CC BY
76
УДК 004.931 ББК 32.813
СИ. РОДЗИН, ОН. РОДЗИНА, С.А. ЭЛЬ-ХАТИБ
ГИБРИДНЫЙ МУРАВЬИНЫЙ АЛГОРИТМ СЕГМЕНТАЦИИ МЕДИЦИНСКИХ ИЗОБРАЖЕНИЙ*
Ключевые слова: муравьиный алгоритм, кластер, оптимизация, расстояние, сегментация изображений.
Приведена постановка задачи сегментации медицинских магнитно-резонансных изображений. Предлагается гибридный муравьиный алгоритм ее решения, который позволяет повысить качество и скорость обработки снимков. При решении задачи используются методология роевого интеллекта, кластерный анализ, теория эволюционных вычислений, математическая статистика, компьютерное моделирование и программирование. Приводятся результаты экспериментов, полученные на основе данных из библиотеки медицинских МРТ-снимков. Установлены оптимальные значения параметров, определяющих поведение и эффективность алгоритма. Результаты демонстрируют перспективность использования алгоритма в системах цифровой обработки медицинских снимков.
Востребованными областями распознавания цифровых изображений являются медицина, космос, промышленность, искусство и многие другие. Одними из наиболее сложных и ответственных объектов являются медицинские изображения, в частности, изображения, получаемые с помощью магнитно-резонансной томографии. МРТ-изображения компактны и малоконтрастные по сравнению с окружающим фоном, а сами снимки являются сложными, размерными и вариабельными. Это накладывает повышенные требования к точности детектирования образований и объектов на снимках, является основным фактором, который ограничивает применение известных подходов для сегментации изображений.
Муравьиные алгоритмы показали свою конкурентоспособность при решении многих АР-полных трансвычислительных задач и представляют интерес для использования в задаче сегментации изображений. Необходимо выяснить, насколько точно муравьиный алгоритм может сегментировать МРТ-изображения различных участков тела и органов человека по сравнению с известными методами; какова оценка его вычислительной сложности; а также каковы оптимальные значения параметров настройки и как они влияют на конечный результат сегментации. Повышение качества результатов обработки МРТ-изображений позволит уверенней распознавать патологии, которые является значимым фактором в медицинской диагностике. Получение теоретической оценки муравьиного алгоритма сегментации позволило бы повысить продуктивность последующих исследований в данной области и показать их практический потенциал.
Постановка задачи сегментации изображений и методы ее решения. Сегментацией называется процесс разбиения исходного изображения размера М х А?" на К кластеров таким образом, чтобы они максимально отличались
* Исследование выполнено при финансовой поддержке гранта Российского фонда фундаментальных исследований (проект № 16-07-00336) в Южном федеральном университете.
друг от друга и представляли собой объекты исходного снимка. При заданных исходных изображениях в виде набора пикселей с такими визуальными свойствами, как яркость, цвет, текстура, а также определенного размера, уровня шума, контрастирования и качества, необходимо в пределах имеющихся ресурсов найти такую разметку цифровых изображений на определенное количество К кластеров, которая обеспечивает высокую точность и качество распознавания изображений.
Пусть I обозначает всю область изображения. Процесс сегментации заключается в разбиении изображения I на К областей = {51, 52,..., £К}, таких, при которых выполняются следующие условия:
1) I = и £ ;
/=1..К
2) V/, у = 1К: / * у, £ п £ = 0;
3) V/ = 1К, Р(£) = истина;
4) V/,у = 1К,Р£ и£) = ложь,
где Р - некоторый логический предикат, определенный на точках множества 5/.
Условие 1 означает, что каждый пиксель изображения I должен принадлежать некоторой области. Условие 2 показывает, что области не должны пересекаться. Условие 3 касается свойств, которые должны соблюдаться в пределах одного кластера. Условие 4 означает, что любые две области З/ , З}-должны быть различимы в смысле предиката Р.
Любой способ получения изображений не исключает ошибок в интерпретации результатов. Ошибки обусловлены в основном техническими особенностями способов визуализации изображений. Данные ошибки принято называть артефактами. Артефакты - это погрешности, которые ухудшают качество визуализации изображений. Например, артефакты на МРТ-снимках делятся на две группы: физиологические (обусловлены движениями пациента) и аппаратные (связанные с неверными настройками МРТ-аппарата, неправильной калибровкой и т.п.).
