基于多精英免疫量子聚类的医学影像分割系统及分割方法专利检索-量子力学物理专利检索查询-专利查询网

基于多精英免疫量子聚类的医学影像分割系统及分割方法

阅读：358发布：2020-08-20

专利汇可以提供基于多精英免疫量子聚类的医学影像分割系统及分割方法专利检索，专利查询，专利分析的服务。并且本发明公开了一种基于多精英免疫量子聚类的医学影像分割系统及分割方法，它涉及图像处理技术领域。整个系统包括：预处理模块、数据准备模块、数据聚类模块和分割结果输出模块，通过这些模块进行医学影像分割的过程包括：1)对待分割的医学影像进行预处理；2)进行抗体编码和抗体种群初始化；3)计算抗体亲合度，并划分抗体种群为精英子种群和普通子种群；4)对精英子种群和普通子种群分别设计不同的多精英免疫优化操作算子，依次进行克隆操作、云变异操作、全干扰重组操作、选择操作和超立方体交叉操作；5)输出医学影像分割结果。本发明能够有效地对包含大规模数据量的医学影像进行分割，分割结果准确且精细，可用于医学影像辅助诊断和研究发病机理。，下面是基于多精英免疫量子聚类的医学影像分割系统及分割方法专利的具体信息内容。

权利要求

1.一种基于多精英免疫量子聚类的医学影像分割系统，包括：
医学影像预处理模块，将RGB格式的医学影像转换成灰度图像，并进行直方图均衡化增强处理，对处理后的图像灰度值按像素点自上而下，从左到右的顺序排成一列输入到医学影像数据准备模块；
医学影像数据准备模块，对输入的灰度值数据样本进行聚类中心编码，形成多精英免疫量子聚类的抗体，随机选取k个抗体作为初始抗体种群，k为医学影像的分割类别数；
医学影像数据聚类模块，应用多精英免疫量子聚类对抗体种群进行聚类，并将聚类结果输出至医学影像分割结果输出模块；
医学影像分割结果输出模块，将输入的聚类结果标签返回到灰度图像中，输出最终医学影像分割结果。
2.根据权利要求书1所述的系统，其中医学影像数据聚类模块包括：
抗体亲合度函数设计子模块，用于求解量子力学中的薛定谔方程得到势能函数计算公式，该势能函数极小点与聚类中心相对应，根据聚类中心计算亲合度函数值；
多精英子种群划分子模块，根据亲合度函数值排序结果，将抗体种群划分成精英子种群和普通子种群；
多精英免疫优化操作算子设计子模块，用于依次进行抗体克隆操作、对精英子种群采用云变异操作、对普通子种群采用全干扰重组操作和利用超立方体交叉操作对精英子种群与普通子种群进行协同进化。
3.一种基于多精英免疫量子聚类的医学影像分割方法，包括如下步骤：
(1)将待分割的医学影像转换成灰度图像，利用直方图均衡化法进行对比度增强处理，对增强处理后的图像灰度值按像素点自上而下，从左到右的顺序排成一列；
(2)对上述灰度值数据进行聚类中心编码，形成多精英免疫量子聚类的抗体，每个抗体长度为N×k，其中，第一个长度为N的字段表示第一个聚类中心，第二个长度为N的字段表示第二个聚类中心，依此类推；
(3)从编码后的抗体中随机选取k个抗体作为初始抗体种群，k为医学影像的分割类别数；
(4)计算抗体种群的亲和度值：
4a)定义两个抗体样本点xi和xj之间的距离函数Dij＝||xi-xj||，求解薛定谔方程得到势能函数V的计算公式为：
$V = E - \frac{d}{2} + \frac{1}{2 σ^{2}} \frac{Σ_{j} D_{ij}^{2} \exp (- \frac{D_{ij}^{2}}{{2 σ}^{2}})}{Σ_{j} \exp (- \frac{D_{ij}^{2}}{{2 σ}^{2}})}$
其中，H为哈密顿算子，E为哈密顿算子的能量特征值，d为输入数据的特征维数，x为输入数据样本点，σ为尺度参数，为拉普拉斯算子；
