CC BY
47
УДК 004.931 ББК 32.813
С И. РОДЗИН, С А. ЭЛЬ-ХАТИБ
СОВЕРШЕНСТВОВАНИЕ АЛГОРИТМОВ СЕГМЕНТАЦИИ МАГНИТНО-РЕЗОНАНСНЫХ ИЗОБРАЖЕНИЙ НА ОСНОВЕ РОЕВОГО ИНТЕЛЛЕКТА*
Ключевые слова: алгоритм роя частиц, кластер, оптимизация, расстояние, сегментация изображений.
Приведена постановка задачи сегментации медицинских магнитно-резонансных изображений. Предлагается гибридный роевой 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, что позволяет уменьшить количество итераций алгоритма. Результаты демонстрируют перспективность использования алгоритма в системах цифровой обработки медицинских снимков.
Объектом исследования являются методы разделения цифрового изображения на сегменты с целью упрощения анализа и обработки медицинских магнитно-резонансных изображений, полученных при проведении МРТ исследований пациентов, а также тестовых МРТ-изображений из международных наборов (benchmarks). Целью является применение методов и алгоритмов роевого интеллекта для решения задачи сегментации изображений.
Сегментацией называется процесс разбиения изображения на непересекающиеся части, соответствующие объектам изображения либо их частям. Данная процедура необходима для качественного решения задач обработки медицинских снимков с целью распознавания патологий. Изображения медицинских снимков являются сложными и вариабельными. Автоматизация детектирования объектов на снимках позволяет ускорить диагностику заболевания, уточнить лечение и оперативно управлять процессами реабилитации. Сложность и размерность медицинских снимков являются ключевыми факторами, ограничивающими применение известных методик для сегментации изображений.
Задача сегментации является слабо формализованной, если она определяется не как результат, а как процесс разбиения пикселей изображения на множества по некоторому алгоритму. Все последующие этапы обработки, такие как классификация, извлечение образов и идентификация, зависят от результатов сегментации. К настоящему времени разработано большое количество различных алгоритмов сегментации [8-10, 13, 15].
Главная сложность в процессе сегментации заключается в наличии дополнительных факторов, присущих изображениям: вариабельность фона, наличие шума на снимках, разница между частями изображения. Подходы к
* Исследование выполнено при финансовой поддержке гранта Российского фонда фундаментальных исследований (проект № 16-07-00336) в Южном федеральном университете.
сегментации можно разделить на два класса: автоматические, не требующие взаимодействия с пользователем, и интерактивные, использующие пользовательский ввод непосредственно в процессе работы.
В последнее время сегментация изображений становится одним из актуальных направлений развития компьютерных технологий в медицине для улучшения качества изображения, восстановления поврежденных изображений, распознавания отдельных элементов патологического процесса. Современная медицинская диагностика невозможна без цифровой обработки медицинских снимков. Вместе с тем задача автоматизированной диагностики патологических процессов по данным медицинских изображений далека от своего разрешения: универсального алгоритма не существует, актуальной проблемой остается определение оптимальных параметров описания объектов интереса, что оказывает непосредственное влияние на качество их классификации [1].
Объекты интереса исследователя на медицинских изображениях, используемых в ранней диагностике, обычно бывают небольшими и малоконтрастными по сравнению с окружающим фоном, а сами снимки являются сложными и вариабельными. Системы для анализа и обработки медицинских изображений обладают рядом недостатков: исследователю доступен широкий набор алгоритмов сегментации, но неясно, какой именно алгоритм должен быть применен; невозможно гарантированно осуществить оптимальный выбор параметров алгоритма; нереален перебор всех алгоритмов для достижения наилучшего результата. Поэтому для улучшения систем анализа и обработки медицинских изображений необходим подход, обеспечивающий оптимизацию параметров алгоритмов сегментации изображений. Целью статьи является аналитическое и экспериментальное обоснование оптимальных параметров биоинспирирован-ного роевого алгоритма сегментации медицинских изображений.
Постановка задачи и подход к ее решению. Под сегментом подразумевается некоторая изолированная область, состоящая из отдельных элементов (пикселей), такая, что расстояние между ее элементами минимально, а расстояние между двумя соседними областями - максимально. Требуется разбить множество элементов, на сегменты так, чтобы расстояние между элементами внутри группы было минимальным, а расстояние между группами -максимальным.
