基于IAFSA优化权值的医学图像检索

石晓艳，刘淮霞，于水娟

（安徽理工大学 电气与信息工程学院 自动化系，安徽 淮南232001）

0 引 言

近年来，国内外相关研究机构对医学图像检索问题进行了大量研究，取得了不错进展［1，2］。传统医学图像检索采用人工方式进行标注，然后根据关键字对图像进行检索，该检索方式耗时长，工作量大，不能满足现代大规模医学图像检索要求，同时人工方式的检索结果主观性较强，检索准确率不高［3］。基于内容的医学图像检索 （CBMIR）具有速度快、精度高等优点，成为当前医学图像检索的主流方向［4］。CBMIR 的医学图像检索通过衡量2幅医学图像之间的相似度，得到相应的检索结果［5］。然而CBMIR 的医学图像检索系统的初步检索结果往往难以获得令人满意效果［6］。为了解决该难题，近年来，一些学者将文本检索中的相关反馈 （relevance feedback，RF）技术引入到医学图像检索中，由于加入了用户反馈信息，获得了更优的医学检索结果［7］。对于一幅图像，单一特征只能描述图像内容的部分信息，因此，通常提取多种图像特征进行图像检索［8］。在多特征的相关反馈检索过程中，为了反映不同用户的不同需求，需要对各特征的权值进行动态调整，保证图像检索逐步向用户感兴趣的方向发展，有学者提出采用遗传算法、粒子群算法自动调整特征权重的方法，研究结果表明，医学图像的准确率和速度均得以提高，但是遗传算法、粒子群算法均存在各自难以克服的不足［9］。

人工鱼群算法 （artificial fish swarm algorithm，AFSA）是一种模拟鱼群觅食的群智能算法，具有鲁棒性强、对参数选择不敏感等优点，在组合优化领域取得了不错的应用效果［10］。为了提高图像检索精度和效率，针对图像特征权值调整问题，提出一种改进人工鱼群算法优化特征权值的医学图像相关反馈检索方法，采用通过仿真实验检验了本文方法的有效性。

1 改进人工鱼群算法

1.1 基本人工鱼算法 （AFSA）

X＝ （x1，x2，…，xn）表示人工鱼状态向量；Y＝f

1.1.1 觅食行为

设人工鱼i当前状态为Xi，在其感知范围内随机选择一个状态Xj

式中：Rand （）是一个 ［0 1］间的随机数。

若Yi＞Yj，则根据式 （2）向该方向前进一步，不然重新选择Xj；尝试Try＿number次后，若还是不能满足前进条件，则根据式 （3）随机移动一步

1.1.2 聚群行为

设视野范围伙伴数目为nf及中心位置Xc，若 （Yc／nf）＞δYi，则根据式 （4）朝Xc方向前进一步，不然执行觅食行为

1.1.3 追尾行为

设当前邻域内伙伴中Yj为最大的伙伴Xj，若 （Yc／nf）＞δYi，则根据式 （5）朝Xj方向前进一步，否则，执行觅食行为

1.1.4 随机行为

随机行为是觅食行为的一个缺省行为，即Xi的下一个位置Xi｜next为

1.2 人工鱼群算法的改进

AFSA 的觅食视野范围是固定的，而视野大小对各种人工鱼行为有着直接影响，当视野范围较小时，觅食、随机行为较突出；反之，追尾和聚群行为变得较突出，而在较大区域内进行觅食和随机行为，不利于全局极值附近人工鱼发现邻近范围内的全局极值点，总体来看，视野越大，越容易使人工鱼发现全局极值并收敛，故对人工鱼的视野进行适当的改变，可以提高人工鱼群算法优化性能。针对此问题，本文对AFSA 进行改进，提出AFSA。IAFSA 的具体改进思想为：在AFSA 前期选择较大视野，进行粗搜索，以提高算法全局搜索能力，并且加快收敛速度；在AFSA 算法后期逐步减小视频，在最优解附近进行精细搜索，因此，采用视野线性递减函数，定义视野的变化函数为

式中：t——当前进化代数；Vmax，Vmin——视野的上下限；MAXGEN 为最大进化代数。

改进人工鱼群算法 （IAFSA）的工作流程如图1所示。

2 医学图像特征和相似性度量模型

2.1 提取医学图像特征

单种特征的医学图像检索方法只能从一个角度描述图像信息，较片面且信息量太少，不足以全面反映图像内容信息，检索效果不理想，为此，提取医学图像的颜色、纹理和形状多个特征。