4b)根据计算出的势能函数值的极小点确定K个聚类中心{ci，i＝1，...K}，并根据样本点与各个聚类中心欧氏距离最近原则获得各类的划分集合Oi，则亲合度函数计算公式为：
$f = 1 / (1 + Σ_{i = 1}^{K} \underset{x_{j} \in O_{i}}{Σ} | | x_{j} - c_{i} | |)$
其中，||·||为求取欧氏距离的运算符；
(5)计算出抗体种群中所有抗体的亲合度值后，将它们由高到低排序，取前面的p·M个抗体作为精英子种群，剩余部分作为普通子种群，其中，p为设定的比例值，M为种群大小；
(6)对精英子种群和普通子种群按照设定的克隆规模Nc进行克隆操作；
(7)克隆操作后，对精英子种群进行云变异操作，对普通子种群进行全干扰重组操作，具体步骤如下：
7a)随机产生一个(0，1)之间的数r，如果满足r＜Pm，Pm为设定的变异概率，则变异后的精英子种群抗体为其中，Ex为变异前抗体，En′＝En+He·randn，En＝0.1σ，σ为各维数据变量的标准差，He＝0.1En，randn表示满足标准正态分布的随机数，μ＝Pmax-(Pmax-pmin)·(fmax-f)/(fmax+fmin)表示确定度值，其中，f、fmax和fmin分别是每次迭代的亲合度值、亲合度最大值和亲合度最小值，pmax和pmin分别为设定的确定度最大值和确定度值最小值；
7b)对于普通子种群，采用基于量子相干特性的全干扰重组操作，所有抗体均参与重组，按照对角线规律进行排列组合；
(8)从经过克隆操作、变异操作和重组操作后的抗体子种群中，按照概率选择优秀的抗体形成新的精英子种群和普通子种群，该新的精英子种群的亲合度最高值为fitb1，新的普通子种群的亲合度最高值为fitb2；
(9)将新的精英子种群的亲合度最高值与新的普通子种群的亲合度最高值进行比较，如果fitb1≥fitb2，就将精英子种群的抗体与普通子种群亲合度最低的p·M个抗体进行超立方体交叉；如果fitb1＜fitb2，就将普通子种群亲合度最高的p·M个抗体与精英子种群抗体进行超立方体交叉；
(10)经过交叉操作后，返回步骤(4)重新进行迭代优化，重复进行Nmax次；
(11)将经过Nmax次迭代最后得到的精英子种群的亲合度最高值fitb1与普通子种群的亲合度最高值fitb2再进行比较，用比较后的较大值所对应的抗体表示最终的聚类中心，并根据该聚类中心将医学图像的每个像素点划分到不同的类别中，得到最终的分割结果。
4.根据权利要求书3所述的方法，其中步骤(9)所述的超立方体交叉操作，按照以下步骤进行：
对于进行交叉的两个父代抗体xk和yk，令lmin＝min(xk，yk)，lmax＝max(xk，yk)，δ＝lmax-lmin，则经过超立方体交叉操作后的子代抗体分别为xk+1和yk+1，其中：
$x_{k + 1} = \{\begin{matrix} unifrnd (l_{\min} - α \cdot δ, l_{\max} + α \cdot δ) & r < P_{c} \\ x_{k} & else \end{matrix}$
$y_{k + 1} = \{\begin{matrix} unifrnd (l_{\min} - α \cdot δ, l_{\max} + α \cdot δ) & r < P_{c} \\ y_{k} & else \end{matrix}$
其中，r为(0，1)之间的随机数，Pc为交叉概率，unifrnd(·)表示在一定范围内随机均匀取值，α＝0.2为超立方体的空间延拓系数。