Результат разбиения зависит от особенностей входных данных, что приводит к разделению изображений на ряд предметных областей (аэрокосмических, медицинских, телевизионных и др.), для которых разрабатываются конкретные алгоритмы сегментации, а достоверность сегментации оценивается эмпирически по адекватности зрительному восприятию или результатам автоматического обнаружения заранее заданных объектов.
Не существует четкой и однозначной общей постановки задачи сегментации [6]. Необходимо выделить на изображениях области с определёнными свойствами. Такие области обычно соответствуют объектам или их частям, которые определяют исследователи. Результатом сегментации является бинарное или иерархическое изображение, в котором каждый уровень изображения соответствует конкретному классу выделенных объектов. Сегментация являет-
ся сложным моментом в обработке и анализе медицинских изображений биологической ткани, так как необходимо выделять области, соответствующие различным объектам или структурам на гистологических препаратах: клеткам, органоидам, артефактам и т.д. Это связано с вариабельностью их характеристик, слабой контрастностью обрабатываемых изображений и сложной геометрической организацией объектов. Между тем точность результатов сегментации медицинских изображений должна быть на самом высоком уровне [4, 5].
Для получения более эффективного результата предлагается использовать комбинирование нескольких эвристик, управляемых общей схемой, с помощью которой усиливаются их достоинства и компенсируются слабости. Результаты сегментации изображений могут быть улучшены при использовании гиперэвристики PSO-k-means, которая представляет собой композицию алгоритмов роя частиц и k-средних.
Алгоритм роя частиц (Particle Swarm Optimization, PSO) [11, 12] является метафорой, имитирующей социальное поведение роя (птиц в стае, рыб в косяке и др.). Известно, что всякого рода роевые объединения играют важную роль в повышении эффективности поиска ими пищи, защиты от хищников, а также в уменьшении энергетических затрат. Обнаружены базовые принципы синхронного поведения роя, меняющего как по команде направление своего движения и перемещающегося как единое целое.
Алгоритм PSO показал свою конкурентоспособность при решении многих ^P-полных трансвычислительных задач [2, 14]. Идея алгоритма состоит в поиске наилучшего положения частиц, перемещаемых в пространстве согласно простой формуле. При определении следующего положения частицы учитывается информация о наилучшей частице из числа ее соседей, а также информация о данной частице на той итерации алгоритма, на которой этой частице соответствовало наилучшее значение целевой функции. Каждая частица роя подчиняется правилам поведения, которые учитывают ее локальный успех и глобальный оптимум всех частиц роя.
Пусть n - количество параметров, подлежащих оптимизации, x1, x2,..., xn - параметры оптимизации; f (x): Rn ^R - целевая функция в n-мерном пространстве, которую требуется минимизировать
minf (x) = f (x*). (1)
xeRn
При реализации PSO-алгоритма n-мерное пространство поиска населяется роем из m частиц в рое (размер популяции элементарных решений). Координата i-й частицы (i е [1 : m]) задается вектором xi = (x1, x2,..., x"), который определяет некоторый набор параметров оптимизации. В процессе инициализации роя частицы случайным образом располагаются по всей области поиска. При этом каждая i-я частица имеет свой собственный вектор скорости
nn WW w
у, е R , которая в каждый конкретный момент времени, соответствующий некоторой итерации PSO-алгоритма, определенным образом влияет на значения координат позиции i-й частицы. Координаты позиции i-й частицы в n-мерном пространстве поиска однозначно определяют значение целевой функции f (x) = f (x1, x2,., xn).
Для каждой позиции «-мерного пространства поиска, в котором побывала частица, вычисляется значение целевой функции / (х7). При этом каждая частица запоминает свое лучшее значение целевой функции, а также координаты позиции в «-мерном пространстве, соответствующие этому значению целевой функции. Кроме того, частица «знает», где расположена позиция, являющаяся лучшей (в смысле формулы (1)) среди всех позиций, в которых уже побывали остальные частицы. Благодаря этому обеспечивается мгновенный обмен информацией между всеми частицами.
