基于改進蝙蝠算法的甲狀腺SPECT-B超圖像配準

基于改進蝙蝠算法的甲狀腺SPECT-B超圖像配準

鄭偉1,2，李凱玄1,2，張晶1,2，于天燕3

(1.河北大學 電子信息工程學院，河北 保定071002；2.河北省數字醫療工程重點實驗室，河北 保定071002；

3.中國人民解放軍66165部隊二級，河北 保定071000)

摘要：為了提高甲狀腺腫瘤檢出的準確率，提出基于改進蝙蝠算法的甲狀腺SPECT(single-photo emission computed tomogropby)-B超圖像配準方法．針對甲狀腺SPECT圖像與B超圖像灰度差異大，采用2類圖像共有的甲狀腺及腫瘤輪廓特征進行配準．采用閾值分割法提取SPECT圖像中甲狀腺及腫瘤輪廓；采用Shearlet變換與基于活動輪廓模型圖割算法相結合的方法提取B超圖像中甲狀腺及腫瘤輪廓；以歸一化互信息為相似性測度，以改進的蝙蝠算法為優化算法，優化配準所需的空間變換參數．實驗結果表明，提取的B超圖像中甲狀腺及腫瘤輪廓更準確，改進的蝙蝠算法使配準具有更高的準確性和較好的魯棒性．

關鍵詞：甲狀腺腫瘤；SPECT圖像；B超圖像；Shearlet變換；基于活動輪廓模型的圖割算法；蝙蝠算法

DOI：10.3969/j.issn.1000-1565.2015.05.013

中圖分類號：TN911文獻標志碼：A

收稿日期：2014-12-27

基金項目：河北大學醫工交叉研究中心開放基金資助項目(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：鄭偉(1972-)，女，黑龍江蘭西人，河北大學教授，博士，主要從事圖像處理、圖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

甲狀腺癌是發病率增長速度最快的惡性腫瘤之一[1].在甲狀腺腫瘤的臨床診斷和治療中經常使用的醫學影像主要有:提供精確解剖信息的CT(computed tomography)圖像、超聲(ultrasound examination)圖像和反映人體功能代謝信息的PET(positron emission computed tomography)圖像、SPECT(single-photon emission computed tomography)圖像．高分辨率B超檢查對甲狀腺結節的確診率可高達76%[1]，與CT相比，B超無放射性損傷、無痛苦，而SPECT圖像比PET圖像費用低，所以將甲狀腺SPECT圖像與B超圖像融合,可以同時提供功能和解剖信息，具有臨床應用價值．

圖像融合的前提是圖像配準，醫學圖像配準是指通過空間變換實現2幅醫學圖像的空間對準，尋找最優的空間變換參數使具有診斷意義的點及手術感興趣的點達到匹配．醫學圖像的配準方法有基于灰度的配準和基于特征的配準．基于灰度的配準方法不需要分割，但是計算量大；基于特征的配準方法容易受分割步驟的影響．文獻[2]提出一種基于改進符號壓力函數的區域活動輪廓模型，但是其分割結果對初始輪廓位置比較敏感．文獻[3]指出蝙蝠算法在組合優化、參數估計、分類、聚類和數據挖掘等方面被應用，并取得較好的應用效果，文獻[4-7]表明蝙蝠算法比和聲算法、遺傳算法、粒子群算法有潛力發揮更大的作用．

1甲狀腺及腫瘤輪廓的提取

圖1a為SPECT圖像，圖1b是SPECT標記圖像，標記處(十字標記)為甲狀腺腫瘤．由圖1a可以看出SPECT圖像中甲狀腺及腫瘤沒有一個清楚的邊界，為了提取SPECT圖像中甲狀腺及腫瘤輪廓，以腫瘤上標記點為界限，采用閾值法分割所需的甲狀腺及腫瘤輪廓，當閾值為39時得到圖1c所示的分割標記圖，然后利用此閾值分割出SPECT圖像中甲狀腺及腫瘤的輪廓，如圖1d所示．

a. SPECT圖像；b. SPECT標記圖；c. 閾值分割標記圖；d. 閾值分割圖.