2.1.1 提取颜色特征

（1）首先将一幅医学图像划分为多个子块，然后计算每一个子块RGB颜色分量的均值，以R 颜色分量为例，其定义为

式 中：μR ——子 块 内 的 像 素 灰 度 均 值；的像素值。

（2）提取每一个子块的μRH 和μRL 值，并对它们进行归化

其中

（3）最后的信息熵作为图像的颜色特征

（4）采用上述相同步骤，计算G 和B 分量的EGH 和EGL、EBH 和EBL，那么颜色特征向量为：E＝ （ERH，ERL，EGH，EGL，EBH，EBL）［12］。

2.1.2 提取纹理特征

纹理特征常采用灰度级统计特性进行描述，由于小波变换提取一幅医学图像的灰度级统计特性，因此，首先对于一幅医学图像进行小波变换，得到高频和低频部分，其中高频子带可以描述医学图像的细节特征，低频子带描述图像的整体特征，然后对低频部分进行再次分解。采用4级小波分解，得到13个子带，并求每个子带的其均值和方差，共得到26维小波向量作为纹理特征。

2.1.3 提取形状特征

Zernike矩不需要对图像边缘进行计算，便可较好描述图像形状，对一幅医学图像f（x，y），Zernike矩计算公式为

式中：n——阶数，m——重复率，Rnm（r）——Zernike多项式在极坐标下的定义

其中

对于每幅医学图像，计算10阶Zernike矩，共得到36维向量。

2.2 医学图像相似性度量模型

在计算医学图像相似度之前，需要对特征进行量化，定义一个3元组表示模型

式中：D——一幅医学图像；F＝ ｛fi｝表示一组特征向量；fi＝ ｛rij｝为第i个特征，rij是一个含有多元素的向量：rij＝［rij1，rij2，…，rijk］。

采用相似度模型对2幅图像距离进行量化

其中

式 中：I——待 查 询 的 医 学 图 像；Q——待 检 索 图 像；wrij——特征的权重。

在反馈过程中，采用改进人工鱼群算法 （IAFSA）对式 （16）中的wrij值进行调整，使得权值与用户需求更加接，以提高医学图像的检索查询效果。

3 改进人工鱼群算法的医学图像检索

3.1 人工鱼群算法的设计

3.1.1 人工鱼的位置编码

提取医学图像的颜色、纹理和形状特征后，共得到6＋26＋36＝68 个特征，则有68 个特征权重，即W＝ ｛w1，w2，…，w68｝，它们组组合成一条人工鱼位置。3.1.2 食物密度

食物密度是人工鱼位置优劣的评价依据，以查全率（recall）和查准率 （presion）设计食物密度，那么人工鱼c位置的食物密度计算公式为

式中：q——待查询医学图像；R（q，c）——查全率；P（q，c）——查准率；NR（q）——检索得到与q相关的医学图像数目；N（q）——医学图像数据库中与q 相关的总数；NR（q）——检索到的医学图像总数。

3.2 IAFSA的医学图像检索流程

基于IAFSA 的医学图像检索思想为：首先提取医学图像的颜色、纹理、形状特征，然后采用相似度量模型对图像行检索，用户对检索结果进行评价，最后根据用户的反馈信息，采用人工鱼群算法对特征权值进行调整，对检索结果进行修正，具体步骤如下：

步骤1 收集图像数据，并对图像预处理，消除图像中的噪声。

步骤2 分别提取图像的纹理、颜色、形状特征，并转化相应的特征向量，同时对特征进行归化处理。

步骤3 对图像特征赋初始权值。

步骤4 根据式 （13）计算查询图像Q 与查询库中每一幅图像的D（Q，I）值，根据距离进行排序，给出输出前n幅图像。

步骤5 如果检索出的图像能够满足用户要求，则终止算法，否则转步骤6。

步骤6 进入相关反馈过程中，采用AFSA 对特征权值进行调整，找到用户满意的结果，具体步骤如下：

（1）初始化相关参数，并设置反馈计数f＝0。

（2）初始化人工鱼群位置，并根据式 （17）计算食物密度，然后对它们进行排序，选择食物密度值最大的人工鱼个体进入公告板。

（3）人工鱼模拟鱼群的觅食、追尾和聚群行为，得到新的人工鱼位置。

（4）与公告板的食物密度值进行比较，如何优于公告板，那么将该人工鱼位置记入公告牌。

（5）将最优公告牌的位置进行解码，得到特征的最优权值。

（6）采用相似度模型根据最优特征权值对待检索医学图像与图像库的图像进行匹配，得到相应的检索结果，并对检索结果进行评价。

（7）如果得到满足用户最优结果，则结束算法，否则，反馈次数f＝f＋1，并返回步骤4继续执行反馈操作。具体流程如图2所示。

4 仿真实验

4.1 数据来源

在P4 双核3.0 GHZ CPU，4 GB RAM，操作系统Windows XP的环境中，采用C＋＋实现图像检索算法。数据来源于某医院的CT、MIR 图像，具体见表1。

