基于改进蝙蝠算法的甲状腺SPECT-B超图像配准

基于改进蝙蝠算法的甲状腺SPECT-B超图像配准

郑伟1,2，李凯玄1,2，张晶1,2，于天燕3

(1.河北大学 电子信息工程学院，河北 保定071002；2.河北省数字医疗工程重点实验室，河北 保定071002；

3.中国人民解放军66165部队二级，河北 保定071000)

摘要：为了提高甲状腺肿瘤检出的准确率，提出基于改进蝙蝠算法的甲状腺SPECT(single-photo emission computed tomogropby)-B超图像配准方法．针对甲状腺SPECT图像与B超图像灰度差异大，采用2类图像共有的甲状腺及肿瘤轮廓特征进行配准．采用阈值分割法提取SPECT图像中甲状腺及肿瘤轮廓；采用Shearlet变换与基于活动轮廓模型图割算法相结合的方法提取B超图像中甲状腺及肿瘤轮廓；以归一化互信息为相似性测度，以改进的蝙蝠算法为优化算法，优化配准所需的空间变换参数．实验结果表明，提取的B超图像中甲状腺及肿瘤轮廓更准确，改进的蝙蝠算法使配准具有更高的准确性和较好的鲁棒性．

关键词：甲状腺肿瘤；SPECT图像；B超图像；Shearlet变换；基于活动轮廓模型的图割算法；蝙蝠算法

DOI：10.3969/j.issn.1000-1565.2015.05.013

中图分类号：TN911文献标志码：A

收稿日期：2014-12-27

基金项目：河北大学医工交叉研究中心开放基金资助项目(BM201103)

Registration of SPECT image and B-type ultrasound

image based on improved bat algorithm

ZHENG Wei1,2, LI Kaixuan1,2, ZHANG Jing1,2,YU Tianyan3

(1.College of Electronic and Information Engineering, Hebei University, Baoding 071002， China;

2.Key Laboratory of Digital Medical Engineering in Hebei Province, Baoding 071000， China;

3.66165 Force of Chinese People’s Liberation Army, Baoding 071002, China)

Abstract:In order to improve the accuracy in thyroid tumor detection, a novel registration method of SPECT image and B-type ultrasound image based on improved bat algorithm was put forward. In view of large difference in gray level of SPECT image and B-type ultrasound image, we registered two kinds of image using common the contour characteristic of thyroid and tumor. Threshold segmentation was used to extract the contour of thyroid and tumor of SPECT image. Segmentation combined Shearlet transform and GCBAC was used to extract the contour of thyroid and tumor of B-type ultrasound image. The normalized mutual information was used for similarity measure and an improved bat algorithm was used to optimize

第一作者：郑伟(1972-)，女，黑龙江兰西人，河北大学教授，博士，主要从事图像处理、图像安全通信方向研究．

E-mail: 147685650@qq.com

the space registration transform parameters. The experimental result showed that our method extracting the contour of thyroid and tumor of B-type ultrasound image was more accurate and improved bat algorithm could improve the accuracy and robustness of registration.

Key words: thyroid tumor; SPECT image; B-type ultrasound image; shearlet transform; GCBAC(graph cuts based active contours,GCBAC); bat algorithm

甲状腺癌是发病率增长速度最快的恶性肿瘤之一[1].在甲状腺肿瘤的临床诊断和治疗中经常使用的医学影像主要有:提供精确解剖信息的CT(computed tomography)图像、超声(ultrasound examination)图像和反映人体功能代谢信息的PET(positron emission computed tomography)图像、SPECT(single-photon emission computed tomography)图像．高分辨率B超检查对甲状腺结节的确诊率可高达76%[1]，与CT相比，B超无放射性损伤、无痛苦，而SPECT图像比PET图像费用低，所以将甲状腺SPECT图像与B超图像融合,可以同时提供功能和解剖信息，具有临床应用价值．

