(shù)；Vmax，Vmin——視野的上下限；MAXGEN 為最大進(jìn)化代數(shù)。

改進(jìn)人工魚群算法 （IAFSA）的工作流程如圖1所示。

2 醫(yī)學(xué)圖像特征和相似性度量模型

2.1 提取醫(yī)學(xué)圖像特征

單種特征的醫(yī)學(xué)圖像檢索方法只能從一個角度描述圖像信息，較片面且信息量太少，不足以全面反映圖像內(nèi)容信息，檢索效果不理想，為此，提取醫(yī)學(xué)圖像的顏色、紋理和形狀多個特征。

2.1.1 提取顏色特征

（1）首先將一幅醫(yī)學(xué)圖像劃分為多個子塊，然后計(jì)算每一個子塊RGB顏色分量的均值，以R 顏色分量為例，其定義為

式 中：μR ——子 塊 內(nèi) 的 像 素 灰 度 均 值；的像素值。

（2）提取每一個子塊的μRH 和μRL 值，并對它們進(jìn)行歸化

其中

（3）最后的信息熵作為圖像的顏色特征

（4）采用上述相同步驟，計(jì)算G 和B 分量的EGH 和EGL、EBH 和EBL，那么顏色特征向量為：E＝ （ERH，ERL，EGH，EGL，EBH，EBL）［12］。

2.1.2 提取紋理特征

紋理特征常采用灰度級統(tǒng)計(jì)特性進(jìn)行描述，由于小波變換提取一幅醫(yī)學(xué)圖像的灰度級統(tǒng)計(jì)特性，因此，首先對于一幅醫(yī)學(xué)圖像進(jìn)行小波變換，得到高頻和低頻部分，其中高頻子帶可以描述醫(yī)學(xué)圖像的細(xì)節(jié)特征，低頻子帶描述圖像的整體特征，然后對低頻部分進(jìn)行再次分解。采用4級小波分解，得到13個子帶，并求每個子帶的其均值和方差，共得到26維小波向量作為紋理特征。

2.1.3 提取形狀特征

Zernike矩不需要對圖像邊緣進(jìn)行計(jì)算，便可較好描述圖像形狀，對一幅醫(yī)學(xué)圖像f（x，y），Zernike矩計(jì)算公式為

式中：n——階數(shù)，m——重復(fù)率，Rnm（r）——Zernike多項(xiàng)式在極坐標(biāo)下的定義

其中

對于每幅醫(yī)學(xué)圖像，計(jì)算10階Zernike矩，共得到36維向量。

2.2 醫(yī)學(xué)圖像相似性度量模型

在計(jì)算醫(yī)學(xué)圖像相似度之前，需要對特征進(jìn)行量化，定義一個3元組表示模型

式中：D——一幅醫(yī)學(xué)圖像；F＝ ｛fi｝表示一組特征向量；fi＝ ｛rij｝為第i個特征，rij是一個含有多元素的向量：rij＝［rij1，rij2，…，rijk］。

采用相似度模型對2幅圖像距離進(jìn)行量化

其中

式 中：I——待 查 詢 的 醫(yī) 學(xué) 圖 像；Q——待 檢 索 圖 像；wrij——特征的權(quán)重。

在反饋過程中，采用改進(jìn)人工魚群算法 （IAFSA）對式 （16）中的wrij值進(jìn)行調(diào)整，使得權(quán)值與用戶需求更加接，以提高醫(yī)學(xué)圖像的檢索查詢效果。

3 改進(jìn)人工魚群算法的醫(yī)學(xué)圖像檢索

3.1 人工魚群算法的設(shè)計(jì)

3.1.1 人工魚的位置編碼

提取醫(yī)學(xué)圖像的顏色、紋理和形狀特征后，共得到6＋26＋36＝68 個特征，則有68 個特征權(quán)重，即W＝ ｛w1，w2，…，w68｝，它們組組合成一條人工魚位置。3.1.2 食物密度

食物密度是人工魚位置優(yōu)劣的評價依據(jù)，以查全率（recall）和查準(zhǔn)率 （presion）設(shè)計(jì)食物密度，那么人工魚c位置的食物密度計(jì)算公式為