На каждой итерации Р5О-алгоритма частицы корректируют свою скорость. Это, с одной стороны, позволяет быть поближе к лучшей позиции, которую частица нашла сама, и, с другой стороны, приблизиться к позиции, которая в данный момент является глобально лучшей. Через некоторое количество итераций частицы должны собраться вблизи наиболее хорошей позиции (глобально лучшей по результатам всех итераций). Однако, возможно, что часть частиц останется где-то в относительно неплохом локальном оптимуме.
Сходимость Р5О-алгоритма зависит от того, каким образом выполняется коррекция вектора скорости частиц. Известны различные подходы к выполнению коррекции вектора скорости.
В классической версии Р5О-алгоритма коррекция каждой *-й координаты вектора скорости (/ е [1 : «]) 7-й частицы выполняется в соответствии с формулой [11]:
= + сргр (у! - х/) + с^ (у * * - х{), (2)
где V,* - *-я координата вектора скорости 7-й частицы; х/ - *-я координата вектора х7, задающего позицию 7-й частицы; у] - *-я координата вектора лучшей позиции, найденного 7-й частицей за время ее существования; у * - *-я координата глобально лучшей позиции всего роя частиц, в которой целевая функция имеет оптимальное значение; гр и - случайные числа на интервале (0, 1); ср и с2 - личный и глобальный коэффициенты ускорения частиц, являющиеся константами и определяющие поведение и эффективность РБО-алгоритма в целом. С помощью коэффициентов ускорения ср и съ масштабируются случайные числа гр и г2. При этом глобальный коэффициент ускорения с2 управляет воздействием глобальной лучшей позиции на скорости всех частиц, а личный коэффициент ускорения ср - воздействием личной лучшей позиции на скорость некоторой частицы.
Модификация Р5О-алгоритма состоит в том, что при выполнении коррекции вектора скорости у7 вместо формулы (2) используется следующая формула:
V/ = 0Щ] + срГр (у} - х*) + сшгш (у** - х/), (3)
в которой перед *-й координатой вектора скорости 7-й частицы добавлен множитель ю - весовой коэффициент инерции, благодаря чему скорость изменяется более плавно.
Далее для каждой частицы рассчитывается новое значение целевой функции / (х7) и выполняется проверка: не стала ли новая позиция с вектором
координат х7 лучшей среди всех позиций, в которых 7-я частица ранее побывала. Если новая позиция 7-й частицы признается лучшей на текущий момент времени, то информация о ней сохраняется в векторе у7 с «запоминанием» значения целевой функции / (х7) в этой позиции. Затем среди всех новых позиций частиц роя осуществляется проверка на наличие глобально лучшей позиции. Если некоторая новая позиция признается глобально лучшей на текущий момент времени, то информация о ней сохраняется в векторе у* с «запоминанием» значения целевой функции в этой позиции.
При реализации предлагаемого комбинированного алгоритма наряду с модифицированным Р5О-алгоритмом используется известный алгоритм к-теат. Это один из наиболее популярных алгоритмов кластеризации без учителя, целевой функцией которого является минимизация суммарного квадратичного отклонения точек кластеров от центров этих кластеров:
а = Х X(х -Н)2, (4)
к=1 х7еС1к
где К - количество кластеров; С1к - полученные кластеры, к е [1 : К]; Нк -центры масс векторов х7 е С1к. Основная идея алгоритма к-теат заключается в том, что на каждой итерации перевычисляются центры каждого кластера, затем векторы вновь разбиваются на кластеры в соответствии с тем, какой из новых центров оказался ближе по выбранной метрике. Первоначально выбираются К случайных центров кластеров. Алгоритм завершается, когда на какой-то итерации не происходит изменения центра кластеров. Это происходит за конечное число итераций, так как количество возможных разбиений конечного множества конечно, а на каждом шаге суммарное квадратичное отклонение Б не увеличивается, поэтому зацикливание невозможно. Временная сложность алгоритма к-теат невысокая - О(т), что делает его пригодным задач большой размерности. Однако при этом не гарантируется достижение минимума суммарного квадратичного отклонения А, а результат зависит от выбора исходных центров кластеров, число которых надо знать заранее.
Алгоритм PSO-k-means. Алгоритм РЪО-к-теат использует композицию из модифицированного Р5О-алгоритма и алгоритма к-теат: вначале для сегментации применяется модификация Р5О-алгоритма, которая позволяет приблизиться к оптимальному решению, но показывает медленную сходимость вблизи оптимума. Затем полученное решение используется в качестве исходного для алгоритма к-теат.
