專利名稱：基于人工內(nèi)分泌免疫系統(tǒng)的醫(yī)學(xué)體數(shù)據(jù)分割方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，尤其是一種基于人工內(nèi)分泌免疫系統(tǒng)的醫(yī)學(xué)體數(shù)
據(jù)分割方法。
背景技術(shù)：
由于人體組織器官之間的相互"粘連"，各組織邊界天生存在"模糊性"和"不可分 辨性"，致使醫(yī)學(xué)圖像的分割，尤其是三維分割具有一定的挑戰(zhàn)性——必須在保證分割精度 的前提下，大幅降低計(jì)算復(fù)雜度，以滿足醫(yī)療診斷對(duì)實(shí)時(shí)性的要求。 醫(yī)學(xué)體數(shù)據(jù)的分割具有數(shù)據(jù)量大、結(jié)構(gòu)復(fù)雜、多維、大尺度、大量局部最優(yōu)的特征， 因此選擇合適的分割機(jī)理以及數(shù)值優(yōu)化算法，是在最短時(shí)間內(nèi)得到最優(yōu)解的關(guān)鍵。窮盡 法、鄰域法、爬山法和模擬退火法等傳統(tǒng)分割優(yōu)化算法均無(wú)法很好地解決該問(wèn)題，它們?cè)谌?維搜索計(jì)算的實(shí)時(shí)性和精確性上，均不能滿足臨床診斷的需求。而近年來(lái)被廣泛應(yīng)用于圖 像領(lǐng)域，具備快速全局尋優(yōu)能力的人工智能類非線性優(yōu)化算法，則更適于該類問(wèn)題的求解， 例如叢琳等(電子與信息學(xué)報(bào)，2006年第28期)將免疫克隆選擇算法成功應(yīng)用于圖像分 割。智能優(yōu)化算法規(guī)避了僅從圖像分割機(jī)理的角度尋求計(jì)算效率突破的單一思維方式，改 由其完成實(shí)時(shí)性優(yōu)化任務(wù)，顯著解放了運(yùn)算量對(duì)三維分割算法的束縛。以人工免疫系統(tǒng) (Artificial Immune System,AIS)為核心的算法實(shí)驗(yàn)表明，智能優(yōu)化方法在提高三維圖像 分割速度、滿足分割精度和穩(wěn)定性等方面的發(fā)展空間仍相當(dāng)大。以西安交大一附院的男性 三維CT數(shù)據(jù)為例，典型的免疫遺傳算法(Immune Genetic Algorithm, IGA)與模糊指數(shù)熵 雙閾值法相結(jié)合，分割人體胸部組織數(shù)據(jù)的結(jié)果顯示，其方差、相對(duì)誤差和絕對(duì)誤差分別達(dá) 到了 10—7、10—5和10—4數(shù)量級(jí)，且計(jì)算速度更快，平均耗時(shí)僅為傳統(tǒng)算法的14%。但是以AIS 為核心的智能優(yōu)化方法對(duì)疊加了高斯白噪聲的同一數(shù)據(jù)，所得分割閾值偏大，分割效果惡 化。 由于AIS對(duì)生物免疫特性的模仿仍存在局限性，種群多樣性的產(chǎn)生與保持機(jī)制也 不夠完善，導(dǎo)致其在求解三維圖像分割等復(fù)雜數(shù)值優(yōu)化問(wèn)題時(shí)，各代最優(yōu)可行解集合(最 優(yōu)抗體群)的遷移狀態(tài)無(wú)法得到有效控制，難以獲取最佳的進(jìn)化收斂性能。因此，受生命 活動(dòng)的啟發(fā)，各國(guó)研究者們還將克隆、疫苗和螞蟻信息素等生物學(xué)說(shuō)，抽象為計(jì)算智能領(lǐng) 域的數(shù)學(xué)操作，產(chǎn)生了克隆算子、疫苗理論和人工信息素等智能算法的作用因子。這些新 理論的提出，為智能計(jì)算的研究帶來(lái)了飛躍式的發(fā)展，其應(yīng)用也覆蓋了通信系統(tǒng)、圖像處 理、機(jī)械控制、模式識(shí)別、信號(hào)處理和計(jì)算機(jī)網(wǎng)絡(luò)等幾乎所有工業(yè)領(lǐng)域。