说明书全文

技术领域

本发明属于图像处理技术领域，涉及医学影像分割，可用于医学影像辅助诊断和研究发病机理。

背景技术

随着计算机技术的迅猛发展，计算机辅助诊断在临床医学中发挥着越来越重要的作用。传统的根据肉眼判断发病机理的方法，已经逐渐被X射线、CT和MRI等技术所取代，极大地推动着医学影像学及疾病研究学的发展。
图像分割就是根据某种均匀性或一致性的原则将图像分成若干个有意义的部分，把感兴趣的目标物从十分复杂的背景中提取出来，以便进一步的分析。医学影像由于受其灰度差异小、图像模糊不均匀以及噪声及病理类别多等因素影响，导致医学影像的辅助诊断成为一个十分复杂而又迫切需要解决的问题。对医学影像的分割，有助于将人体精细的组织结构识别出来，并结合人体解剖学先验知识和病理学的相关研究成果，进一步对病变部位进行定位，用于疾病诊断和治疗。
应用聚类的方法对医学影像进行分割，是将医学影像中一个或多个特征不连续的部分单独划分为一个子区域，将原始信息转化为更加紧凑的形式，使得更高层次的图像分析和理解成为可能。聚类是指在没有任何关于样本的先验知识情况下，利用数学的方法研究和处理特定对象的分类，把一个没有类别标记的样本按照某种准则划分成若干个子集。
作为一种基于划分的非参数聚类技术的量子聚类，它能够克服传统聚类方法对初始值和噪声敏感、聚类类别数要事先给定等缺陷。但是，量子聚类通过梯度下降的方法进行迭代很容易陷入局部极值，同时，缓慢的迭代速度限制了其在大规模数据集尤其是图像分割领域的应用。尽管也存在一些改进技术，例如，对距离测度的改进、对尺度参数估计的改进等，但都没能从根本上解决以上瓶颈问题。

发明内容

本发明的目的在于克服上述已有技术的不足，提出了一种基于多精英免疫量子聚类的医学影像分割系统及分割方法，将多精英免疫优化理论同量子聚类相结合，能够有效地对包含大规模数据量的医学影像进行分割，对人体结构组织进行准确且精细的定位，提高医学影像诊断水平。
为实现上述目的，本发明提供基于多精英免疫量子聚类的医学影像分割系统，包括：
医学影像预处理模块，将RGB格式的医学影像转换成灰度图像，并进行直方图均衡化增强处理，对处理后的图像灰度值按像素点自上而下，从左到右的顺序排成一列输入到医学影像数据准备模块；
医学影像数据准备模块，对输入的灰度值数据样本进行聚类中心编码，形成多精英免疫量子聚类的抗体，随机选取k个抗体作为初始抗体种群，k为医学影像的分割类别数；
医学影像数据聚类模块，应用多精英免疫量子聚类对抗体种群进行聚类，并将聚类结果输出至医学影像分割结果输出模块；
医学影像分割结果输出模块，将输入的聚类结果标签返回到灰度图像中，输出最终医学影像分割结果。
所述的医学影像数据聚类模块包括：
抗体亲合度函数设计子模块，用于求解量子力学中的薛定谔方程得到势能函数计算公式，该势能函数极小点与聚类中心相对应，根据聚类中心计算亲合度函数值；
多精英子种群划分子模块，根据亲合度排序结果，将抗体种群划分成精英子种群和普通子种群；
多精英免疫优化操作算子设计子模块，用于依次进行抗体克隆操作、对精英子种群采用云变异操作、对普通子种群采用全干扰重组操作和利用超立方体交叉操作对精英子种群与普通子种群进行协同进化。
为实现上述目的，本发明提供基于多精英免疫量子聚类的医学影像分割方法，包括如下步骤：
(1)将待分割的医学影像转换成灰度图像，利用直方图均衡化方法进行对比度增强，对处理后的图像灰度值按像素点自上而下，从左到右的顺序排成一列；
(2)对上述灰度值数据进行聚类中心编码，形成多精英免疫量子聚类的抗体，每个抗体长度为N×k，其中，第一个长度为N的字段表示第一个聚类中心，第二个长度为N的字段表示第二个聚类中心，依此类推；
(3)从编码后的抗体中随机选取k个抗体作为初始抗体种群，k为医学影像的分割类别数；
(4)计算抗体种群的亲合度值：
4a)定义两个抗体样本点xi和xj之间的距离函数Dij＝||xi-xj||，求解薛定谔方程得到势能函数V的计算公式为：