В зависимости от возможных артефактов различают изображения хорошего качества, «зашумленные, «размытые» и «контрастные» снимки (снимки, которые получены при использовании контрастного вещества). Подходы к сегментации можно разделить на два класса: автоматические [1], не требующие участия пользователя, и интерактивные [4], использующие пользовательский ввод для уточнения непосредственно в процессе работы.
Методы и алгоритмы автоматической сегментации изображений не требуют взаимодействия с пользователем, подразумевают выделение областей с известными свойствами или же сегментацию изображения на однородные регионы. Это разные задачи, поскольку в одном случае ведется поиск областей с известной априорной информацией, а в другом случае свойства регионов не известны, зато на разбиение изображения накладываются условия однородности. Если априорная информация о свойствах областей на изображении не используется, то соответствующие методы и алгоритмы сегментации применимы к любым изображениям и являются универсальными. Наиболее значимыми из этой группы методов и алгоритмов являются алгоритм К-средних, гистограммные методы, а
также методы вейвлет-анализа на основе оценки фрактальной размерности изображений, методы выделения краёв, разрастания областей, разреза графа [2]. Автоматические методы и алгоритмы не могут решать произвольные задачи сегментации с гарантированным результатом. Ни один из них не идеален, в лучшем случае необходимо использовать гибридную сегментацию.
Отличительной особенностью интерактивных методов сегментации является то, что кроме исходного изображения пользователь подаёт на вход некоторую дополнительную информацию, например, указание конкретных пикселей, принадлежащих объекту, региона, ограничивающего объект, примерной границы объекта и т.п. При этом в дальнейшем пользователь имеет возможность дополнять или уточнять входные данные. Наиболее известными на сегодня алгоритмами интерактивной сегментации изображений являются Magic Wand, Intelligent Scissors, Intelligent Paint, Graph Cut, Grub Cut, Lazy Snapping, Random Walker [3]. Среди интерактивных методов наилучшие результаты позволяют получить те алгоритмы, которые используют для представления сегментируемого изображения дискретные модели в виде графов.
Для решения задачи сегментации изображений не вполне подходящим представляется нейросетевой подход: начальные условия снимков, как правило, приводят к тому, что коэффициенты веса для выходных нейронов зависят от входной последовательности; результаты сегментации получаются различными; завершение процесса обучения не основано на строгих оптимизационных математических моделях [9].
Сегментация изображений, основанная на использовании нечеткой логики, также имеет определенные недостатки: результаты в значительной мере зависят от начальных параметров алгоритма и специфики изображений, приемлемое решение получается в результате многократных итераций алгоритма, что в определенной степени усложняет процесс обработки в реальном масштабе времени [11].
Перспективным следует признать возможность применения для сегментации медицинских изображений гибридных биоинспирированных алгоритмов [6-8]. Эти алгоритмы представляют собой математические преобразования, описывающие коллективное поведение децентрализованной самоорганизующейся системы, состоящей из множества агентов, локально взаимодействующих между собой и с окружающей средой, а также основанные на статистическом подходе к исследованию ситуаций и итерационном приближении к искомому решению.
Примерами в живой природе могут служить колонии муравьев, рой пчел, стаи птиц, косяки рыб и др. Каждый агент функционирует автономно по набору простых правил. В отличие от почти примитивного поведения агентов поведение всей системы получается, на удивление, разумным.
Характерная особенность муравьиных алгоритмов - необходима определенная форма связи, чтобы сотрудничать при решении общей задачи. Например, для колонии муравьев связь предполагает изменение индивидуумом окружающей среды так, чтобы это изменило поведение других индивидуумов, проходящих через эту измененную среду в будущем. Оставляя следы феромона, муравьи обеспечивают коммуникацию через среду, придавая ей семиотиче-
ские характеристики. Колония или рой не имеет управляющей функции, она самоорганизуется за счёт согласованного взаимодействия множества элементов её составляющих. Самоорганизация является результатом взаимодействия таких компонентов, как положительная и отрицательная обратная связь; случайность и многократность. Имитация самоорганизации и составляет основу этого типа биоинспирированных алгоритмов.
Достоинства муравьиных алгоритмов известны: сравнительная простота выполняемых действий, возможности высокоэффективной реализации для многопроцессорных архитектур, гарантированная сходимость (хотя время сходимости не определено). Их недостатки, в основном, связаны с не всегда оптимальной настройкой параметров. Между тем объекты на МРТ-изображениях обладают большой степенью сложности и многофакторности, что налагает высокие требования к надежности и точности их исследования.