那么，作為生物內(nèi) 分泌系統(tǒng)中，信息傳遞的重要介導(dǎo)物質(zhì)——激素，當(dāng)然也可從中挖掘內(nèi)在有益機(jī)制，發(fā)揮其 穩(wěn)定性和自適應(yīng)性優(yōu)勢(shì)，克服孤立的免疫機(jī)構(gòu)自身缺陷，支持和推動(dòng)人工內(nèi)分泌免疫系統(tǒng) (Artificial Endocrine Immune System, AEIS)理論的發(fā)展。然而，迄今為止領(lǐng)域內(nèi)關(guān)于 AEIS的運(yùn)行機(jī)理、動(dòng)態(tài)特性和分析模型的研究尚不多見(jiàn)，在三維醫(yī)學(xué)體數(shù)據(jù)分割等復(fù)雜函 數(shù)優(yōu)化問(wèn)題中的應(yīng)用報(bào)道則更是少之又少，已成為亟待完善的幾項(xiàng)重要課題之一。同時(shí)，又 因醫(yī)學(xué)體數(shù)據(jù)易受環(huán)境噪聲、灰度重疊和成像衰減等退化因素的影響，加之感興趣區(qū)域天
4然具有模糊、偏移等特性，所以當(dāng)AIS被用于優(yōu)化復(fù)雜醫(yī)學(xué)體數(shù)據(jù)分割時(shí)，也必然帶來(lái)分割 計(jì)算的實(shí)時(shí)性、穩(wěn)定性和精確性等實(shí)際問(wèn)題。 AIS在圖像分割領(lǐng)域的應(yīng)用研究以二維遙感、SAR和紅外等圖像的感興趣區(qū)域分 割為主，而三維醫(yī)學(xué)體數(shù)據(jù)的快速、精確分割問(wèn)題則較少涉及?，F(xiàn)有技術(shù)存在的主要問(wèn)題包 括①實(shí)時(shí)性仍較差。三維分割與二維分割相比，數(shù)據(jù)量大大增加，現(xiàn)有分割優(yōu)化算法的運(yùn) 算實(shí)時(shí)性與實(shí)際應(yīng)用仍有較大差距。②難以獲取準(zhǔn)確結(jié)果。雖然AIS的全局搜索能力強(qiáng)、 尋優(yōu)效率高，但并非每次獨(dú)立運(yùn)行，都能得到如窮舉搜索般準(zhǔn)確的結(jié)果。 一方面，AIS在種 群多樣性機(jī)制、整體收斂性和算子操作策略等方面存在缺陷；另一方面，由于成像衰減、模 糊、偏移等退化因素，導(dǎo)致即使最優(yōu)解與真實(shí)解間僅有萬(wàn)分之一的誤差，最終分割結(jié)果也已 與準(zhǔn)確結(jié)果相去甚遠(yuǎn)。 目前，與本發(fā)明內(nèi)容類似的專利申請(qǐng)主要是鐘燕飛等人利用人工免疫系統(tǒng)開(kāi)展的 遙感影像的分類和選擇。由于人工免疫系統(tǒng)仍存在上述缺陷，因此對(duì)于復(fù)雜三維醫(yī)學(xué)圖像 的分割而言，還需要對(duì)人工免疫系統(tǒng)做出改進(jìn)。

發(fā)明內(nèi)容
為了克服現(xiàn)有技術(shù)實(shí)時(shí)性較差和難以獲取準(zhǔn)確結(jié)果的不足，本發(fā)明提供一種基于 人工內(nèi)分泌免疫的醫(yī)學(xué)體數(shù)據(jù)分割方法，為人工免疫系統(tǒng)(AIS)加入激素調(diào)節(jié)操作，用于 對(duì)醫(yī)學(xué)體數(shù)據(jù)分割問(wèn)題進(jìn)行尋優(yōu)。 本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案包括以下步驟