表1 医学图像样本描述

4.2 性能优化评价标准

采用平均查准率（AP）对医学图像检索效果进行评价，对于6个类医学图，分别以每类图像作为待检索图像，计算对所有图像的平均查准率，第i类的第j幅图像的查准率为

图2 医学图像检索流程

式中：relj（k）——图像j为作为查询图像的检索结果，第i类图像的平均查准率为

4.3 结果与分析

4.3.1 不同特征检索结果对比

采用全部原始特征、颜色特征、纹理特征以及形状特征进行对比实验，得到平均查准率如图3所示。从图3可知，相对于单一特征，组合特征的医学图像检索结果更优，这表明单一特征的信息量不够，仅能够医学图像部分信息，无法全面、准确描述图像内容，而且组合特征可以从多个方面对医学图像内容进行描述，并达到了信息互补，从而医学使图像的平均查准率得以提高。

图3 不同特征的医学图像检索正确率

4.3.2 反馈前后的检索结果对比

对于一幅脑MRI图像，采用相似性度模型对其进行初步检索，结果如图4所示，从图4可知，初步检索效果不太好，有2幅不相关医学图像，因此需要进行相关反馈检索，并采用IAFSA 对特征值进行调整，反馈后的检索结果如图5所示。相对于初步检索结果，反馈后的医学图像检索结果更加理想，可以满足用户的实际需求。

图4 初步检索结果

图5 AFSA 的检索结果

4.3.3 与其它方法的性能对比

为了进一步说明ASFA 医学图像检索方法的优越性，采用基本人工鱼群算法优化特征权值方法 （AFSA）和粒子群算法优化特征权值方法 （PSO）进行对比实验，它们反馈后的平均查准率如图6 所示。从图6 可知，相对于AS－FA、PSO 算法，对于所有类别的医学图像，IASFA 的平均查准率均有所提高，这表明，采用IASFA 对图像特征权值进行确定，得到的权值更能够反映特征对检索结果的影响程度，权值更加科学、合理，得到更加满意的医学图像检索效果。

图6 AFSA、IASFA、PSO 的检索性能比较

为了对比PSO、IASFA、AFSA 算法检索效率，统计每类图像的平均反馈次数，得到的结果见表2。从表2 可知，IAFSA 算法的平均反馈次数只要4.5次，要明显低于ASFA、PSO 算 法8.3 和7.6 次。对 比 结 果 表 明，IAFSA对权值进行调整后，医学图像检索效率大幅度提高了，可以建立图像相似度模型较好的满足用户实际偏好，更好的满足医学图像检索的实时、在线要求。

表2 AFSA、GA、PSO 的反馈次对比

5 结束语

如何对这些图像进行有效管理和组织，让其服务于临床诊断成为当前急需要解决的问题，针对医学图像检索过程中相关反馈特征权值确定问题，提出一种改进人鱼群算法优化特征权值的医学图像相关反馈检索方法，首先提取医学图像的颜色、纹理、形状特征，然后采用相似度量模型得到图像初步检索结果，最后根据用户的反馈信息，采用改进人工鱼群算法对特征权值进行调整，。仿真结果表明，IAFSA 可以获得较理想的医学图像检索结果，具有一定的应用价值。

［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）. ［蒋 世忠，易法令，汤浪平，等.基于图割与粗糙集的MRI脑部肿瘤图像检索方法 ［J］.中国组织工程研究与临床康复，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）.［张泉，邰晓英.基于Bayesian的相关反馈在医学图像检索中的应用 ［J］.计算机工程与应用，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）.［沈晔，李敏丹，夏顺仁.基于内容的医学图像检索技术 ［J］.计算机辅助设计与图形图像学报，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，李锦涛，等.图像检索中一种有效的SVM 相关反馈算法 ［J］.计算机辅助设计与图形学学报，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）.［李广丽，张红斌.基于颜色特征相似度判别的肿瘤图像检索研究 ［J］.计算机工程与设计，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）. ［张振花，李波，邓伟文.基于粒子群算法的图像相关反馈研究 ［J］.系统仿真学报，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）［傅启明，刘全，王晓燕，等.遗传反馈的多特征图像检索［J］.中国图象图形学报，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）. ［沈小卫，何明一.一种基于混合优化算法的医学图像配准方法 ［J］.计算机应用研究，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.