图像融合的前提是图像配准，医学图像配准是指通过空间变换实现2幅医学图像的空间对准，寻找最优的空间变换参数使具有诊断意义的点及手术感兴趣的点达到匹配．医学图像的配准方法有基于灰度的配准和基于特征的配准．基于灰度的配准方法不需要分割，但是计算量大；基于特征的配准方法容易受分割步骤的影响．文献[2]提出一种基于改进符号压力函数的区域活动轮廓模型，但是其分割结果对初始轮廓位置比较敏感．文献[3]指出蝙蝠算法在组合优化、参数估计、分类、聚类和数据挖掘等方面被应用，并取得较好的应用效果，文献[4-7]表明蝙蝠算法比和声算法、遗传算法、粒子群算法有潜力发挥更大的作用．

1甲状腺及肿瘤轮廓的提取

图1a为SPECT图像，图1b是SPECT标记图像，标记处(十字标记)为甲状腺肿瘤．由图1a可以看出SPECT图像中甲状腺及肿瘤没有一个清楚的边界，为了提取SPECT图像中甲状腺及肿瘤轮廓，以肿瘤上标记点为界限，采用阈值法分割所需的甲状腺及肿瘤轮廓，当阈值为39时得到图1c所示的分割标记图，然后利用此阈值分割出SPECT图像中甲状腺及肿瘤的轮廓，如图1d所示．

a. SPECT图像；b. SPECT标记图；c. 阈值分割标记图；d. 阈值分割图.

B超图像亮度分布不均匀，灰度对比度低，不能清楚显示甲状腺及肿瘤的轮廓，为了较准确地提取甲状腺及肿瘤的轮廓，本文提出Shearlet变换[8]与基于活动轮廓模型的图割算法[9]相结合的方法.首先将B超图像进行Shearlet多尺度多方向分解，将分解后的高频子带叠加得到高频叠加图，然后在高频叠加图上利用GCBAC(Guaph cuts based active contours,基于活动轮廓模型的图割算法)．

Shearlet变换是多尺度分解，不同分解级数下的高频叠加图不同．图2是对B超图像分别进行1级、2级、3级、4级分解所对应的高频叠加图，从图中可以看出图2d可以较清楚地显示甲状腺及肿瘤的轮廓，因此在图2d上利用GCBAC方法提取轮廓，结果如图2f所示．

由图1a,2a知SPECT图像和B超图像的灰度差异大，基于灰度的配准会造成误配准．由于SPECT图像与B超图像具有共同的甲状腺及肿瘤轮廓，因此本文以这2类图像的甲状腺及肿瘤轮廓(图1d,图2f)为特征进行配准．由于轮廓图包含的信息较少，对其进行配准会出现误配准的情况，所以将SPECT图像与B超图像的轮廓图填充为二值图像分别作为参考图像和待配准图像．以归一化互信息(normalized mutual information, NMI)为相似性测度，当参考图像和待配准图像达到最佳配准时，它们之间的归一化互信息达到最大值，因此本文配准的实质是寻找使NMI达到最大值的空间变换

(1)

归一化互信息的公式为

(2)

其中A为参考图像，B为待配准图像，H(A)为参考图像的熵，H(B)为待配准图像的熵，H(A,B)为图像A和B的联合熵．

a.B超原图；b.1级叠加图；c.2级叠加图；d.3级叠加图；e.4级叠加图；f.分割轮廓图.