Поскольку задача сегментации изображений легко сводится к задаче оптимизации графов, то применение муравьиного алгоритма может оказаться весьма эффективным. Для сегментации изображения муравьиным алгоритмом необходимо: представить изображение в виде графа; определить пороговое значение «перепада» цветов, которые должны быть в разных сегментах; определить значение следа феромона; настроить параметры алгоритма.
Чтобы получить представление в виде графа, необходимо выписать яркость каждого пикселя, который представляется вершиной в графе, присвоить веса ребрам, соединяющим соседние вершины. «Муравьи» порождаются в графе периодически каждой вершиной. Каждый муравей следует в случайно выбранный соседний узел. Далее по уровню феромона на каждом узле происходит сегментация изображения.
Гибридный муравьиный алгоритм сегментации. Отличительными чертами предлагаемого биоинспирированного муравьиного алгоритма сегментации МРТ-изображений являются использование быстрого кластерного анализа (к-шват) для перевычисления центра каждого сегмента и применение суперпозиции нескольких критериев оптимальности получаемых решений с учетом как цветовых, так и геометрических характеристик изображения. Изображение может быть как цветным, так и полутоновым, с различными начальными условиями (шум, высокое контрастирование, хорошее качество, размытость). Задача заключается в получении сегментированного изображения, максимально удовлетворяющего ограничениям. Алгоритм должен быть способен работать как в интерактивном, так и в автоматическом режиме.
Входными данными для алгоритма являются следующие параметры:
- К - количество кластеров, на которые необходимо разбить исходное изображение;
- ш - количество муравьев, которые непосредственно выполняют сегментацию;
- п0 - максимальное число итераций метода для поиска решения;
- а - параметр, контролирующий степень влияния уровня феромона;
- Р - эвристический параметр, контролирующий степень принадлежности пикселя определенному кластеру.
Параметры а и р являются экспериментальными и специфичными для каждой оптимизационной задачи с использованием муравьиных алгоритмов и требуют установления путем экспериментальных исследований, о чем пойдет речь в следующем подразделе.
На первом этапе алгоритма необходимо установить значение количества кластеров К и инициализировать их центры. Далее определяется принадлежность каждого пикселя изображения определенному кластеру согласно вероятности, которая обратно пропорциональна расстоянию между пикселем, центром кластера и переменной т, которая представляет уровень феромона:
_ [х,- (Х„ )]а [п (Х„ )]в
Р (Хп ) _~К-, (1)
Х[т; (Хп)]а[п; (Х„)]в
] _0
где Р(ХП) - вероятность принадлежности пикселя Хп кластеру т,(Хп) и ^,(Хп) - информация о феромоне и эвристическая переменная принадлежности пикселя Хп кластеру ,, соответственно.
Эвристическая информация ^,(Хп) вычисляется по формуле
П, (Хп) _-Ь-, (2)
(Хп, СС,) * РВ^Г (Хп, РС,)
где СС, - 7-й спектральный кластерный центр; РС, - 7-й пространственный центр кластера; СВ,иг(Хп, СС,) - расстояние между (Хп, СС,) согласно цветовым характеристикам пикселей; PВ7st(Xn, РС,) - евклидово расстояние между (Хп, РС,) согласно расположения пикселя на изображении; Ь — константа, которая используется для балансировки значений ^ и т. В (2) используется и цветовая, и геометрическая информация.
Важное значение для работы алгоритма имеет целевая функция. В предлагаемом гибридном муравьином алгоритме для решения задачи сегментации МРТ-изображений в качестве критерия поиска оптимального решения используется следующий набор правил: (к—1 к Л
1) тах
х х Св^г(Ск, С})
К <т , 1 ■ , , 1
у к_1 ] _к+1
максимальное из значений сумм цветовых
2) тт
1<,< т
расстояний между кластерными центрами для всех муравьев, где СВ,иг(Ск, С) -цветовое расстояние между двумя пикселями; Ск - центр кластера к;
( К ¡к Л
ХХРВ,иг(Ск, Хр) - минимальное значение из сумм геометри-
? 1 1
V к _1 р _1 /
ческих расстояний между центрами кластеров и пикселями, входящими в кластер, где «Я - количество пикселей в кластере к; РВ,и1(Ск, Хр) - евклидово расстояние между Ск и Хр;
( К ¡к л
ХХСВ,иг (Ск, Хр) - минимальное значение из сумм цветовых
1 1 1
V к _1 р _1 /
расстояний между центрами кластеров и пикселями, входящими в кластер, где СВ,иг(Ск, Хр) - цветовое расстояние между Ск и Хр.