V = E - \frac{d}{2} + \frac{1}{{2 σ}^{2}} \frac{Σ_{j} D_{ij}^{2} \exp (- \frac{D_{ij}^{2}}{{2 σ}^{2}})}{Σ_{j} \exp (- \frac{D_{ij}^{2}}{{2 σ}^{2}})}

其中，H为哈密顿算子，E为哈密顿算子的能量特征值，d为输入数据的特征维数，x为输入数据样本点，σ为尺度参数，为拉普拉斯算子；
4b)根据计算出的势能函数值的极小点确定K个聚类中心{ci，i＝1，...K}，并根据样本点与各个聚类中心欧氏距离最近原则获得各类的划分集合Qi，则亲合度函数计算公式为：

f = 1 / (1 + Σ_{i = 1}^{K} \underset{x_{j} \in O_{i}}{Σ} | | x_{j} - c_{i} | |)

其中，||·||为求取欧氏距离的运算符；
(5)计算出抗体种群中所有抗体的亲合度值后，将它们由高到低排序，取前面的p·M个抗体作为精英子种群，剩余部分作为普通子种群，其中，p为设定的比例值，M为种群大小；
(6)对精英子种群和普通子种群按照设定的克隆规模Nc进行克隆操作；
(7)克隆操作后，对精英子种群进行云变异操作，对普通子种群进行全干扰重组操作，具体步骤如下：
7a)随机产生一个(0，1)之间的数r，如果满足r＜Pm，Pm为设定的变异概率，则变异后的精英子种群抗体为其中，Ex为变异前抗体，En＝En+He·randn，En＝0.1σ，σ为各维数据变量的标准差，He＝0.1En，randn表示满足标准正态分布的随机数，μ＝Pmax-(Pmax-Pmin)·(fmax-f)/(fmax+fmin)表示确定度值，其中，f、fmax和fmin分别是每次迭代的亲合度值、亲合度最大值和亲合度最小值，Pmax和Pmin分别为设定的确定度最大值和确定度最小值；
7b)对于普通子种群，所有抗体均参与重组，按照对角线规律进行排列组合；
(8)从经过克隆操作、变异操作和重组操作后的抗体子种群中，按照概率选择优秀的抗体形成新的精英子种群和普通子种群，该新的精英子种群的亲合度最高值为fitb1，新的普通子种群的亲合度最高值为fitb2；
(9)将新的精英子种群的亲合度最高值与新的普通子种群的亲合度最高值进行比较，如果fitb1≥fitb2，就将精英子种群的抗体与普通子种群亲合度最低的p·M个抗体进行超立方体交叉；如果fitb1＜fitb2，就将普通子种群亲合度最高的p·M个抗体与精英子种群抗体进行超立方体交叉；
(10)经过交叉操作后，返回步骤(4)重新进行迭代优化，重复进行Nmax次；
(11)将经过Nmax次迭代最后得到的精英子种群的亲合度最高值fitb1与普通子种群的亲合度最高值fitb2再进行比较，用比较后的较大值所对应的抗体代表最终的聚类中心，并根据该聚类中心将医学图像的每个像素点划分到不同的类别中，得到最终的分割结果；
本发明与现有的技术相比具有以下优点：
1)本发明引入了具有生物学免疫机理的多精英免疫过程，能够有效克服量子聚类迭代过程中容易陷入局部极值的缺陷；
2)本发明通过设计新的亲合度函数计算公式，能够有效克服已有量子聚类技术在处理大规模数据能力上的局限性，能够直接对医学影像进行分割；
3)本发明相对已有的量子聚类技术，通过提出云变异操作和超立方体交叉操作，能够提高医学影像的分割精度，对病变部位进行准确定位；
仿真结果表明，本发明能够有效应用于医学影像分割，对人体组织结构和病变部位进行精确定位，有利于提高医学影像诊断水平。
附图说明
图1是本发明的基于多精英免疫量子聚类的医学影像分割系统示意图；
图2是本发明的基于多精英免疫量子聚类的医学影像分割方法实现流程图；
图3是本发明的云变异操作示意图；
图4是本发明的超立方体交叉操作示意图；
图5是本发明的正常医学影像分割仿真结果；
图6是本发明的病变医学影像分割仿真结果。