2改进蝙蝠算法寻找最优空间变换参数

由于本文配准的实质是寻找使NMI达到最大值的空间变换参数，为了较精确地找到此空间变换参数，提出改进的蝙蝠算法对空间变换参数进行寻优，使寻优结果更好．

2.1　改进的蝙蝠算法

蝙蝠算法(bat algorithm, BA)是2010年由剑桥大学的Yang Xinshe[4]通过对蝙蝠在觅食时所发出脉冲的频率、响度、发射速率进行调节使蝙蝠种群向当前最优个体学习更新速度进而更新位置而模拟设计出的种群智能算法[10]．根据蝙蝠算法的基本思想与本文配准的实质，对蝙蝠算法做了以下调整，使蝙蝠算法适用于本文的配准并达到较好的配准效果．

1)甲状腺SPECT-B超图像配准是寻找使适应度函数(NMI)达到最大值所对应的解，蝙蝠算法是寻找适应度最小值所对应的解，所以将蝙蝠算法中是否接受新解的条件randF(x*)，此条件中rand∈[0,1]间的随机数，Ai是蝙蝠的响度，F(xi)是蝙蝠的适应度函数(NMI)，x*是当前全局最优解．

2)为了使每次迭代过程中的解向最优解趋近，当满足条件randF(x*)时，接受新解，当不满足条件时，接受公式(3)的解．

xnew=xold+R,

(3)

式中xold是当前最优解，xnew是在最优解附近产生的局部解，R∈[0,1]间的随机数．

2.2　参数的选取

表1　不同最大脉冲频率下的归一化互信息值

由表1可知，最大脉冲频率除了取0.5外，都达到了配准的最优值．由于蝙蝠发出的脉冲频率与波长的乘积是一个常数，频率越大对应的波长越短，搜索范围越小，同时最大脉冲频率控制蝙蝠的速度，频率越大，速度越快，为了同时兼顾搜索范围和速度，取fmax=1.

表2　不同初始响度范围下的归一化互信息值

从表2中可以看出初始响度取值范围只有在[5,7]时配准结果达到最优，所以初始响度取值为[5,7]．

对最大迭代次数的选取进行实验，最大归一化互信息值在迭代次数大于10后就保持不变，但是随着迭代次数的增加，时间在增加，综合考虑最大迭代次数选为20．

表3　蝙蝠种群个数的选择

从表3知当蝙蝠个数N=14时，归一化互信息值达到最大值，但是N越大，归一化互信息值保持不变，所用时间越长，最终种群数选为18．

3实验结果及分析

实验环境为Matlab 7.1，实验采用的所有数据来源于河北大学附属医院，SPECT图像采自GE Infina Hawkeye 4 SPECT-CT单光子发射断层仪，B超图像采自Voluson E8 三维彩色超声诊断仪，这2幅图像均按每4 mm断层，同一时期取至同一病人甲状腺的同一层面．实验中，参考图像和待配准图像大小都是208 pixels×208 pixels．

为了验证本文提出的Shearlet+GCBAC分割方法与改进蝙蝠算法的优越性，进行了2组对比实验：一组是本文分割方法与GCBAC对比；另一组是改进的蝙蝠算法与其他优化算法对比．

1)本文提出的Shearlet+GCBAC分割方法与GCBAC方法的对比，结果如图3所示．从图中可见本文方法提取B超图像中甲状腺及肿瘤轮廓与SPECT图像中甲状腺及肿瘤轮廓基本达到一致．

a.GCBAC配准叠加图；b.GCBAC融合图；c.本文方法配准叠加图；d.本文方法配准融合图.

对2种方法在配准精度上做了比较，如表4所示，本文方法配准后的归一化互信息值比GCBAC方法配准后的归一化互信息值提高了0.035 1 bit/sign，所以本文轮廓提取方法更准确．

2)对遗传算法(genetic algorithm , GA)、粒子群算法(particle swarm optimization , PSO)、混合蛙跳算法[11](shuffled frog leaping algorithm , SFLA)和改进的蝙蝠算法进行比较，如图4所示．上面一行分别是配准后轮廓叠加图，下面1行分别是其对应的融合图，从图中可以看出GA算法和PSO算法没有达到配准，SFLA算法和改进的BA算法使轮廓基本上对齐，达到了较好的配准．

