基于遺傳算法的多模態(tài)病變圖像關聯(lián)挖掘仿真

岳根霞

(山西醫(yī)科大學汾陽學院，山西 汾陽 032200)

1 引言

通過單一成像設備對病變信息進行獲取往往無法為醫(yī)生提供充足的病理信息，此時需要用多種成像設備對病人的同一病變部位進行多次成像，并對通過多種成像設備得到的圖像進行融合以及比較分析，才能獲取更加全面的病變部位相關信息，從而幫助醫(yī)生對疾病進行更加準確的判斷并提出更具針對性的治療方案。而圖像采集技術在醫(yī)學界的應用與普及，使醫(yī)學治療領域與臨床診斷領域出現(xiàn)了多種醫(yī)學成像設備，為醫(yī)生對疾病的診斷提供了不同特性的多種醫(yī)學圖像，這些圖像通常來源于各種成像設備，因此具備多模態(tài)的特征，能夠為醫(yī)生對疾病的診斷提供決定性的關鍵信息，這些圖像被統(tǒng)一稱為多模態(tài)病變圖像[1]。

當前多模態(tài)病變圖像的獲取方式有基于剛體模型的多模態(tài)病變圖像、基于圖像灰度的多模態(tài)病變圖像、基于圖像特征點的多模態(tài)病變圖像[2]。其中基于剛體模型的多模態(tài)病變圖像主要是結合最近鄰點迭代法、斜面匹配法與頭帽法對病變圖像進行獲取，并利用初步獲取的病變圖像建立頭表面模型，利用搜索算法對頭表面模型的空間變換參數(shù)進行獲取，從而得到病變圖像的多模態(tài)特征;基于圖像灰度的多模態(tài)病變圖像主要是結合多項式函數(shù)、基函數(shù)等變換函數(shù)對圖像進行空間變換，并通過空間變換對其它圖像中的同一部位或器官進行擬合，從而實現(xiàn)病變圖像多模態(tài)特征的獲取;基于圖像特征點的多模態(tài)病變圖像主要是通過圖像的外部特征點與內(nèi)部特征點對多幅圖像的重要拐角、曲面、曲線等對應特征進行匹配，并通過對應特征的匹配度對圖像的幾何變換方式進行決定，從而獲取病變圖像的多模態(tài)特征[3]。這幾種傳統(tǒng)多模態(tài)病變圖像的獲取方法都有一個共同的問題，即圖像挖掘誤差較大，因此提出一種基于遺傳算法的多模態(tài)病變圖像，通過實驗驗證了該多模態(tài)病變圖像的圖像挖掘誤差小于傳統(tǒng)多模態(tài)病變圖像的獲取方法。

2 基于遺傳算法的多模態(tài)病變圖像合成

2.1 病變圖像互信息歸一化

首先獲取病變圖像Shannon 信息熵中條件熵與聯(lián)合熵的關系，接著根據(jù)病變圖像Shannon 信息熵關系對病變圖像的互信息進行歸一化處理[4]。根據(jù)Shannon 信息熵的定義，對病變圖像中隨機特征變量的熵進行定義，如式(1)所示，其中隨機特征變量中包含的事件集合為{x1，x2，…，xn}。

(1)

其中，H(X)代表隨機特征變量的熵；X代表隨機特征變量；p(xi)代表事件xi發(fā)生的概率[5]。假設病變圖像中兩個隨機特征變量分別為Y與Z，并且Y與Z的取值范圍分別是{y1，y2，…，yn}與{z1，z2，…，zn}，則Y與Z的概率條件分布密度分別為{p(yi|zj)|i=1，2，…，n，j=1，2，…，n}與{p(zj|yi)|j=1，2，…，n，i=1，2，…，n}，這兩個隨機特征變量的序偶隨機量可以用(Y，Z)來表示，取值范圍是{(yi|zj)|i=1，2，…，n，j=1，2，…，n}，這兩個隨機特征變量序偶隨機量的概率聯(lián)合分布密度是{p(yi，zj)|i=1，2，…，n，j=1，2，…，n}，則這兩個隨機特征變量的聯(lián)合熵可以用式(2)來表示

(2)

其中，H(Y，Z)指的是兩個隨機特征變量的聯(lián)合熵，代表的是序偶隨機量(Y，Z)的不確定性或隨機性。

接著對兩個隨機特征變量Y與Z的條件熵進行定義，如式(3)和式(4)

(3)

(4)

其中，H(Y|Z)與H(Z|Y)分別代表兩個隨機特征變量Y與Z的條件熵，通過條件熵可以在確定一個已知隨機特征變量時，對另一個隨機特征變量的不確定性進行度量。經(jīng)過計算得到兩個隨機特征變量條件熵與聯(lián)合熵的關系

H(Y，Z)=H(Y)+H(Z|Y)=H(Z)+H(Y|Z)

(5)

當兩個隨機特征變量Y與Z處于獨立狀態(tài)時，則它們的條件熵與聯(lián)合熵的關系如下

H(Y，Z)=H(Y)+H(Y)