Отличие предлагаемого алгоритма от аналогов состоит в следующем. В алгоритме Р8О-к-теат каждая частица х7 является центром Н7к кластера С1к: х7 = (Нц,..., Н7к,..., И7К). Поэтому рой из т частиц представляет собой множество кандидатов на роль центров К кластеров. Целевая функция является многокритериальной, ее значение для частицы определяется следующим образом:
/(х,, 0) = мУшах (0, х7) + М (^Щах - dmin (х,)), (5)
где дтах - максимальное значение в наборе данных цифрового 5-битового изображения (дтах = 2 - 1); Я - матрица, отображающая связь между пикселем и центром кластера для частицы 7. Каждый булевский элемент этой матрицы
указывает на принадлежность пикселя qp кластеру Clk для частицы i; константы wi и w2 - весовые значения каждого критерия, которые определяются пользователем; dmax - максимальное среднее евклидово расстояние от частиц до связанных с ними кластеров, которое вычисляется согласно выражению:
d Q \ С v d(qp, hi,к) ^
dmax (Qi, Xi) = max X --—— , (6)
lr=1 К . м
\VqpGCli,t ni,k
/
где nik - число пикселей частицы i, принадлежащих к кластеру Clk ; dmm(xi) -минимальное евклидово расстояние между любой парой кластерных центров, которое вычисляется согласно выражению:
dmin(хг) = min {d(hik,h lM)}. (7)
Vi, kk, к Фкк
Целевая функция (5) одновременно минимизирует внутрикластерные расстояния между пикселями и их кластерными центрами и максимизирует расстояния между любой парой кластеров. Для получения оптимального решения используется аддитивная скаляризация с весовыми значениями wi и w2 для каждого из критериев, задаваемых пользователем.
Ниже приводится описание предлагаемого алгоритма PSO-k-means.
1. Выбор количества частиц в рое m, личного и глобального коэффициентов ускорения cp и cg, максимального количества итераций Nmax, определение границ для параметров поиска оптимума, параметров функции f согласно (5).
2. For i = 1,..., m (цикл по количеству частиц в рое).
2.1. Инициализировать начальное положение частицы случайным вектором Xi, имеющим равномерное распределение.
2.2. Начальное положение частицы принять за ее лучшее известное положение yi = xi.
2.3. Если f (yi) < fy*), то обновить наилучшее известное состояние роя, заменив у* на yi.
2.4. Случайная инициализация скоростей частиц vi.
3. Текущее количество итераций N = 1.
4. For i = 1,., m (цикл по количеству частиц в рое).
5. For j = 1,., n (цикл по количеству параметров целевой функции).
5.1. Сгенерировать случайные числа rpи rg, принадлежащие интервалу (0, 1).
5.2. Обновить скорость частицы v- .
5.3. x- = xi + vj.
6. Если f (xi) < f (yi), то обновить лучшее известное положение частицы yi = xi, иначе перейти к п. 4.
7. Если f (xi) < f (у*), то обновить лучшее состояние роя у* = xi, иначе перейти к п. 4.
8. Текущее количество итераций N = N + 1.
9. Если текущее количество итераций N > Nmax , то у* содержит лучшее из найденных решений, иначе перейти к п. 4.
10. В соответствии с найденным решением инициализировать число кластеров K и их центры.
11. Определить принадлежность пикселя изображения кластеру, ближе к центру которого он находится, вычислив расстояние до его центра.
12. Рассчитать новые центры кластеров согласно (5). Если они не совпадают с предыдущими, то перейти к п. 11.
13. Сохранить лучшее решение для каждой частицы.
14. Сохранить лучшее решение среди всех т частиц.
15. Обновить кластерные центры согласно полученным решениям.
16. Если произошли изменения в кластерах, то перейти к п. 12.
17. Конец.
