岳根霞

(山西医科大学汾阳学院，山西 汾阳 032200)

1 引言

通过单一成像设备对病变信息进行获取往往无法为医生提供充足的病理信息，此时需要用多种成像设备对病人的同一病变部位进行多次成像，并对通过多种成像设备得到的图像进行融合以及比较分析，才能获取更加全面的病变部位相关信息，从而帮助医生对疾病进行更加准确的判断并提出更具针对性的治疗方案。而图像采集技术在医学界的应用与普及，使医学治疗领域与临床诊断领域出现了多种医学成像设备，为医生对疾病的诊断提供了不同特性的多种医学图像，这些图像通常来源于各种成像设备，因此具备多模态的特征，能够为医生对疾病的诊断提供决定性的关键信息，这些图像被统一称为多模态病变图像[1]。

当前多模态病变图像的获取方式有基于刚体模型的多模态病变图像、基于图像灰度的多模态病变图像、基于图像特征点的多模态病变图像[2]。其中基于刚体模型的多模态病变图像主要是结合最近邻点迭代法、斜面匹配法与头帽法对病变图像进行获取，并利用初步获取的病变图像建立头表面模型，利用搜索算法对头表面模型的空间变换参数进行获取，从而得到病变图像的多模态特征;基于图像灰度的多模态病变图像主要是结合多项式函数、基函数等变换函数对图像进行空间变换，并通过空间变换对其它图像中的同一部位或器官进行拟合，从而实现病变图像多模态特征的获取;基于图像特征点的多模态病变图像主要是通过图像的外部特征点与内部特征点对多幅图像的重要拐角、曲面、曲线等对应特征进行匹配，并通过对应特征的匹配度对图像的几何变换方式进行决定，从而获取病变图像的多模态特征[3]。这几种传统多模态病变图像的获取方法都有一个共同的问题，即图像挖掘误差较大，因此提出一种基于遗传算法的多模态病变图像，通过实验验证了该多模态病变图像的图像挖掘误差小于传统多模态病变图像的获取方法。

2 基于遗传算法的多模态病变图像合成

2.1 病变图像互信息归一化

首先获取病变图像Shannon 信息熵中条件熵与联合熵的关系，接着根据病变图像Shannon 信息熵关系对病变图像的互信息进行归一化处理[4]。根据Shannon 信息熵的定义，对病变图像中随机特征变量的熵进行定义，如式(1)所示，其中随机特征变量中包含的事件集合为{x1，x2，…，xn}。

(1)

其中，H(X)代表随机特征变量的熵；X代表随机特征变量；p(xi)代表事件xi发生的概率[5]。假设病变图像中两个随机特征变量分别为Y与Z，并且Y与Z的取值范围分别是{y1，y2，…，yn}与{z1，z2，…，zn}，则Y与Z的概率条件分布密度分别为{p(yi|zj)|i=1，2，…，n，j=1，2，…，n}与{p(zj|yi)|j=1，2，…，n，i=1，2，…，n}，这两个随机特征变量的序偶随机量可以用(Y，Z)来表示，取值范围是{(yi|zj)|i=1，2，…，n，j=1，2，…，n}，这两个随机特征变量序偶随机量的概率联合分布密度是{p(yi，zj)|i=1，2，…，n，j=1，2，…，n}，则这两个随机特征变量的联合熵可以用式(2)来表示

(2)

其中，H(Y，Z)指的是两个随机特征变量的联合熵，代表的是序偶随机量(Y，Z)的不确定性或随机性。

接着对两个随机特征变量Y与Z的条件熵进行定义，如式(3)和式(4)

(3)

(4)

其中，H(Y|Z)与H(Z|Y)分别代表两个随机特征变量Y与Z的条件熵，通过条件熵可以在确定一个已知随机特征变量时，对另一个随机特征变量的不确定性进行度量。经过计算得到两个随机特征变量条件熵与联合熵的关系

H(Y，Z)=H(Y)+H(Z|Y)=H(Z)+H(Y|Z)

(5)

当两个随机特征变量Y与Z处于独立状态时，则它们的条件熵与联合熵的关系如下

H(Y，Z)=H(Y)+H(Y)

(6)

H(Z|Y)=H(Z)

(7)

H(Y|Z)=H(Y)

(8)

根据随机特征变量中条件熵与联合熵的关系对病变图像的互信息进行归一化处理，利用H(Y)与H(Z)表示两个随机特征变量Y与Z的熵，则其互信息的定义如下

(9)

利用熵的形式对互信息进行描述

I(Y，Z)=H(Y)+H(Z)-H(Y，Z)

(10)

进一步用条件熵与联合熵对互信息进行描述

I(Y，Z)=I(Y，Z)-H(Y|Z)=H(Z)-H(Z|Y)

(11)

由于随机特征变量具备以上性质，因此必须对其进行归一化处理，处理方式如下

(12)

2.2 最优模态搜索

在完成病变图像互信息的归一化处理后，基于遗传算法对病变图像互信息的最优解即病变图像的最优模态进行搜索[6]。首先确定病变图像互信息的编码方式：对图像x轴方向的平移距离tx、y轴方向的平移距离ty、旋转角α这3个参数进行实数编码，对剩余参数采取二进制编码方式，编码中的各个数字都代表病变图像的一个模态[7]。

接着对适应度函数进行确定，首先获取每个病变图像模态的适应值：对实际待优化模态的目标函数进行转换以获取模态适应值。利用病变图像互信息对适应度函数进行描述：在T这一变换下，最优模态搜索函数为：

(13)

