基于人工鱼群算法的医学图像检索方法
为了提高医学图像的检索准确率，提出一种基于人工鱼群算法优化特征权值的医学图像检索方法。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。结果表明，相对于其它医学检索算法，本文方法提高了医学图像的检索准确率和检索效率，可以较好找到用户需要的医学图像。
【关键词】医学图像 人工鱼群算法 相关反馈 相似度度量
随着图像处理技术在医学领域的应用日益广泛，获得了大量的医学图像，如CT图像、B超图像和MRI图像等，如何对这些医学图像进行有效管理，从中检索医生需要的信息以提高临床诊断水平，成为当前医学图像研究领域中一处重要课题。
基于内容的医学图像检索（CBMIR）对图像从底层到高层的自动处理和分析，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。CBMIR的医学图像检索包括视觉描述、相似性度量等步骤，视觉描述通过提取图像特征向量描述医学图像信息，相似度度量衡量两幅医学图像之间的相似度，不同的视觉描述和相似性度量方法，产生不同的检索结果。基于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，主要是因为：
（1）图像理解技术的不成熟，出现语义鸿沟。
（2）人类视觉感知的主观性，相同图像不同人的认知不同。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。当前的主要有颜色、纹理、形状等图像特征，由于单特征难以准确、全面描述医学图像内空，因此目前主要基于多特征融合的医学图像检索，基于多特征的相关反馈医学图像检索过程，用户需求不同，特征组合参数相应不同，为了建立更加符合用户检索要求的相似度模型，需要对特征进行调整。
为了提高医学图像的检索准确率，提出一种基于人工鱼群算法（AFSA）优化特征权值的医学图像检索方法。首先提取颜色、纹理和形状持征描述医学图像信息，然后在相关反馈过程引入人工鱼群算法对特征权值进行自适应调整，最后采用仿真实验测试AFSA的有效性。
1 AFSA的医学图像检索流程
（1）用户提交待查询的医学图像，提取其相关特征，并给所有特征赋予初始权值。
（2）采用相似度模型对待查询进行检索，并根据相似度值对检索结果进行排序。
（3）用户对检索结果进行评价，若满意，就转步骤（5），否则执行步骤（4）。
（4）根据用户反馈信息，采用AFSA对医学图像特征权值进行自适应调整，并返回步骤（2）继续检索。
（5）输出医学图像最终检索结果。
基于AFSA的医学图像检索流程如图1所示。
2 提取医学图像特征和相似性度量
2.1 医学图像特征
（1） 提取颜色特征。首先将一幅医学图像划分为多个子块，计算每一个子块RGB颜色分量的均值，然后 提取每一个子块的μRH和μRL值，最后的信息熵作为图像的颜色特征。
（2） 提取纹理特征。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。
（3） 提取形状。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），计算10阶Zernike矩，共得到36维向量。
2.2 图像相似性度量设计
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：
O=（D，F，R） （1）
式中，D表示一幅医学图像；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] 。
采用相似度模型对两幅医学图像距离进行量化，
D（Q，I） = （Q，I） （2）
（Q，I） = （3）
式中，I为待查询的医学图像；Q为待检索图像；为特征的权重。
在反馈过程中，采用AFSA对式（2）中的 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 人工鱼群反馈的医学图像检索
3.1 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}，它们组合成一条人工鱼位置。
3.2 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：
F（q，c）=αR（q，c）+βP（q，c） （4）
R（q，c） = （5）
P（q，c） = （6）
式中，q表示待查询医学图像；R（q，c）表示查全率；P（q，c）表示查准率；NR（q）表示检索得到与q相关的医学图像数目；N（q）表示医学图像数据库中与q相关的总数；NR（q）表示检索到的医学图像总数。
3.3 ASFA优化特征权值步骤
（1）初始化相关参数，主要包括人工鱼群大小、移动步长、拥挤度因子、最大迭代次数和反馈计数f=0。
（2）初始化人工鱼群位置，并根据式（4）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（3）继续执行反馈操作。
4 仿真实验
4.1 数据来源
在Intel酷睿i7 4770K，8G RAM，1TB硬盘，Windows 7操作系统的电脑上，采用Matlab 2012进行仿真实验。数据来源于某医院的CT、MIR图像，其4万张图像，具体见表1所示。
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8个类医学图，分别以每类图像作为待检索图像，计算对所有图像平均查准率，第i类第j幅图像的查准率为：
Pi（j） = relj（k） （17）
式中，relj（k）表示图像j为作为查询图像时，前100幅图像的检索结果，1表示与图像j为同一类，0表示不同类，那么第i类图像的平均查准率为：
AP（i） = Pi（j） （18）
4.3 结果与分析
4.3.1 反馈前后的检索结果对比
对于表1中所有类型的医学图像，反馈前后的平均查准率如图2所示。从图2可知，相对于没有反馈的医学图像检索方法，AFSA相关反馈方法提高了医学图像的平均查准率，对比结果表明，在相关反馈过程，采用AFSA对特征权值进行自适应调整，构建的医学图像相似度模型可以更好地反映用户需求，具有更高的准确率和查询效率。
4.3.2 与其它特征权值优化方法的性能对比
为了进一步说明ASFA医学图像检索方法的优越性，采用遗传算法优化特征权值方法（GA）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3所示。从图3可知，相对于GA、PSO算法，对于所有类别的医学图像，ASFA的平均查准率均有所提高，这主要因为AFSA能够更好的确定特征权重，特征向量组合可以更加准确的描述医学图像信息，提高了医学图像检索系统的检索性能。
5 结束语
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AFSA优化组合特征权值的医学图像相关反馈检索方法，利用AFSA较好搜索能力，对特征权值进行自适应调整，仿真结果表明，AFSA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。
参考文献
[1]傅启明，刘全，王晓燕，张乐.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.
[2]许相莉，张利彪，刘向东等.基于粒子群的图像检索相关反馈算法[J].电子学报，2010，38（8）：1935-1941.
[3]江铭炎，袁东风.人工鱼群算法及其应用[M].北京：科学出版社，2012.
作者信息
常梦星（1971-），男，河南省南阳市人。硕士学位。现为南阳医学高等专科学校讲师。主要研究方向为计算机仿真与应用。
王秋红（1984-），女，河南省南阳市人。硕士学位。主要研究方向为智能信息处理。
作者单位
南阳医学高等专科学校 河南省南阳市 473000
