基于群体智能的医学图像特征优化算法研究

【摘要】：随着数字化信息的发展,图像处理技术已逐渐被应用到计算机辅助诊断技术(Computer-aided Diagnosis, CAD)上来。所谓计算机辅助诊断就是指利用计算机将影像数字化,应用数字图像处理技术对图片进行一系列的处理,从而为医生提供容易辨别的病体,将医生从烦琐、机械的分类问题中解救出来,减少误诊,达到提高诊断正确率的目的。在CAD技术的机器学习优化过程中,包括医学图像的良恶性诊断等,对医学图像一系列图像特征的处理是其中的关键,而特征选择问题作为一个典型的全局寻优问题,是最重要环节之一。 本论文引入群体智能计算的方法,对特征选择展开研究。选择了LevyFS和PSO两种方法,并根据各自的特点设计了一组适合特征选择的方法。 基于Levy flight的LevyFS算法在寻优过程中定义了基于启发式的分阶段嫂索策略,同时在局部搜索行为中引入Levy flight随机过程,将Levy flight距离与搜索行为进行映射。在不同的搜索阶段,利用不同的映射区间改变搜索行为出现的概率,并以此映射来控制局部搜索行为的方向和速度,从而避免了陷入局部最优的问题。实验结果表明,LevyFS算法克服了启发式特征选择方法的局限性,平均耗时仅为SFFS算法的1/3左右。 基于粒子群的BPSO算法借鉴了粒子群算法对全局最优和个人最优的速度结合方式,提出了利用概率调整来控制粒子运动,从而在特征组合子集寻优过程中引入群体智能中的社会共享和认知能力。 最后,本论文尝试将两种方法应用于乳腺肿块X线和脑瘤磁共振图像两组医学图像数据的特征选择工作,取得了较好的结果。