式中：q——待查詢醫(yī)學(xué)圖像；R（q，c）——查全率；P（q，c）——查準(zhǔn)率；NR（q）——檢索得到與q相關(guān)的醫(yī)學(xué)圖像數(shù)目；N（q）——醫(yī)學(xué)圖像數(shù)據(jù)庫中與q 相關(guān)的總數(shù)；NR（q）——檢索到的醫(yī)學(xué)圖像總數(shù)。

3.2 IAFSA的醫(yī)學(xué)圖像檢索流程

基于IAFSA 的醫(yī)學(xué)圖像檢索思想為：首先提取醫(yī)學(xué)圖像的顏色、紋理、形狀特征，然后采用相似度量模型對圖像行檢索，用戶對檢索結(jié)果進(jìn)行評價，最后根據(jù)用戶的反饋信息，采用人工魚群算法對特征權(quán)值進(jìn)行調(diào)整，對檢索結(jié)果進(jìn)行修正，具體步驟如下：

步驟1 收集圖像數(shù)據(jù)，并對圖像預(yù)處理，消除圖像中的噪聲。

步驟2 分別提取圖像的紋理、顏色、形狀特征，并轉(zhuǎn)化相應(yīng)的特征向量，同時對特征進(jìn)行歸化處理。

步驟3 對圖像特征賦初始權(quán)值。

步驟4 根據(jù)式 （13）計(jì)算查詢圖像Q 與查詢庫中每一幅圖像的D（Q，I）值，根據(jù)距離進(jìn)行排序，給出輸出前n幅圖像。

步驟5 如果檢索出的圖像能夠滿足用戶要求，則終止算法，否則轉(zhuǎn)步驟6。

步驟6 進(jìn)入相關(guān)反饋過程中，采用AFSA 對特征權(quán)值進(jìn)行調(diào)整，找到用戶滿意的結(jié)果，具體步驟如下：

（1）初始化相關(guān)參數(shù)，并設(shè)置反饋計(jì)數(shù)f＝0。

（2）初始化人工魚群位置，并根據(jù)式 （17）計(jì)算食物密度，然后對它們進(jìn)行排序，選擇食物密度值最大的人工魚個體進(jìn)入公告板。

（3）人工魚模擬魚群的覓食、追尾和聚群行為，得到新的人工魚位置。

（4）與公告板的食物密度值進(jìn)行比較，如何優(yōu)于公告板，那么將該人工魚位置記入公告牌。

（5）將最優(yōu)公告牌的位置進(jìn)行解碼，得到特征的最優(yōu)權(quán)值。

（6）采用相似度模型根據(jù)最優(yōu)特征權(quán)值對待檢索醫(yī)學(xué)圖像與圖像庫的圖像進(jìn)行匹配，得到相應(yīng)的檢索結(jié)果，并對檢索結(jié)果進(jìn)行評價。

（7）如果得到滿足用戶最優(yōu)結(jié)果，則結(jié)束算法，否則，反饋次數(shù)f＝f＋1，并返回步驟4繼續(xù)執(zhí)行反饋操作。具體流程如圖2所示。

4 仿真實(shí)驗(yàn)

4.1 數(shù)據(jù)來源

在P4 雙核3.0 GHZ CPU，4 GB RAM，操作系統(tǒng)Windows XP的環(huán)境中，采用C＋＋實(shí)現(xiàn)圖像檢索算法。數(shù)據(jù)來源于某醫(yī)院的CT、MIR 圖像，具體見表1。

表1 醫(yī)學(xué)圖像樣本描述

4.2 性能優(yōu)化評價標(biāo)準(zhǔn)

采用平均查準(zhǔn)率（AP）對醫(yī)學(xué)圖像檢索效果進(jìn)行評價，對于6個類醫(yī)學(xué)圖，分別以每類圖像作為待檢索圖像，計(jì)算對所有圖像的平均查準(zhǔn)率，第i類的第j幅圖像的查準(zhǔn)率為