(6)

H(Z|Y)=H(Z)

(7)

H(Y|Z)=H(Y)

(8)

根據(jù)隨機特征變量中條件熵與聯(lián)合熵的關系對病變圖像的互信息進行歸一化處理，利用H(Y)與H(Z)表示兩個隨機特征變量Y與Z的熵，則其互信息的定義如下

(9)

利用熵的形式對互信息進行描述

I(Y，Z)=H(Y)+H(Z)-H(Y，Z)

(10)

進一步用條件熵與聯(lián)合熵對互信息進行描述

I(Y，Z)=I(Y，Z)-H(Y|Z)=H(Z)-H(Z|Y)

(11)

由于隨機特征變量具備以上性質，因此必須對其進行歸一化處理，處理方式如下

(12)

2.2 最優(yōu)模態(tài)搜索

在完成病變圖像互信息的歸一化處理后，基于遺傳算法對病變圖像互信息的最優(yōu)解即病變圖像的最優(yōu)模態(tài)進行搜索[6]。首先確定病變圖像互信息的編碼方式：對圖像x軸方向的平移距離tx、y軸方向的平移距離ty、旋轉角α這3個參數(shù)進行實數(shù)編碼，對剩余參數(shù)采取二進制編碼方式，編碼中的各個數(shù)字都代表病變圖像的一個模態(tài)[7]。

接著對適應度函數(shù)進行確定，首先獲取每個病變圖像模態(tài)的適應值：對實際待優(yōu)化模態(tài)的目標函數(shù)進行轉換以獲取模態(tài)適應值。利用病變圖像互信息對適應度函數(shù)進行描述：在T這一變換下，最優(yōu)模態(tài)搜索函數(shù)為：

(13)

并通過模態(tài)適應值對遺傳算法的參數(shù)進行確定：包括算法最大執(zhí)行代數(shù)N、種群數(shù)目P，準確選擇算法參數(shù)可以提高最優(yōu)模態(tài)搜索效率，并減少程序運行時間，通常最大執(zhí)行代數(shù)N與算法收斂速度直接相關，而種群數(shù)目P在10到160之間取值[8]。利用實驗法對最大執(zhí)行代數(shù)N、種群數(shù)目P的取值進行確定：測試不同的取值組合，所獲得的參數(shù)列表如表1所示。

表1 不同取值組合下的參數(shù)列表

根據(jù)表2的實驗結果并考慮遺傳算法自身的穩(wěn)定性，P與N的取值分別為41，40。最后需要對遺傳算法的運行停止條件進行確定，即當遺傳算法到達最大執(zhí)行代數(shù)后停止搜索，則算法達到最大執(zhí)行代數(shù)后，病變圖像的最優(yōu)模態(tài)就是種群中的最優(yōu)個體[9]。完成遺傳算法的準備工作后，對算法進行執(zhí)行，其具體執(zhí)行步驟如圖1所示。

圖1 算法具體執(zhí)行步驟

2.3 實現(xiàn)多模態(tài)病變圖像的合成

完成最優(yōu)模態(tài)搜索后，建立最優(yōu)模態(tài)獲取模型以獲取多種成像設備病變圖像的最優(yōu)模態(tài)，從而進行多模態(tài)病變圖像的合成，實現(xiàn)多模態(tài)病變圖像的獲取。最優(yōu)模態(tài)獲取模型主要以SegNet和DeconvNet 為基礎，通過病變圖像模態(tài)數(shù)據(jù)，以特定多路網(wǎng)絡分割復合訓練的方式，在最優(yōu)模態(tài)搜索訓練中引入反卷積網(wǎng)絡模型，通過最優(yōu)模態(tài)搜索訓練實現(xiàn)對多種成像設備所獲取病變圖像的最優(yōu)模態(tài)獲取。最優(yōu)模態(tài)獲取模型的結構如圖2所示。

圖2 最優(yōu)模態(tài)獲取模型結構

如圖2所示，最優(yōu)模態(tài)搜索訓練中包括兩個訓練部分：卷積訓練部分與反卷積訓練部分，其中卷積訓練部分是對模態(tài)進行編碼，反卷積訓練部分是對最優(yōu)模態(tài)進行解碼，編碼與解碼均通過反卷積網(wǎng)絡模型來進行。在最優(yōu)模態(tài)搜索訓練中，可以將卷積網(wǎng)絡視為一種特征提取器，其主要作用是在成像設備病變圖像中對模態(tài)的特征描述進行提取，而反卷積網(wǎng)絡可以視為一種形狀生成器，其主要作用是通過模態(tài)的特征描述對最優(yōu)模態(tài)進行提取，最后利用 softmax 網(wǎng)絡進行最優(yōu)模態(tài)提取結果的生成。卷積網(wǎng)絡中包含的卷積層數(shù)量共13個，通過池化層與激活層能夠連接這些卷積層，除此之外，卷積網(wǎng)絡還包括兩個全連接層，這兩個全連接層能夠對特定類映射起到加強作用，卷積網(wǎng)絡主要通過池化操作實現(xiàn)模態(tài)特征描述的提取。而反卷積網(wǎng)絡是一種卷積網(wǎng)絡的鏡像結構，通過反池化操作來實現(xiàn)最優(yōu)模態(tài)的提取。