具体实施方式

参照图1，本发明的基于多精英免疫量子聚类的医学影像分割系统主要包括：医学影像预处理模块、医学影像数据准备模块、医学影像数据聚类模块和医学影像分割结果诊断模块。其中：
医学影像预处理模块，将RGB格式的医学影像转换成灰度图像，并进行直方图均衡化增强处理，对处理后的图像灰度值按像素点自上而下、从左到右的顺序排成一列输入到医学影像数据准备模块；
医学影像数据准备模块，对输入的灰度值数据样本进行聚类中心编码，形成多精英免疫量子聚类的抗体，随机选取k个抗体作为初始抗体种群，k为医学影像的分割类别数；
医学影像数据聚类模块，应用多精英免疫量子聚类技术对抗体种群进行聚类，并将聚类结果输出至医学影像分割结果输出模块，它包括：抗体亲合度函数设计子模块、多精英子种群划分子模块和多精英免疫优化操作算子设计子模块。该抗体亲合度函数设计子模块，用于求解量子力学中的薛定谔方程得到势能函数计算公式，这里的势能函数极小点与聚类中心相对应，根据聚类中心计算亲合度函数值；该多精英子种群划分子模块，根据亲合度排序结果将抗体种群划分成精英子种群和普通子种群；该多精英免疫优化操作算子设计子模块，用于依次进行抗体克隆操作、对精英子种群采用云变异操作、对普通子种群采用全干扰重组操作和利用超立方体交叉操作对精英子种群与普通子种群进行协同进化；
医学影像分割结果输出模块，将输入的聚类结果标签返回到灰度图像中，输出最终医学影像分割结果。
参照图2，本发明的基于多精英免疫量子聚类的医学影像分割方法，具体实施步骤如下：
步骤1.对待分割的医学影像进行预处理。
对于待分割的RGB格式的医学影像，先将其转换成灰度图像。由于医学影像成像结果受多种因素制约导致图像模糊、人体组织器官对比度和分辨率差，因此我们再用直方图均衡化方法对医学影像进行对比度增强，再将经过以上预处理的图像灰度值数据按照像素点自上而下，从左到右的顺序排成一列。
步骤2.对医学影像数据进行抗体编码和抗体种群初始化。
对上述灰度值数据进行聚类中心编码，形成多精英免疫量子聚类的抗体，每个抗体是一串实数，对于N维空间，k个聚类中心，抗体长度为N×k。其中，第一个长度为N的字段表示第一个聚类中心，第二个长度为N的字段表示第二个聚类中心，依此类推。比方说，考虑一个具有3个聚类中心的2维数据集，抗体的长度就是2×3，随机选取3个样本点作为初始中心，例如，(1，3)、(2，4)和(5，6)，抗体就编码成1-3-2-4-5-6，每一组各代表一个初始聚类中心。从编码后的抗体中随机选取k个抗体作为初始抗体种群，k为医学影像的分割类别数。
步骤3.计算多精英免疫优化的抗体亲合度。
(3.1)定义两个抗体样本点xi和xj之间的距离函数Dij＝||xi-xj||，求解薛定谔方程得到势能函数V的计算公式为：

V = E - \frac{d}{2} + \frac{1}{{2 σ}^{2}} \frac{Σ_{j} D_{ij}^{2} \exp (- \frac{D_{ij}^{2}}{{2 σ}^{2}})}{Σ_{j} \exp (- \frac{D_{ij}^{2}}{{2 σ}^{2}})}

其中，H为哈密顿算子，E为哈密顿算子的能量特征值，d为输入数据的特征维数，x为输入数据样本点，σ为尺度参数，为拉普拉斯算子；
(3.2)根据计算出的势能函数值的极小点确定K个聚类中心{ci，i＝1，...K}，并根据样本点与各个聚类中心欧氏距离最近原则获得各类的划分集合Qi，则亲合度函数计算公式为：

f = 1 / (1 + Σ_{i = 1}^{K} \underset{x_{j} \in O_{i}}{Σ} | | x_{j} - c_{i} | |)