圖2 醫(yī)學(xué)圖像檢索流程

式中：relj（k）——圖像j為作為查詢圖像的檢索結(jié)果，第i類圖像的平均查準(zhǔn)率為

4.3 結(jié)果與分析

4.3.1 不同特征檢索結(jié)果對比

采用全部原始特征、顏色特征、紋理特征以及形狀特征進(jìn)行對比實(shí)驗(yàn)，得到平均查準(zhǔn)率如圖3所示。從圖3可知，相對于單一特征，組合特征的醫(yī)學(xué)圖像檢索結(jié)果更優(yōu)，這表明單一特征的信息量不夠，僅能夠醫(yī)學(xué)圖像部分信息，無法全面、準(zhǔn)確描述圖像內(nèi)容，而且組合特征可以從多個方面對醫(yī)學(xué)圖像內(nèi)容進(jìn)行描述，并達(dá)到了信息互補(bǔ)，從而醫(yī)學(xué)使圖像的平均查準(zhǔn)率得以提高。

圖3 不同特征的醫(yī)學(xué)圖像檢索正確率

4.3.2 反饋前后的檢索結(jié)果對比

對于一幅腦MRI圖像，采用相似性度模型對其進(jìn)行初步檢索，結(jié)果如圖4所示，從圖4可知，初步檢索效果不太好，有2幅不相關(guān)醫(yī)學(xué)圖像，因此需要進(jìn)行相關(guān)反饋檢索，并采用IAFSA 對特征值進(jìn)行調(diào)整，反饋后的檢索結(jié)果如圖5所示。相對于初步檢索結(jié)果，反饋后的醫(yī)學(xué)圖像檢索結(jié)果更加理想，可以滿足用戶的實(shí)際需求。

圖4 初步檢索結(jié)果

圖5 AFSA 的檢索結(jié)果

4.3.3 與其它方法的性能對比

為了進(jìn)一步說明ASFA 醫(yī)學(xué)圖像檢索方法的優(yōu)越性，采用基本人工魚群算法優(yōu)化特征權(quán)值方法 （AFSA）和粒子群算法優(yōu)化特征權(quán)值方法 （PSO）進(jìn)行對比實(shí)驗(yàn)，它們反饋后的平均查準(zhǔn)率如圖6 所示。從圖6 可知，相對于AS－FA、PSO 算法，對于所有類別的醫(yī)學(xué)圖像，IASFA 的平均查準(zhǔn)率均有所提高，這表明，采用IASFA 對圖像特征權(quán)值進(jìn)行確定，得到的權(quán)值更能夠反映特征對檢索結(jié)果的影響程度，權(quán)值更加科學(xué)、合理，得到更加滿意的醫(yī)學(xué)圖像檢索效果。

圖6 AFSA、IASFA、PSO 的檢索性能比較

為了對比PSO、IASFA、AFSA 算法檢索效率，統(tǒng)計(jì)每類圖像的平均反饋次數(shù)，得到的結(jié)果見表2。從表2 可知，IAFSA 算法的平均反饋次數(shù)只要4.5次，要明顯低于ASFA、PSO 算 法8.3 和7.6 次。對 比 結(jié) 果 表 明，IAFSA對權(quán)值進(jìn)行調(diào)整后，醫(yī)學(xué)圖像檢索效率大幅度提高了，可以建立圖像相似度模型較好的滿足用戶實(shí)際偏好，更好的滿足醫(yī)學(xué)圖像檢索的實(shí)時、在線要求。

表2 AFSA、GA、PSO 的反饋次對比

5 結(jié)束語

如何對這些圖像進(jìn)行有效管理和組織，讓其服務(wù)于臨床診斷成為當(dāng)前急需要解決的問題，針對醫(yī)學(xué)圖像檢索過程中相關(guān)反饋特征權(quán)值確定問題，提出一種改進(jìn)人魚群算法優(yōu)化特征權(quán)值的醫(yī)學(xué)圖像相關(guān)反饋檢索方法，首先提取醫(yī)學(xué)圖像的顏色、紋理、形狀特征，然后采用相似度量模型得到圖像初步檢索結(jié)果，最后根據(jù)用戶的反饋信息，采用改進(jìn)人工魚群算法對特征權(quán)值進(jìn)行調(diào)整，。仿真結(jié)果表明，IAFSA 可以獲得較理想的醫(yī)學(xué)圖像檢索結(jié)果，具有一定的應(yīng)用價值。

［1］Kekre H B，Thepade S，Sanas S.Improving performance of multileveled BTC based CBIR using sundry color spaces ［J］.International Journal of Image Processing，2010，4 （6）：620－630.