Алгоритм Р^О-к-тват может быть улучшен. Выше отмечалось, что множитель ю в формуле (3) влияет на баланс между размерами поискового пространства и вниманием к найденным субоптимальным решениям. Если этот множитель больше 1, то скорости частиц увеличиваются, они разлетаются в стороны и исследуют пространство поиска оптимума более тщательно. Иначе скорости частиц со временем уменьшаются, и скорость сходимости зависит от выбора значений коэффициентов ускорения частиц ср и ся. Таким образом, большие значения коэффициента инерции способствуют исследованию пространства поиска, а малые - локализации решения. В [7] предлагалось линейно изменять множитель ю от некоторого максимального значения ютах до некоторого минимального значения ют1П:
[ п — П 1
ю = (ю— Ютт)|—- 1 + Ютт, (8)
где птах - максимальное число итераций; п - номер текущей итерации. Рекомендуемые значения ютах = 0,9; ют1П = 0,4; снижение значения ю до ют1П производится за 1500 итераций.
Однако результат работы алгоритма Р^О-к-тват можно улучшить, если изменять весовой коэффициент инерции ю экспоненциально:
ю = (ю— Ютт)е1 Птах ) +Ютт, (9)
Обозначим эту модификацию алгоритма через ЕРБО. Результаты экспериментов. Проведено экспериментальное исследование разработанного алгоритма Р^О-к-тват и его модификации ЕРБО. Целью экспериментов являлся оптимальный выбор таких параметров гиперэвристик Р^О-к-тват и ЕРБО, как число частиц т, а также ср и с8 - личного и глобального коэффициентов ускорения частиц, соответственно.
Для экспериментального тестирования использовался набор медицинских МРТ-изображений [3]. Все медицинские снимки были поделены на шесть групп: головной мозг; сердце; легкие; печень; костные структуры; другие.
Исследованием предусматривалось моделирование поведения РБО-к-тват и ЕРБО с различными параметрами с целью определения влияния начальных параметров на сходимость алгоритмов, число итераций, степень идентичности результата обработки эталонному изображению. Для удобства проведения исследований были разработаны вспомогательные программные средства. Для выявления оптимального значения количества частиц т снимки исследовались при различных условиях (зашумленность, контрастность, размытость). Исследования проводились как в автоматическом, так и в интерактивном режиме.
п
тах
Птах-п !
В автоматическом режиме от пользователя требуется указать только количество частиц, максимальное число итераций и количество кластеров для сегментации. Проведенные эксперименты показали, что при размере изображения до 50^50 пикселей рационально использовать не более 10 частиц для алгоритма Р^О-к-тват и не более 8 - для алгоритма ЕРБО. При больших значениях размера снимков (до 800^800 пикселей) уместно брать не более 70 и 62 частиц, соответственно. Данные значения установлены экспериментальным путем и являются средними величинами, полученными при различных вариантах комбинаций начальных расстановок частиц.
Для выявления оптимальных значений коэффициентов ср и с2, снимки исследовались при различных начальных параметрах алгоритма, различных начальных размерах и условиях зашумленности, контрастности и размытости. В частности, при различных значениях т выполнялось разное число итераций и производился отбор лучшего решения. Для выяснения влияния параметров Р^О-к-тват и ЕРБО на общее число итераций были проведены сотни пусков алгоритмов с различным начальным количеством частиц. Выборка лучших решений производилась на основе формулы (5) и наименьшего числа итераций. Вывод: коррекция параметров алгоритма приводит к уменьшению количества его итераций и времени работы.
Для определения оптимальных значений коэффициентов ср и съ все шесть групп медицинских изображений были классифицированы в зависимости от качества снимков на следующие подтипы: зашумленность; контрастность, размытость; хорошее качество.
План экспериментов включал в себя выполнение для каждого изображения в группе до 100 запусков алгоритмов Р^О-к-тват и ЕРБО. Все результаты исследований сохранялись в базе данных. После получения необходимого объема экспериментальных данных, делался запрос к СУБД и производилось вычисление среднего арифметического коэффициентов для лучших решений для снимков одного подтипа. Статистика собиралась для всех групп изображений. Установлено, что оптимальные значения коэффициентов, определяющих поведение и эффективность алгоритмов Р^О-к-тват и ЕРБО, уменьшают количество итераций этих алгоритмов на 8,1% и 9,3%, соответственно.