3) тт
1<,<т
Тогда целевая функция для муравья mt имеет следующий вид:
K-1 K
f\mi = ^^ ^^ CDiSt (Cmrk , Cmij X к=1 j=к+1
K Smik
f (m,) = \fimt = ^^PDist(Cmik, Xmip ), (3)
к=1 p=1
K Smik
f3m, = X X CDlSi(Cm,k , Xm,p )-к=1 p=1
Выбор лучшего решения осуществляется как
f (best) = {max(f1mi), min(f2m,), min^)}. (4)
1<i <m 1<i < m 1<i <m
После того как выбрано лучшее решение, обновляется значение уровня феромона. Уровень феромона определяется пропорционально минимальному расстоянию между каждой парой центров кластеров и обратно пропорционально расстоянию между каждым пикселем и его центром. Таким образом, значение уровня феромона растет с увеличением дистанции между центрами кластеров, а также с увеличением компактности пикселей в кластере. При этих же условиях возрастает и вероятность присоединения пикселя к кластеру. Обновление уровня феромона предлагается производить согласно следующему выражению:
т, (X„) ^ (1 - р)т, (X„) + X Ах, (X„), (5)
i
где р - коэффициент испарения 0 < р < 1, который воздействует на ранее установленный уровень феромона. Благодаря этому коэффициенту усиливается влияние более поздних приоритетных решений и ослабляется влияние более ранних решений. Параметр Ат,(Х„) в выражении (5) представляет собой разницу в уровне феромона по сравнению с предыдущим лучшим решением, т.е. испарение феромона, которое вычисляется согласно выражению
Q * Min(k')
At, (Xn) =
еслиXn с кластеру i;
AvgCDist(k', 0* AvgPDist (к', О (6)
О, в другом случае.
где Q - положительная константа, которая связана с величиной добавленного муравьями феромона; Мт(к'') - минимальное из цветовых расстояний между каждыми двумя центрами кластеров, найденное муравьем к' (самым успешным муравьем); AvgCDist(k' ,i) - среднее значение цветовых расстояний и AvgPDist(k' ,/') - среднее значение пространственных евклидовых расстояний между каждым пикселем и центрами (цветовым и пространственным) для самого успешного муравья.
Значение уровня феромона на начальном этапе устанавливается равным 1. После вычисления и обновления уровня феромона согласно процедуре А"-сред-них происходит обновление кластерных центров путем пересчета среднего значения пикселей в каждом кластере. Это продолжается до тех пор, пока из-
менение значения кластерного центра существенно не меняется. Далее процесс кластеризации продолжают выполнять m муравьев, каждый из которых в конечном итоге находит свое индивидуальное решение. После того как m муравьев сегментировали изображение, выбирается лучшее решение для текущей итерации, для него увеличивается уровень феромона и происходит обновление всех центров кластеров согласно выбранному лучшему решению. Таким образом, на каждой итерации каждый из m муравьев находит индивидуальное решение, которое корректируется общим лучшим решением, найденным всеми муравьями. Это повторяется, пока будет найдено решение, удовлетворяющее всем заданным условиям. При выполнении критерия останова кластеризация завершается (в качестве критериев останова может рассматриваться ограничение на число итераций либо отсутствие изменения центров кластеров в течение некоторого количества итераций).
Результативность муравьиного алгоритма зависит от параметров его настройки: m, n00, х0, а, ß. Число муравьев m влияет на вычислительную сложность метода, При небольшом значении числа итераций n0 алгоритм может «не успеть» найти оптимального решения. Начальная концентрация феромона т0, степень влияния феромона а и степень принадлежности пикселя определенному кластеру ß также оказывают непосредственное влияние на скорость поиска решений и сходимость к оптимуму.
Результаты экспериментов. Для оценки гибридного муравьиного метода сегментации были проведены экспериментальные исследования с помощью разработанного программного приложения. При тестировании алгоритма использовался набор известных медицинских МРТ-изображений компании Ossirix [5], а также снимки реальных пациентов. План экспериментов включал следующие шаги: оценку качества работы алгоритма; определение его оптимальных параметров при автоматическом и интерактивном режиме сегментации; исследование влияния масштабирования исходного снимка и возможности алгоритма для сегментации цветных изображений.