［2］JIANG Shizhong，YI Faling，TANG Langping，et al.Brain tumor image retrieval method based on graph cuts and rough sets［J］.Journal of Clinical Rehabilitative Tissue Engineering Research，2010，14 （17）：3085－3089 （in Chinese）. ［蔣 世忠，易法令，湯浪平，等.基于圖割與粗糙集的MRI腦部腫瘤圖像檢索方法 ［J］.中國組織工程研究與臨床康復(fù)，2010，14 （17）：3085－3089.］

［3］BAI Xue，LIU Wanjun.Research of image retrieval based on color［J］.Proceedings of Forum on Computer Science Technology and Applications，2009，8 （1）：283－286.

［4］ZHANG Quan，TAI Xiaoying.Application of relevance feedback based on Bayesian theory in medical image retrieval［J］.Computer Engineering and Applications，2008，44 （17）：158－161 （in Chinese）.［張泉，邰曉英.基于Bayesian的相關(guān)反饋在醫(yī)學(xué)圖像檢索中的應(yīng)用 ［J］.計(jì)算機(jī)工程與應(yīng)用，2013，44（17）：158－161.］

［5］SHEN Ye，LI Mindan，XIA Shunren.A survey on content based medical image retrieval［J］.Journal of Computer－Aided Design ＆Computer Graphics，2010，22 （4）：569－578 （in Chinese）.［沈曄，李敏丹，夏順仁.基于內(nèi)容的醫(yī)學(xué)圖像檢索技術(shù) ［J］.計(jì)算機(jī)輔助設(shè)計(jì)與圖形圖像學(xué)報，2010，22（4）：569－578.］

［6］ZHOU Jianxin，GAO Ke，LI Jintao，et al.Efficient relevance feedback scheme based on SVM in image retrieval［J］.Journal of Computer－Aided Design ＆ Computer Graphics，2007，19（4）：535－540 （in Chinese）.［周建新，高科，李錦濤，等.圖像檢索中一種有效的SVM 相關(guān)反饋算法 ［J］.計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報，2007，19 （4）：535－540.］

［7］LI Guangli，ZHANG Hongbin.Research on tumor image retrieval system based on relevancy discriminate by color feature［J］.Computer Engineering and Design，2012，33 （11）：4272－4276 （in Chinese）.［李廣麗，張紅斌.基于顏色特征相似度判別的腫瘤圖像檢索研究 ［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2012，33 （11）：4272－4276.］

［8］ZHANG Zhenhua，LI Bo，DENG Weiwen.Study on PSObased relevance feedback algorithm ［J］.Journal of System Simulation，2012，24 （1）：126－231 （in Chinese）. ［張振花，李波，鄧偉文.基于粒子群算法的圖像相關(guān)反饋研究 ［J］.系統(tǒng)仿真學(xué)報，2012，24 （1）：126－231.］

［9］FU Qiming，LIU Quan，WANG Xiaoyan，et al.Relevance feedback image retrieval based on multiple features ［J］.Journal of Image and Graphics，2011，16 （10）：1858－1865 （in Chinese）［傅啟明，劉全，王曉燕，等.遺傳反饋的多特征圖像檢索［J］.中國圖象圖形學(xué)報，2011，16 （10）：1858－1865.］

［10］SHEN Xiaowei，HE Mingyi.Medical image registration based on hybrid optimization algorithm ［J］.Application Research of Computers，2010，27 （8）：3159－3161 （in Chinese）. ［沈小衛(wèi)，何明一.一種基于混合優(yōu)化算法的醫(yī)學(xué)圖像配準(zhǔn)方法 ［J］.計(jì)算機(jī)應(yīng)用研究，2010，27 （8）：3159－3161.］

［11］WANG Jingyan，Li Yongping，ZHANG Ying，et al.Bag－offeatures based medical image retrieval via multiple assignment and visual words weighting ［J］.IEEE Transactions on Medical Image，2011，30 （11）：1996－2011.