表4　GCBAC与本文分割方法的对比

GAPSOSFLABA

图4各种优化算法的配准结果

Fig.4Registration result images of different optimization algorithms

对各种优化算法在配准精度和配准时间上进行比较，如表5所示.改进的BA算法配准后的NMI值比GA算法提高0.033 0 bit/sign，比PSO算法提高0.044 4 bit/sign，改进的BA算法与SFLA算法的NMI值都达到了最大值，但是配准时间比SFLA算法减少了204.497 888 s．综合来说，改进的BA算法克服了GA、PSO配准精度低、SFLA配准时间长的缺点，将SPECT图像和B超图像的甲状腺及肿瘤准确地对齐，具有良好的配准效果．

表5　各种优化算法的对比数据

为了验证本文方法配准效果的稳定性，进行了10次实验，如表6所示，在这10次实验中，最大归一化互信息基本达到最优值，表明本文方法具有较好的稳定性．

表6　验证本文方法稳定性的实验数据

4结论

本文以甲状腺SPECT图像和B超图像中甲状腺及肿瘤轮廓的二值图像分别作为参考图像和待配准图像，归一化互信息为相似性测度，以改进的蝙蝠算法为优化算法进行配准．实验表明，本文提出的Shearlet变换与GCBAC相结合的方法提取B超图像中甲状腺及肿瘤轮廓比GCBAC方法更准确，与GA，PSO和SFLA算法相比，改进的蝙蝠算法具有更高的配准精度和较好的稳定性，可以更好地辅助甲状腺肿瘤的诊断和治疗．

参考文献:

[1]高明.甲状腺结节和分化型甲状腺癌诊断指南[J].中国肿瘤临床, 2012,39(17):1249-1251.

[2]苏日娜，吴纪桃. 改进符号压力函数的区域活动轮廓模型[J].中国图象图形学报，2011,16(12): 2169-2174.

SU Rina, WU Jitao. Region-based active contour model improving the signed pressure force function[J]. Journal of Image and Graphics, 2011,16(12): 2169-2174.

[3]YANG Xinshe. Bat algorithm:literature review and applications[J].Bio-Inspired Computation,2013,5(3): 141-149.

[4]YANG Xinshe. A new metaheuristic bat-inspired algorithm[M]. GONZLEZ J R，PELTA D A，CRUZ C，et al． Nature Inspired Cooperative Strategies for Optimization． Berlin: Springer-Verlag，2010.

[5]YANG Xinshe. Bat algorithm for multi-objective optimization[J]. Bio-Inspired Computation, 2011,3(5):267-274.

[6]GANDOMI A H,YANG Xinshe,ALAVI A H, et al. Bat algorithm for constrained optimization tasks [J].Neural Computing and Applications,2013,22(6):1239-1255.

[7]YANG Xinshe, GANDOMI A H. Bat algorithm: a novel approach for global engineering optimization[J]. Engineering Computation,2012,29(5):267-289.

[8]EASLEY G R, LABATE D, LIM W Q. Sparse directional image representations using the discrete shearlet transform[J]. Applied and Computational Harmonic Analysis,2008,25(1):25-46.

[9]XU Ning,AHUJAB N,BANSALC R.Object segmentation using graph cuts based active contours[J]. Computer Vision and Image Understanding,2007,107(3):210-224.

[10]谢建，周永权，陈欢.一种基于Lévy飞行轨迹的蝙蝠算法[J].模式识别与人工智能,2013,26(9):829-837.

XIE Jian，ZHOU Yongquan，CHEN Huan. A bat algorithm based on Lévy flights trajectory [J]. PR&AI，2013，26(9): 829-837.

[11]郑伟，孟繁婧，田华，等.基于混合蛙跳算法的SPECT-B超甲状腺图像配准[J].河北大学学报：自然科学版，2013,33(3): 305-311.

ZHENG Wei，MENG Fanjing，TIAN Hua，et al. Registration of SPECT image and B-type ultrasound image based on shuffled frog leaping algorithm [J]. Journal of Hebei University: Natural Science Edition，2013，33(3)：305-311.

(责任编辑：王兰英)