并通过模态适应值对遗传算法的参数进行确定：包括算法最大执行代数N、种群数目P，准确选择算法参数可以提高最优模态搜索效率，并减少程序运行时间，通常最大执行代数N与算法收敛速度直接相关，而种群数目P在10到160之间取值[8]。利用实验法对最大执行代数N、种群数目P的取值进行确定：测试不同的取值组合，所获得的参数列表如表1所示。

表1 不同取值组合下的参数列表

根据表2的实验结果并考虑遗传算法自身的稳定性，P与N的取值分别为41，40。最后需要对遗传算法的运行停止条件进行确定，即当遗传算法到达最大执行代数后停止搜索，则算法达到最大执行代数后，病变图像的最优模态就是种群中的最优个体[9]。完成遗传算法的准备工作后，对算法进行执行，其具体执行步骤如图1所示。

图1 算法具体执行步骤

2.3 实现多模态病变图像的合成

完成最优模态搜索后，建立最优模态获取模型以获取多种成像设备病变图像的最优模态，从而进行多模态病变图像的合成，实现多模态病变图像的获取。最优模态获取模型主要以SegNet和DeconvNet 为基础，通过病变图像模态数据，以特定多路网络分割复合训练的方式，在最优模态搜索训练中引入反卷积网络模型，通过最优模态搜索训练实现对多种成像设备所获取病变图像的最优模态获取。最优模态获取模型的结构如图2所示。

图2 最优模态获取模型结构

如图2所示，最优模态搜索训练中包括两个训练部分：卷积训练部分与反卷积训练部分，其中卷积训练部分是对模态进行编码，反卷积训练部分是对最优模态进行解码，编码与解码均通过反卷积网络模型来进行。在最优模态搜索训练中，可以将卷积网络视为一种特征提取器，其主要作用是在成像设备病变图像中对模态的特征描述进行提取，而反卷积网络可以视为一种形状生成器，其主要作用是通过模态的特征描述对最优模态进行提取，最后利用 softmax 网络进行最优模态提取结果的生成。卷积网络中包含的卷积层数量共13个，通过池化层与激活层能够连接这些卷积层，除此之外，卷积网络还包括两个全连接层，这两个全连接层能够对特定类映射起到加强作用，卷积网络主要通过池化操作实现模态特征描述的提取。而反卷积网络是一种卷积网络的镜像结构，通过反池化操作来实现最优模态的提取。

获取多种成像设备病变图像的最优模态后，对多模态病变图像进行合成：对多种成像设备病变图像中的多个最优模态进行整合，引入深度神经网络对模态整合结果进行训练，从而获得最优模态整合结果，实现多模态病变图像的合成。综上所述，通过病变图像互信息归一化、最优模态搜索建立最优模态获取模型从而实现了基于遗传算法的多模态病变图像合成。

3 仿真研究

为了检测本文提出的基于遗传算法的多模态病变图像，基于Matlab Web平台进行仿真。

3.1 实验过程

以Matlab Web为实验平台编写vc模型仿真程序对最优模态获取模型进行仿真，通过MIDMES 系统，系统主界面由莱单、工具栏、状态栏和多窗口容器组成。由系统的莱单栏进入系统的各个功能模块：图像浏览与格式转换、聚类分析、关联规则挖掘等。当进行图像检索时状态栏显示数据库中图像数，以及检索到的相似图像数。完成最优模态获取模型的仿真后，通过最优模态获取模型获取多模态病变图像。

图3 实验数据来源界面

为了保证实验的有效性，使用基于刚体模型的多模态病变图像、基于图像灰度的多模态病变图像、基于图像特征点的多模态病变图像与本文提出的基于遗传算法的多模态病变图像进行对比，观察仿真的结果，比较多模态病变图像挖掘误差的大小。其中多模态病变图像挖掘误差的定义如下

(14)

为了减少多模态病变图像的图像挖掘误差，实验中的病变图像都进行了同样程度的灰度调整。每种多模态病变图像各自进行三次实验。本次实验以病变细胞为病变图像部位。

通过细胞病变图像获取互信息可以得到其性质，如表2所示。

表2 病变图像互信息性质

3.2 实验结果

基于刚体模型的多模态病变图像、基于图像灰度的多模态病变图像、基于图像特征点的多模态病变图像、基于遗传算法的多模态病变图像的获取结果如图4所示。

图4 不同方法的多模态病变图像对比图

如图4所示，基于遗传算法的多模态病变图像更清晰，效果更为理想。在此基础上，对实验具体数据进行对比，实验获取的具体数据如表3所示。

表3 实验获取具体数据

通过表3可知，基于刚体模型的多模态病变图像的平均图像挖掘误差为0.41;基于图像灰度的多模态病变图像的平均图像挖掘误差为0.2;基于图像特征点的多模态病变图像的平均图像挖掘误差为0.19;基于遗传算法的多模态病变图像的平均图像挖掘误差为0.063，通过比较可知，基于遗传算法的多模态病变图像的图像挖掘误差最小，证明本文提出的多模态病变图像更加精准，将其应用在医学领域能够提升医生诊断疾病的效率。

4 结束语

基于遗传算法的多模态病变图像通过病变图像互信息归一化、最优模态搜索建立最优模态获取模型，并通过该模型获取多种成像设备病变图像的最优模态，进行多模态病变图像的合成，实现多模态病变图像的获取。该多模态病变图像的图像挖掘误差较小，相较于传统多模态病变图像来说更加精准，对医疗界的意义重大，有助于医生对病变部位的疾病诊断，是医学影像技术的一种发展，能够获取全面、有效、互补的病变部位医疗信息，在提升治疗效果与追踪病理变化方面有着卓越的效果。