獲取多種成像設備病變圖像的最優(yōu)模態(tài)后，對多模態(tài)病變圖像進行合成：對多種成像設備病變圖像中的多個最優(yōu)模態(tài)進行整合，引入深度神經(jīng)網(wǎng)絡對模態(tài)整合結果進行訓練，從而獲得最優(yōu)模態(tài)整合結果，實現(xiàn)多模態(tài)病變圖像的合成。綜上所述，通過病變圖像互信息歸一化、最優(yōu)模態(tài)搜索建立最優(yōu)模態(tài)獲取模型從而實現(xiàn)了基于遺傳算法的多模態(tài)病變圖像合成。

3 仿真研究

為了檢測本文提出的基于遺傳算法的多模態(tài)病變圖像，基于Matlab Web平臺進行仿真。

3.1 實驗過程

以Matlab Web為實驗平臺編寫vc模型仿真程序對最優(yōu)模態(tài)獲取模型進行仿真，通過MIDMES 系統(tǒng)，系統(tǒng)主界面由萊單、工具欄、狀態(tài)欄和多窗口容器組成。由系統(tǒng)的萊單欄進入系統(tǒng)的各個功能模塊：圖像瀏覽與格式轉換、聚類分析、關聯(lián)規(guī)則挖掘等。當進行圖像檢索時狀態(tài)欄顯示數(shù)據(jù)庫中圖像數(shù)，以及檢索到的相似圖像數(shù)。完成最優(yōu)模態(tài)獲取模型的仿真后，通過最優(yōu)模態(tài)獲取模型獲取多模態(tài)病變圖像。

圖3 實驗數(shù)據(jù)來源界面

為了保證實驗的有效性，使用基于剛體模型的多模態(tài)病變圖像、基于圖像灰度的多模態(tài)病變圖像、基于圖像特征點的多模態(tài)病變圖像與本文提出的基于遺傳算法的多模態(tài)病變圖像進行對比，觀察仿真的結果，比較多模態(tài)病變圖像挖掘誤差的大小。其中多模態(tài)病變圖像挖掘誤差的定義如下

(14)

為了減少多模態(tài)病變圖像的圖像挖掘誤差，實驗中的病變圖像都進行了同樣程度的灰度調整。每種多模態(tài)病變圖像各自進行三次實驗。本次實驗以病變細胞為病變圖像部位。

通過細胞病變圖像獲取互信息可以得到其性質，如表2所示。

表2 病變圖像互信息性質

3.2 實驗結果

基于剛體模型的多模態(tài)病變圖像、基于圖像灰度的多模態(tài)病變圖像、基于圖像特征點的多模態(tài)病變圖像、基于遺傳算法的多模態(tài)病變圖像的獲取結果如圖4所示。

圖4 不同方法的多模態(tài)病變圖像對比圖

如圖4所示，基于遺傳算法的多模態(tài)病變圖像更清晰，效果更為理想。在此基礎上，對實驗具體數(shù)據(jù)進行對比，實驗獲取的具體數(shù)據(jù)如表3所示。

表3 實驗獲取具體數(shù)據(jù)

通過表3可知，基于剛體模型的多模態(tài)病變圖像的平均圖像挖掘誤差為0.41;基于圖像灰度的多模態(tài)病變圖像的平均圖像挖掘誤差為0.2;基于圖像特征點的多模態(tài)病變圖像的平均圖像挖掘誤差為0.19;基于遺傳算法的多模態(tài)病變圖像的平均圖像挖掘誤差為0.063，通過比較可知，基于遺傳算法的多模態(tài)病變圖像的圖像挖掘誤差最小，證明本文提出的多模態(tài)病變圖像更加精準，將其應用在醫(yī)學領域能夠提升醫(yī)生診斷疾病的效率。

4 結束語

基于遺傳算法的多模態(tài)病變圖像通過病變圖像互信息歸一化、最優(yōu)模態(tài)搜索建立最優(yōu)模態(tài)獲取模型，并通過該模型獲取多種成像設備病變圖像的最優(yōu)模態(tài)，進行多模態(tài)病變圖像的合成，實現(xiàn)多模態(tài)病變圖像的獲取。該多模態(tài)病變圖像的圖像挖掘誤差較小，相較于傳統(tǒng)多模態(tài)病變圖像來說更加精準，對醫(yī)療界的意義重大，有助于醫(yī)生對病變部位的疾病診斷，是醫(yī)學影像技術的一種發(fā)展，能夠獲取全面、有效、互補的病變部位醫(yī)療信息，在提升治療效果與追蹤病理變化方面有著卓越的效果。