(1)打開(kāi)待分割的醫(yī)學(xué)體數(shù)據(jù)。 (2)根據(jù)待分割類數(shù)確定圖像閾值自變量的個(gè)數(shù)，圖像閾值自變量的個(gè)數(shù)等于圖 像待分割類數(shù)減l，對(duì)閾值自變量進(jìn)行編碼。 (3)設(shè)定算法參數(shù)，包括初始種群規(guī)模、克隆規(guī)模、初始交叉概率、初始變異概率和 最大進(jìn)化代數(shù)，并設(shè)置進(jìn)化代數(shù)為1。根據(jù)初始種群規(guī)模隨機(jī)生成初始種群，即種群B，并計(jì) 算初始種群的抗體_抗原親和度。 (4)根據(jù)初始種群抗體_抗原親和度計(jì)算適應(yīng)度選擇概率，同時(shí)計(jì)算抗體_抗體 親和度，進(jìn)而得到克隆規(guī)模，按照克隆規(guī)模對(duì)初始抗體種群進(jìn)行克隆操作，生成下一代子群 體，即種群B'。
(5)在克隆后的子群體內(nèi)部，按照內(nèi)分泌激素調(diào)節(jié)的Hill函數(shù)規(guī)律，利用種群中
平均適應(yīng)度值、最大適應(yīng)度值和最小適應(yīng)度值構(gòu)造自適應(yīng)交叉概率計(jì)算公式和自適應(yīng)變異
概率計(jì)算公式，進(jìn)行自適應(yīng)交叉和變異操作，生成新的種群，即種群B〃 。 (6)執(zhí)行選擇操作，將經(jīng)克隆、交叉和變異操作后的子代種群(種群B〃 )和相應(yīng)
父代種群(種群B)中的抗體按照抗體-抗原親和度由高到低的循序排序，選擇抗體-抗原
親和度較高的個(gè)數(shù)等于初始種群規(guī)模的抗體作為候選抗體，形成新的種群，即種群B〃 '。 (7)計(jì)算種群B〃 '的抗體-抗原親和度函數(shù)值，若結(jié)果滿足終止條件，即達(dá)到了
最大進(jìn)化代數(shù)，則終止計(jì)算，獲得最佳圖像分割閾值，最佳圖像分割閾值即抗體-抗原親和
度函數(shù)的自變量，進(jìn)入下一步；否則，進(jìn)化代數(shù)加l，返回步驟(4)。 (8)利用步驟(7)得到的最佳圖像分割閾值，對(duì)三維醫(yī)學(xué)圖像進(jìn)行分割。 作為本發(fā)明的優(yōu)選方案，所述的閾值自變量采用二進(jìn)制向量編碼進(jìn)行標(biāo)記。
作為本發(fā)明的優(yōu)選方案，所述的最大進(jìn)化代數(shù)一般選擇50 500。 本發(fā)明所述的種群由個(gè)數(shù)等于種群規(guī)模的抗體組成。 對(duì)于灰度圖像，步驟(3)中初始種群的抗體個(gè)數(shù)取值范圍為0 255。 步驟(3)中的Hill函數(shù)規(guī)律是指激素分泌調(diào)節(jié)的上升和下降遵循Hill函數(shù)規(guī)
律，如下兩式所示 FUD(G》 Fd。wn(G) 式中，G為Hill函數(shù)F的自變量；Fup為上升Hill函數(shù)，F(xiàn)d,為下降Hill函數(shù)；T 為門限，且TX);n為Hill系數(shù)，且n^ 1 ;n和T共同決定曲線上升和下降的斜率。Hill 函數(shù)具有如下性質(zhì)(1) Fup = 1-Fd。wn ; (2) F (G) c = T = 1/2 ; (3) 0《F (G)《1 。
步驟(5)所述的基于激素調(diào)節(jié)Hill函數(shù)規(guī)律的自適應(yīng)交叉概率計(jì)算公式為<formula>formula see original document page 6</formula> 式中，P。和P?！惴謩e為交叉概率和初始交叉概率；fav， fmax和fmin分別為每一代種群 的平均適應(yīng)度、最大適應(yīng)度和最小適應(yīng)度；a和n。是系數(shù)因子，且n?？刂艸ill函數(shù)的斜率。