其中，||·||为求取欧氏距离的运算符。上述亲合度函数计算公式只需要在灰度值数据点间的距离矩阵基础上进行计算，就能够有效克服已有量子聚类技术在处理大规模数据能力上的局限性。
步骤4.设计多精英免疫优化的操作算子。
(4.1)克隆操作
计算出抗体种群中所有抗体的亲合度值并由高到低排序，并将排序后亲合度值较高的p·M个抗体作为精英子种群，剩余部分作为普通子种群，其中，p为设定的比例值，M为种群大小。这里的“多精英”有两层含义：第一层含义是指精英子种群和普通子种群都要保留亲合度值较高的优秀抗体，第二层含义是指保留的优秀抗体是多个而不是单个。
对精英子种群和普通子种群，分别按照设定的克隆规模Nc对多个优秀抗体进行克隆操作。
(4.2)变异操作
云模型是用自然语言表示的定性概念与其定量表示之间的不确定性转换模型，主要反映客观世界或人类认知中概念的模糊性和随机性。其中，正态云模型是具有随机性和稳定倾向性的，用期望值Ex、熵En和超熵He来表征的遵循正态随机分布规律的云模型。将其应用到变异操作中，使得云变异的随机性可以保持种群多样性避免搜索陷入局部极值，稳定倾向性则较好地保护了优良个体并进行全局定位。如图3所示，对于一维正态云模型C(0，En，He)，在期望值为0的坐标原点附近，图3(a)为C(0，0.5，0.1)时的正态云模型，图3(b)为C(0，0.5，0.2)时的正态云模型，图3(c)为C(0，1，0.1)时的正态云模型，图3(d)为C(0，1，0.2)时的正态云模型。可见，En越大云滴覆盖范围越大，He越大云滴离散程度越大。期望值体现了云变异的稳定性，熵体现了云变异的广度，超熵体现了云变异的精度。
对精英子种群采用云变异操作的具体步骤如下：
首先根据亲合度值计算初始确定度：μ＝Pmax-(Pmax-Pmin)·(fmax-f)/(fmax+fmin)，其中，f、fmax和fmin分别是每次迭代的亲合度值、亲合度最大值和亲合度最小值，Pmax和Pmin分别为设定的确定度最大值和确定度最小值；
接着，令Ex为变异前抗体，En＝0.1σ，σ为各维数据变量的标准差，He＝0.1En；
然后，产生期望为En，方差为He的正态分布随机数：En′＝En+He·randn；
最后，在(0，1)之间产生一个随机数r，如果满足r＜Pm，Pm为设定的变异概率，则变异后的抗体为
(4.3)重组操作
对于普通子种群，采用基于量子相干特性构造的全干扰重组操作。它的优点是当两个抗体一模一样时，可以避免普通重组操作不起作用的弊端，从而充分利用种群中尽可能多的抗体信息。
一般的重组操作限制在两个抗体之间，当参与重组的两个抗体完全相同时，他们就不再奏效。在全干扰重组中，种群中所有抗体均参与重组。对于抗体个数为5，抗体长度为8的情况，全干扰重组操作如表1和表2所示。表1为重组前的抗体，表2为重组后的抗体。可见，全干扰重组是一种按照对角线重新排列组合的重组方式，它可以尽可能多地增加抗体间信息交流，避免进化后期的早熟，克服普通重组操作的局部性与片面性，应用到图像分割中，以提高医学影像的全局分割性能。
表1

表2

(4.4)选择操作
从经过克隆操作、变异操作和重组操作后的抗体子种群中选择优秀的抗体形成新种群。对于每个子种群中的最优抗体：
bi(k)＝{aij(k)|f(aij(k))＝maxf(Am(k))，j＝1，2，...，qi}
bi(k)取代初始抗体Ai(k)的概率为：