Качество методов сегментации медицинских изображений оценивается с помощью коэффициентов схожести, чувствительности, специфичности и точности, причем наиболее важным считается точность, в качестве меры которой чаще всего выступает индекс Жаккара (0 < J < 1).
Для определения оптимальных параметров настройки алгоритма все изображения были разбиты на 6 групп: головной мозг, сердце, легкие, печень, костные структуры, другие. Снимки исследовались при различных начальных условиях (зашумленность, контрастность, размытость, размеры снимка). План экспериментов включал в себя от 30 до 100 запусков гибридного муравьиного алгоритма сегментации для каждого изображения в группе с сохранением результатов в базе данных. В качестве примера в таблице представлены значения параметров а и ß для различных групп и начальных условий МРТ-изображений.
Для улучшения сегментации цветных снимков было использовано цветовое пространство HSV.
Значения параметров а и Р для различных групп и начальных условий МРТ-изображений
Подтип Группа
мозг сердце легкие печень кости другие
Зашумленность а = 0,12 ß = 0,52 а = 0,20 ß = 0,43 а = 0,21 ß = 0,46 а = 0,31 ß = 0,36 а = 0,30 ß = 0,20 а = 0,15 ß = 0,35
Контрастность а = 0,22 ß = 0,7 а = 0,17 ß = 0,33 а = 0,17 ß = 0,36 а = 0,37 ß = 0,46 а = 0,20 ß = 0,10 а = 0,25 ß = 0,34
Размытость а = 0,32 ß = 0,6 а = 0,37 ß = 0,23 а = 0,27 ß = 0,26 а = 0,47 ß = 0,56 а = 0,30 ß = 0,20 а = 0,35 ß = 0,24
Хорошее качество а = 0,14 ß = 0,44 а = 0,12 ß = 0,5 а = 0,31 ß = 0,44 а = 0,21 ß = 0,26 а = 0,31 ß = 0,30 а = 0,35 ß = 0,65
Установлено, что найденные оптимальные значения параметров настройки гибридного муравьиного алгоритма позволяют уменьшить количество итераций метода в среднем на 9,7%.
Они инвариантны к изменению масштаба снимков, а первичные центры кластеров не оказывают влияния на конечное решение. Модификация гибридного муравьиного алгоритма с использованием цветовой модели HSV позволяет улучшить качество сегментации цветных изображений, что подтверждается значением индекса Жаккара, который отличается от эталона в среднем только на 4,6%.
Современным средством для оценивания трудоемкости эвристических алгоритмов является анализ, основанный на дрейф-теоремах [10]. Следствием результатов дрейф-анализа является то обстоятельство, что оценка значения дрейфа превращается в оценку времени работы метода, а локальное свойство (дрейф решений за один шаг) преобразуется в глобальное свойство (время работы алгоритма до нахождения оптимума) [12]. Оценить дрейф проще. Дрейф-теоремы определяют условия, выполнение которых гарантирует решение задач в среднем за полиномиальное время.
Теоретически установлено и экспериментально подтверждено, что гибридный муравьиный метод решает задачу сегментации за полиномиальное время.
Базовыми величинами для оценки пространственной сложности алгоритма являются количества пикселей изображения n и число муравьев т. Для хранения кластеров решений каждому из т муравьев требуется nB ячеек памяти, где B -количество ячеек памяти, необходимых системе для хранения целого числа (8). Необходимо также хранить значения предыдущих кластеров для муравья, что составляет nB ячеек. Для хранения карты феромонов необходимо также дополнительно nB ячеек памяти. Следовательно, одному муравью для хранения решений, а также карты феромонов требуется 3nB ячеек памяти. Общие затраты памяти т муравьями составляют 3nBm ячеек.
Для хранения карты цветов изображения требуется 4nB ячеек памяти. Тогда суммарно затраты памяти гибридного муравьиного алгоритма составляют 3nBm + 4nB ячеек памяти.
При параллельном выполнении алгоритма затраты памяти равны T-(3nBm + 4nB), где Т - количество потоков.