B超圖像亮度分布不均勻，灰度對比度低，不能清楚顯示甲狀腺及腫瘤的輪廓，為了較準確地提取甲狀腺及腫瘤的輪廓，本文提出Shearlet變換[8]與基于活動輪廓模型的圖割算法[9]相結合的方法.首先將B超圖像進行Shearlet多尺度多方向分解，將分解后的高頻子帶疊加得到高頻疊加圖，然后在高頻疊加圖上利用GCBAC(Guaph cuts based active contours,基于活動輪廓模型的圖割算法)．

Shearlet變換是多尺度分解，不同分解級數下的高頻疊加圖不同．圖2是對B超圖像分別進行1級、2級、3級、4級分解所對應的高頻疊加圖，從圖中可以看出圖2d可以較清楚地顯示甲狀腺及腫瘤的輪廓，因此在圖2d上利用GCBAC方法提取輪廓，結果如圖2f所示．

由圖1a,2a知SPECT圖像和B超圖像的灰度差異大，基于灰度的配準會造成誤配準．由于SPECT圖像與B超圖像具有共同的甲狀腺及腫瘤輪廓，因此本文以這2類圖像的甲狀腺及腫瘤輪廓(圖1d,圖2f)為特征進行配準．由于輪廓圖包含的信息較少，對其進行配準會出現誤配準的情況，所以將SPECT圖像與B超圖像的輪廓圖填充為二值圖像分別作為參考圖像和待配準圖像．以歸一化互信息(normalized mutual information, NMI)為相似性測度，當參考圖像和待配準圖像達到最佳配準時，它們之間的歸一化互信息達到最大值，因此本文配準的實質是尋找使NMI達到最大值的空間變換

(1)

歸一化互信息的公式為

(2)

其中A為參考圖像，B為待配準圖像，H(A)為參考圖像的熵，H(B)為待配準圖像的熵，H(A,B)為圖像A和B的聯合熵．

a.B超原圖；b.1級疊加圖；c.2級疊加圖；d.3級疊加圖；e.4級疊加圖；f.分割輪廓圖.

2改進蝙蝠算法尋找最優空間變換參數

由于本文配準的實質是尋找使NMI達到最大值的空間變換參數，為了較精確地找到此空間變換參數，提出改進的蝙蝠算法對空間變換參數進行尋優，使尋優結果更好．

2.1　改進的蝙蝠算法

蝙蝠算法(bat algorithm, BA)是2010年由劍橋大學的Yang Xinshe[4]通過對蝙蝠在覓食時所發出脈沖的頻率、響度、發射速率進行調節使蝙蝠種群向當前最優個體學習更新速度進而更新位置而模擬設計出的種群智能算法[10]．根據蝙蝠算法的基本思想與本文配準的實質，對蝙蝠算法做了以下調整，使蝙蝠算法適用于本文的配準并達到較好的配準效果．

1)甲狀腺SPECT-B超圖像配準是尋找使適應度函數(NMI)達到最大值所對應的解，蝙蝠算法是尋找適應度最小值所對應的解，所以將蝙蝠算法中是否接受新解的條件randF(x*)，此條件中rand∈[0,1]間的隨機數，Ai是蝙蝠的響度，F(xi)是蝙蝠的適應度函數(NMI)，x*是當前全局最優解．

2)為了使每次迭代過程中的解向最優解趨近，當滿足條件randF(x*)時，接受新解，當不滿足條件時，接受公式(3)的解．

xnew=xold+R,

(3)

式中xold是當前最優解，xnew是在最優解附近產生的局部解，R∈[0,1]間的隨機數．

2.2　參數的選取

表1　不同最大脈沖頻率下的歸一化互信息值

由表1可知，最大脈沖頻率除了取0.5外，都達到了配準的最優值．由于蝙蝠發出的脈沖頻率與波長的乘積是一個常數，頻率越大對應的波長越短，搜索范圍越小，同時最大脈沖頻率控制蝙蝠的速度，頻率越大，速度越快，為了同時兼顧搜索范圍和速度，取fmax=1.