其中，β＞0是一个与抗体种群多样性有关的参数，值越大，多样性越好。
(4.5)超立方体交叉操作
经过选择操作后，精英子种群和普通子种群亲合度最高值分别为fitb1和fitb2，当fitb1≥fitb2时，将精英子种群抗体同普通子种群亲合度最低的p·M个抗体进行超立方体交叉；当fitb1＜fitb2时，将普通子种群亲合度最高的p·M个抗体与精英子种群抗体进行超立方体交叉。如图4(a)所示，一维情况下，超立方体交叉的搜索空间将线段AB向外扩展成线段CD；如图4(b)所示，二维情况下，搜索空间是对平面的扩展；如图4(c)所示，三维情况下，搜索空间由内部长方体和外部的延拓空间共同构成；三维以上情况，搜索空间则是对超立方体按照对应维数的延拓。
对于交叉父代抗体xk和yk，令lmin＝min(xk，yk)，lmax＝max(xk，yk)，δ＝lmax-lmin，则经过超立方体交叉操作后的子代抗体分别为xk+1和yk+1，其中：

x_{k + 1} = \{\begin{matrix} unifrnd (l_{\min} - α \cdot δ, l_{\max} + α \cdot δ) & r < P_{c} \\ x_{k} & else \end{matrix}

y_{k + 1} = \{\begin{matrix} unifrnd (l_{\min} - α \cdot δ, l_{\max} + α \cdot δ) & r < P_{c} \\ y_{k} & else \end{matrix}

其中，r为(0，1)之间的随机数，Pc为交叉概率，unifrnd(·)为在一定范围内随机均匀取值，α＝0.2为超立方体的空间延拓系数。
经过超立方体交叉操作后，返回步骤(4.1)的克隆操作重新进行迭代优化，重复进行Nmax次。
步骤5.输出医学影像分割结果。
将经过Nmax次迭代最后得到的精英子种群的亲合度最高值fitb1与普通子种群的亲合度最高值fitb2再进行比较，用比较后的较大值所对应的抗体代表最终的聚类中心，并根据该聚类中心将医学图像的每个像素点划分到不同的类别中，得到最终的分割结果。
本发明的效果可以通过如下仿真实验图进一步说明：
图5(a)是一幅正常人脑纵切面核磁共振成像。
图5(b)是对图5(a)应用本发明的方法进行分割的结果。
图5(c)是一幅正常眼球血管影像。
图5(d)是对图5(c)应用本发明的方法进行分割的结果。
图6(a)是一幅病变的结肠腺癌肝转移的CT影像。
图6(b)是对图6(a)应用本发明的方法进行分割的结果。
图5(a)中脑白质、脑灰质以及迂绕的沟回的轮廓在图5(b)中被精细地划分开来。特别是图中间的胼胝体以及右下角的小脑部位的细微结构得到了准确定位。
图5(c)的人眼血管分布紧密且精细，分叉参差不齐且和背景差异不大，从图5(d)的分割结果可以看出，本发明的方法在局部细节处理方面有着很好的表现。
图6(a)是一幅结肠腺癌肝转移的CT影像，可以清楚看到腹部横断面CT扫描图像显示了多个肿块，致使肝脏体积明显增大，从人体右侧几乎延伸到左侧边缘。图的中间是人体的脊柱和主动脉，从右下角可以看见正常大小的脾脏。从图6(b)中可以看出，应用本发明的分割方法，肝脏部位高密度区域的病变部位被准确检测出来，并且，跟周围器官组织有着很好的对比度。

标题	发布/更新时间	阅读量
一种基于量子力学描述的体系仿真方法	2020-05-13	751
一种基于量子力学的木材熏蒸染色方法	2020-05-13	935
一种基于量子力学和社交网络的股票价格趋势预测方法	2020-05-15	848
一种基于量子力学和社交网络的股票价格趋势预测方法	2020-05-16	495
非线性光学材料电子束辐照下非线性系数的计算方法	2020-05-24	180
胺类沥青添加剂的制造方法	2020-05-22	796
用于有机分子晶体结构预测中高精度能量排位方法	2020-05-26	84
非线性光学材料电子束辐照下非线性系数的计算方法	2020-05-27	298
量子力学计算的实现方法和装置	2020-05-12	362
基于分子间相互作用的粗粒化方法	2020-05-25	483

基于多精英免疫量子聚类的医学影像分割系统及分割方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：