Выводы. Получены сравнительные оценки качества, времени работы и сходимости гибридного муравьиного алгоритма сегментации на различных МРТ-изображениях; проведено сравнение алгоритма с известным биоинспи-рированным аналогом - генетическим алгоритмом сегментации изображений, с результатами сегментации из известной мировой коллекцией МРТ-снимков системы Osirix, а также с алгоритмом автоматической сегментации k-means и алгоритмом интерактивной сегментации Magic Wand; получена оценка точности гибридного муравьиного метода для МРТ-изображений хорошего качества, зашумленных и контрастных. Экспериментально полученные научные данные свидетельствуют о следующем:
- на всех наборах тестовых изображений гибридный муравьиный алгоритм показал гораздо лучшую сходимость и в три раза меньшее, нежели генетический алгоритм, время сегментации при сопоставимых по точности результатах;
- алгоритм превосходит по качеству сегментации в среднем на 9% алгоритмы C-means и Magic Wand при обработке изображений хорошего качества, зашумленных и контрастных;
- алгоритм рекомендуется применять для сегментации зашумленных и контрастных изображений в задачах сегментации с повышенными требованиями к точности распознавания.
Результаты демонстрируют преимущество и подтверждают перспективность использования разработанного гибридного муравьиного алгоритма в системах цифровой обработки медицинских снимков для решения задачи сегментации изображений.
Литература
1. Вежневец А., Баринова О. Методы сегментации изображений: автоматическая сегментация // Компьютерная графика и мультимедиа. 2006. № 4.
2. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.: Техносфера, 2005.
3. Жук С.В. Обзор современных методов сегментации растровых изображений // Известия Волгоградского государственного технического университета. 2009. № 6. С. 116-118.
4. Конушин В., Вежневец В. Методы сегментации изображений: интерактивная сегментация // Компьютерная графика и мультимедиа. 2007. № 1.
5. Медицинская система OsiriX [Электронный ресурс]. URL: http://www.osiiix-viewer.com (Дата обращения: 04.04.2016).
6. Родзин С.И., Эль-Хатиб С.А. Оптимизация параметров биоинспирированной гиперэвристики в задаче сегментации изображений // Кибернетика и программирование. 2016. № 5. С. 89-102.
7. Родзин С.И., Эль-Хатиб С.А. Совершенствование алгоритмов сегментации магнитно-резонансных изображений на основе роевого интеллекта // Вестник Чувашского университета. 2016. № 3. С. 217-226.
8. El-Khatib S., Rodzin S., Skobtcov Y. Investigation of Optimal Heuristical Parameters for Mixed ACO-k-means Segmentation Algorithm for MRI Images. Proc. of the Conf. on Information Technologies in Science, Management, Social Sphere and Medicine, 2016, vol. 51, pp. 216-221.
9. Fu J.C., Chen C.C., Chai J.W., Wong S.T.C., Li I.C. Image segmentation by EM-based adaptive pulse coupled neural networks in brain magnetic resonance imaging. Computerized Medical Imaging and Graphics, 2010, no. 34(4), pp. 308-320.
10. He J., YaoX. Drift analysis and average time complexity of evolutionary algorithms. Artificial intelligence, 2001, vol. 127, no. 1, pp. 57-85.
11. Kanung G.K., Singh N., Dash J., Mishra A. Mammogram Image Segmentation Using Hybridization of Fuzzy Clustering and Optimization Algorithms. Intelligent Computing, Communication and Devices. Springer India, 2015, vol. 309, pp. 403-413.
12. Rodzin S. Smart Dispatching and Metaheuristic Swarm Flow Algorithm. Computer and Systems Sciences International, 2014, vol. 53, no. 1, pp. 109-115.
РОДЗИН СЕРГЕЙ ИВАНОВИЧ - кандидат технических наук, профессор кафедры математического обеспечения и применения ЭВМ, Южный федеральный университет, Россия, Таганрог (srodzin@sfedu.ru).
РОДЗИНА ОЛЬГА НИКОЛАЕВНА - старший преподаватель кафедры математического обеспечения и применения ЭВМ, Южный федеральный университет, Россия, Таганрог (orodzina@sfedu.ru).
ЭЛЬ-ХАТИБ САМЕР АДНАН - соискатель ученой степени кандидата технических наук кафедры математического обеспечения и применения ЭВМ, Южный федеральный университет, Россия, Таганрог (samer_elkhatib@mail.ru).