表2　不同初始響度范圍下的歸一化互信息值

從表2中可以看出初始響度取值范圍只有在[5,7]時配準結果達到最優，所以初始響度取值為[5,7]．

對最大迭代次數的選取進行實驗，最大歸一化互信息值在迭代次數大于10后就保持不變，但是隨著迭代次數的增加，時間在增加，綜合考慮最大迭代次數選為20．

表3　蝙蝠種群個數的選擇

從表3知當蝙蝠個數N=14時，歸一化互信息值達到最大值，但是N越大，歸一化互信息值保持不變，所用時間越長，最終種群數選為18．

3實驗結果及分析

實驗環境為Matlab 7.1，實驗采用的所有數據來源于河北大學附屬醫院，SPECT圖像采自GE Infina Hawkeye 4 SPECT-CT單光子發射斷層儀，B超圖像采自Voluson E8 三維彩色超聲診斷儀，這2幅圖像均按每4 mm斷層，同一時期取至同一病人甲狀腺的同一層面．實驗中，參考圖像和待配準圖像大小都是208 pixels×208 pixels．

為了驗證本文提出的Shearlet+GCBAC分割方法與改進蝙蝠算法的優越性，進行了2組對比實驗：一組是本文分割方法與GCBAC對比；另一組是改進的蝙蝠算法與其他優化算法對比．

1)本文提出的Shearlet+GCBAC分割方法與GCBAC方法的對比，結果如圖3所示．從圖中可見本文方法提取B超圖像中甲狀腺及腫瘤輪廓與SPECT圖像中甲狀腺及腫瘤輪廓基本達到一致．

a.GCBAC配準疊加圖；b.GCBAC融合圖；c.本文方法配準疊加圖；d.本文方法配準融合圖.

對2種方法在配準精度上做了比較，如表4所示，本文方法配準后的歸一化互信息值比GCBAC方法配準后的歸一化互信息值提高了0.035 1 bit/sign，所以本文輪廓提取方法更準確．

2)對遺傳算法(genetic algorithm , GA)、粒子群算法(particle swarm optimization , PSO)、混合蛙跳算法[11](shuffled frog leaping algorithm , SFLA)和改進的蝙蝠算法進行比較，如圖4所示．上面一行分別是配準后輪廓疊加圖，下面1行分別是其對應的融合圖，從圖中可以看出GA算法和PSO算法沒有達到配準，SFLA算法和改進的BA算法使輪廓基本上對齊，達到了較好的配準．

表4　GCBAC與本文分割方法的對比

GAPSOSFLABA

圖4各種優化算法的配準結果

Fig.4Registration result images of different optimization algorithms

對各種優化算法在配準精度和配準時間上進行比較，如表5所示.改進的BA算法配準后的NMI值比GA算法提高0.033 0 bit/sign，比PSO算法提高0.044 4 bit/sign，改進的BA算法與SFLA算法的NMI值都達到了最大值，但是配準時間比SFLA算法減少了204.497 888 s．綜合來說，改進的BA算法克服了GA、PSO配準精度低、SFLA配準時間長的缺點，將SPECT圖像和B超圖像的甲狀腺及腫瘤準確地對齊，具有良好的配準效果．

表5　各種優化算法的對比數據

為了驗證本文方法配準效果的穩定性，進行了10次實驗，如表6所示，在這10次實驗中，最大歸一化互信息基本達到最優值，表明本文方法具有較好的穩定性．

表6　驗證本文方法穩定性的實驗數據

4結論

本文以甲狀腺SPECT圖像和B超圖像中甲狀腺及腫瘤輪廓的二值圖像分別作為參考圖像和待配準圖像，歸一化互信息為相似性測度，以改進的蝙蝠算法為優化算法進行配準．實驗表明，本文提出的Shearlet變換與GCBAC相結合的方法提取B超圖像中甲狀腺及腫瘤輪廓比GCBAC方法更準確，與GA，PSO和SFLA算法相比，改進的蝙蝠算法具有更高的配準精度和較好的穩定性，可以更好地輔助甲狀腺腫瘤的診斷和治療．

參考文獻:

[1]高明.甲狀腺結節和分化型甲狀腺癌診斷指南[J].中國腫瘤臨床, 2012,39(17):1249-1251.

[2]蘇日娜，吳紀桃. 改進符號壓力函數的區域活動輪廓模型[J].中國圖象圖形學報，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]謝建，周永權，陳歡.一種基于Lévy飛行軌跡的蝙蝠算法[J].模式識別與人工智能,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]鄭偉，孟繁婧，田華，等.基于混合蛙跳算法的SPECT-B超甲狀腺圖像配準[J].河北大學學報：自然科學版，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.

(責任編輯：王蘭英)