Выводы. Аналитически обоснован подход к сегментации медицинских изображений посредством комбинированного алгоритма Р^О-к-тват и его модификации ЕРБО, позволяющих повысить качество и скорость обработки изображений по сравнению с известными алгоритмами. Это подтверждается экспериментальными данными, полученными на основе бенчмарок МРТ-снимков. Установлено, что первичные центры кластеров не оказывают влияния на конечное решение для алгоритмов Р^О-к-тват и ЕРБО, а оптимальные значения коэффициентов, определяющих поведение и эффективность алгоритмов Р^О-к-тват и ЕРБО, уменьшают количество итераций этих алгоритмов на 8,1% и 9,3%, соответственно.
Результаты демонстрируют преимущество и подтверждают перспективность использования разработанных алгоритмов в системах цифровой обработки медицинских снимков для решения задачи сегментации изображений.
Литература
1. Дороничева А.В., Савин С.З. Методы распознавания медицинских изображений для задач компьютерной автоматизированной диагностики // Современные проблемы науки и образования. 2014. № 4. URL: http://www.science-education.ru/ru/article/view?id=14414 (Дата обращения: 27.02.2016).
2. Курейчик В.В., Курейчик В.М., Родзин С.И. Теория эволюционных вычислений. М.: Физматлит, 2012. 260 с.
3. Медицинская система OsiriX [Электронный ресурс]. URL: http://www.osirix-viewer.com (Дата обращения: 04.04.2016).
4. Скобцов Ю.А., Эль-Хатиб С.А. Компьютерная система сегментации медицинских изображений методом роя частиц // Вестник НТУ «ХПИ». Сер. Информатика и моделирование. 2015. № 36. С. 147-154.
5. Эль-Хатиб С.А., Скобцов Ю.А. Система сегментации медицинских снимков методом муравьиных колоний // Научно-технические ведомости СПбПУ. Информатика. Телекоммуникации. Управление. 2015. № 2(217). С. 9-19.
6. Burke E.K., Kendall G. Search Methodologies: Introductory Tutorials in Optimization and Decision Support Techniques. N.Y., Springer Science, 2014, part 20, pp. 611-623.
7. El-Desouky N., Ghali N., Zaki M. A new Approach to Weight Variation in Swarm Optimization. Proc. of the 9th Int. Conf. Al-azhar engineering, 2007. pp. 240-244.
8. GonzalezR.C., WoodsR.E. Digital Image Processing. Prentice-Hall, 2008, 954 р.
9. Guojun Gan, Chaoqun Ma, Jianhong Wu. Data Clustering: Theory, Algorithms, and Applications. SIAM, Philadelphia, ASA, Alexandria, 2007, 466 p.
10. Ilango M., Mohan V. A Survey of Grid Based Clustering Algorithms. Int. Jour. of Eng. Science and Technology, 2010, vol. 2(8), pp. 3441-3446.
11. Kennedy J., Eberhart R.C., Yuhui Shi. Swarm Intelligence. San Francisco, Morgan Kaufmann Publ., 2010, 512 р.
12. Poli R. Analysis of the Publications on the Applications of Particle Swarm Optimization. Journal of Artificial Evolution and Applications, 2008, vol. 2008, pp. 1-10.
13. Pratt W.K. Introduction to Digital Image Processing. CRC Press, 2013, 756 р.
14. Rodzin S. Smart Dispatching and Metaheuristic Swarm Flow Algorithm. Computer and Systems Sciences International, 2014, vol. 53, no. 1, pp. 109-115.
15. RuiXu, Wunsch D. Clustering. N.Y., John Wiley & Sons, 2009, 358 p.
РОДЗИН СЕРГЕЙ ИВАНОВИЧ - кандидат технических наук, профессор кафедры математического обеспечения применения ЭВМ, Институт компьютерных технологий и информационной безопасности, Южный федеральный университет, Россия, Таганрог (srodzin@sfedu.ru).
ЭЛЬ-ХАТИБ САМЕР АДНАН - соискатель ученой степени кандидата технических наук кафедры математического обеспечения применения ЭВМ, Институт компьютерных технологий и информационной безопасности, Южный федеральный университет, Россия, Таганрог (samer_elkhatib@mail.ru).