S. RODZIN, O. RODZINA, S. EL-KHATIB HYBRID SEGMENTATION ANT ALGORITHMS OF MEDICAL IMAGES
Key words: ant algorithm, cluster, optimization, distance, image segmentation. The problem formulation of medical magnetic resonance imaging segmentation is considered. A hybrid ant algorithm for its solutions is proposed. It allows the quality improvement and speed of the image processing. In solving the problem we use the methodology of swarm intelligence, cluster analysis, theory of evolutionary computation, mathematical statistics, computer modeling and programming. The experimental results obtained on the basis of data from the library of medical MRI images. The optimal values of the parameters are defined to determine the behavior and the effectiveness of the algorithm. The results demonstrate some promising use of the algorithm in the digital processing ofmedical images.
References
1. Vezhnevets A. Barinov O. Metody segmentacii izobrazhenii: avtomaticheskaya segmentaciya [Methods of Image Segmentation: automatic segmentation]. Komp'yuternaya grafika i mul'timedia: setevoi zhurnal [Computer graphics and multimedia: an online journal], 2006, no. 4.
2. Gonsales R., Vuds R. Cifrovaya obrabotka izobrazhenii [Digital image processing]. Moscow, Tekhnosfera Publ., 2005.
3. Zhuk S.V. Obzor sovremennykh metodov segmentacii rastrovykh izobrazhenii [Overview of modern methods of segmentation of bitmaps]. Izvestiya Volgogradskogo gosudarstvennogo tekhni-cheskogo universiteta, 2009, no. 6 pp. 116-118.
4. Konushin V., Vezhnevec V. Metody segmentacii izobrazhenii: interaktivnaya segmentaciya [Methods of image segmentation: an interactive segmentation]. Komp'yuternaya grafika i mul'timedia [Computer graphics and multimedia], 2007, no. 1.
5. Meditsinskaya sistema OsiriX [Medical system OsiriX]. Available at: http://www.osirix-viewer.com.
6. Rodzin S.I., El-Khatib S.A. Optimizaciyaparametrov bioinspirirovannoi giperevristiki v zadache segmentacii izobrazhenii [Optimization parameters bioinspired giperevristiki problem in image segmentation]. Kibernetika iprogrammirovanie [Cybernetics and Programming], 2016, no. 5, pp. 89-102.
7. Rodzin S.I., El-Khatib S.A. Sovershenstvovanie algoritmov segmentacii magnitno-rezonansnykh izobrazhenii na osnove roevogo intellekta [Improved algorithms for segmentation of magnetic resonance images based on swarm intelligence]. Vestnik Chuvashskogo universiteta, 2016, no. 3, pp. 217-226.
8. El-Khatib S., Rodzin S., Skobtcov Y. Investigation of Optimal Heuristical Parameters for Mixed ACO-k-means Segmentation Algorithm for MRI Images. Proc. of the Conf. on Information Technologies in Science, Management, Social Sphere and Medicine, 2016, vol. 51, pp. 216-221.
9. Fu J.C., Chen C.C., Chai J.W., Wong S.T.C., Li I.C. Image segmentation by EM-based adaptive pulse coupled neural networks in brain magnetic resonance imaging. Computerized Medical Imaging and Graphics, 2010, no. 34(4), pp. 308-320.
10. He J., Yao X. Drift analysis and average time complexity of evolutionary algorithms. Artificial intelligence, 2001, vol. 127, no. 1, pp. 57-85.
11. Kanung G.K., Singh N., Dash J., Mishra A. Mammogram Image Segmentation Using Hybridization of Fuzzy Clustering and Optimization Algorithms. Intelligent Computing, Communication and Devices. Springer India, 2015, vol. 309, pp. 403-413.
12. Rodzin S. Smart Dispatching and Metaheuristic Swarm Flow Algorithm. Computer and Systems Sciences International, 2014, vol. 53, no. 1, pp. 109-115.
RODZIN SERGEY - Candidate of Technical Sciences, Professor, Department of Mathematical Support of Computer Applications, Southern Federal University, Russia, Taganrog (srodzin@sfedu.ru).
RODZINA OLGA - Senior Lecturer, Department of Mathematical Support of Computer Applications, Southern Federal University, Russia, Taganrog (orodzina@sfedu.ru).
EL-KHATIB SAMER - Post-Graduate Student of the Department of Mathematical Support of Computer Applications, Southern Federal University, Russia, Taganrog (samer_elkhatib@mail.ru).
Ссылка на статью: Родзин С.И., Родзина О.Н., Эль-Хатиб С.А. Гибридный муравьиный алгоритм сегментации медицинских изображений // Вестник Чувашского университета. - 2017. -№ 3. - С. 262-272.