S. RODZIN, S. EL-KHATIB IMPROVING SEGMENTATION ALGORITHM MAGNETIC RESONANCE IMAGES BASED ON SWARM INTELLIGENCE Key words: particle swarm algorithm, cluster, optimization, distance, image segmentation. The formulation of the segmentation problem of medical magnetic resonance imaging is given. A hybrid swarm algorithm for its solution is proposed, which allows you to improve the quality and speed of the image processing. In solving the problem, we use the swarm intelligence method, cluster analysis, the theory of evolutionary computation, mathematical statistics, computer modeling and programming. The experimental results obtained on the data basis from the library of medical MRI images. The optimal values of
the parameters showing the behavior and the effectiveness of the algorithm are determined which allows to reduce the number of the algorithm iterations. The results demonstrate the promising use of the algorithm in digital medical imaging systems.
References
1. Doronicheva A.V., Savin S.Z. Metodyi raspoznavaniya meditsinskih izobrazheniy dlya zadach kompyuternoy avtomatizirovannoy diagnostiki [Methods of Recognition of Medical Images for Computer Aided Diagnosis of Problems]. Sovremennyie problemyi nauki i obrazovaniya [Modern problems of science and education], 2014, no. 4. URL: http://www.science-education.ru/ru/article/view?id=14414.
2. Kureychik V.V., Kureychik V.M., Rodzin S.I. Teoriya evolyutsionnyih vyichisleniy [Theory of Evolutionary Computation]. Moscow, FIZMATLIT Publ., 2012, 260 p.
3. Meditsinskaya sistema OsiriX [Medical system OsiriX]. Available at: http://www.osirix-viewer.com.
4. Skobtsov Yu.A., El-Hatib S.A. Kompyuternaya sistema segmentatsii meditsinskih izobrazheniy metodom roya chastits [Computer system of medical image segmentation method of particle swarm]. Vestnik NTU "HPI". Seriya: Informatika i modelirovanie [Vestnik NTU «KPI». Series: Computing and Modeling], 2015, no. 36, pp. 147-154.
5. El-Hatib S.A., Skobtsov Yu.A. Sistema segmentatsii meditsinskih snimkov metodom muravi-nyih koloniy [Segmentation System of Medical Images by Ant Colonies]. Nauchno-tehnicheskie ve-domosti SPbPU. Informatika. Telekommunikatsii. Upravlenie [Scientific and technical statements STU. Informatics. Telecommunications. Control], 2015, no. 2(217), pp. 9-19.
6. Burke E.K., Kendall G. Search Methodologies: Introductory Tutorials in Optimization and Decision Support Techniques. N.Y., Springer Science, 2014, part 20, pp. 611-623.
7. El-Desouky N., Ghali N., Zaki M. A new Approach to Weight Variation in Swarm Optimization. Proc. of the 9th Int. Conf. Al-azhar engineering, 2007, pp. 240-244.
8. GonzalezR.C., Woods R.E. Digital Image Processing. Prentice-Hall, 2008, 954 p.
9. Guojun Gan, Chaoqun Ma, Jianhong Wu. Data Clustering: Theory, Algorithms, and Applications. SIAM, Philadelphia, ASA, Alexandria, 2007, 466 p.
10. Ilango M., Mohan V. A Survey of Grid Based Clustering Algorithms. Int. Jour. of Eng. Science and Technology, 2010, vol. 2(8), pp. 3441-3446.
11. Kennedy J., Eberhart R.C., Yuhui Shi. Swarm Intelligence. San Francisco, Morgan Kaufmann Publ., 2010, 512 p.
12. Poli R. Analysis of the Publications on the Applications of Particle Swarm Optimization. Journal of Artificial Evolution and Applications, 2008, vol. 2008, pp. 1-10.
13. Pratt W.K. Introduction to Digital Image Processing. CRC Press, 2013, 756 p.
14. Rodzin S. Smart Dispatching and Metaheuristic Swarm Flow Algorithm. Computer and Systems Sciences International, 2014, vol. 53, no. 1, pp. 109-115.
15. RuiXu, Wunsch D. Clustering. N.Y., John Wiley & Sons, 2009, 358 p.
RODZIN SERGEY - Candidate of Technical Sciences, Professor, Department of Mathematical Support of Computer Applications, Institute of Computer Technologies and Information Security, Southern Federal University, Russia, Taganrog (srodzin@sfedu.ru).
EL-KHATIB SAMER ADNAN - Aspirant Candidate of Technical Sciences, Department of Mathematical Support of Computer Applications, Institute of Computer Technologies and Information Security, Southern Federal University, Russia, Taganrog (samer_elkhatib@mail.ru).
Ссылка на статью: 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.