步驟(5)所述的基于激素調(diào)節(jié)Hill函數(shù)規(guī)律的自適應(yīng)變異概率計(jì)算公式為<formula>formula see original document page 6</formula>^ 式中，Pm和Pm°分別為變異概率和初始變異概率；13和nm是系數(shù)因子。
本發(fā)明的有益效果是由于在傳統(tǒng)人工免疫系統(tǒng)(AIS)中加入了內(nèi)分泌激素的調(diào)
節(jié)原理，即利用內(nèi)分泌激素調(diào)節(jié)的Hill函數(shù)規(guī)律設(shè)計(jì)新的自適應(yīng)交叉概率和自適應(yīng)變異
概率計(jì)算公式，并將其融入人工免疫系統(tǒng)，本發(fā)明改善了傳統(tǒng)AIS優(yōu)化算法的尋優(yōu)穩(wěn)定性、
種群多樣性及親和度成熟能力，提高了其收斂速度，形成了基于人工內(nèi)分泌免疫系統(tǒng)的三
維醫(yī)學(xué)圖像的精確、穩(wěn)定分割方法。 下面結(jié)合實(shí)施例對(duì)本發(fā)明進(jìn)一步說(shuō)明。
具體實(shí)施例方式
將三維醫(yī)學(xué)腦部256級(jí)灰度原始圖像(174*138*119體素)作為分割對(duì)象，分割為 腦灰質(zhì)、腦白質(zhì)、腦脊液三部分，包括以下步驟 1.打開(kāi)該三維腦部圖像。具備了基本打開(kāi)圖像功能的三維圖像處理程序或工具均 可以供本發(fā)明實(shí)施使用。具體實(shí)施時(shí)，可以把三維圖像處理程序的圖像打開(kāi)功能和本發(fā)明 方法的其他步驟所需功能結(jié)合成一體，通過(guò)計(jì)算機(jī)編程即可實(shí)現(xiàn)。也可將二者集成在一個(gè) 軟件當(dāng)中。 2.根據(jù)打開(kāi)的三維醫(yī)學(xué)圖像本身和所要分割的目標(biāo)(在本實(shí)例中為腦灰質(zhì)、腦白 質(zhì)和腦脊液，其他實(shí)例還可以是具體病灶和其他人體組織等)，確定分割閾值個(gè)數(shù)，以明確 要將該三維醫(yī)學(xué)圖像分為幾個(gè)部分。對(duì)于本實(shí)例的腦部灰度圖像，灰度級(jí)在0 255之間， 因此采用16位的二進(jìn)制數(shù)來(lái)表示兩個(gè)閾值^和tJ即二進(jìn)制位數(shù)M二 16，閾值自變量個(gè)數(shù)S = 2)，高8位為t"低8位為t2。 3.初始化以兩個(gè)閾值為抗體的種群，為程序輸入算法所需參數(shù)，主要包括初始種 群規(guī)模N0 = 20、克隆規(guī)模c、初始交叉概率C =0.1 、初始變異概率《=0.05和最大進(jìn)化代數(shù)L 二 200，并設(shè)定進(jìn)化代數(shù)k二 1。其中，抗體種群空間為
IN = {B :B = [B^2…Bn] ， Bh G I， 1《h《N} 式中，正整數(shù)N稱為抗體種群規(guī)模。那么，初始抗體群B為抗體B的N°元組。
計(jì)算初始種群的抗體-抗原親和度(即適應(yīng)度函數(shù)值，本實(shí)例以閾值為自變量的 圖像總熵作為適應(yīng)度函數(shù))。根據(jù)Shannon熵的概念，對(duì)于灰度范圍為{0，1，…，1-1}的 圖像，其直方圖的熵定義為 // = -J>,lnp, 其中Pi為第i個(gè)灰度出現(xiàn)的概率。設(shè)tn t2 < <^，則圖像的總熵為
th，是h個(gè)分割閾值，且有^<t2




<formula>formula see original document page 7</formula>最佳閾值t二t
為使總熵取得最大值
特別地，對(duì)于雙閾值情況，^ < ^，總熵為
<formula>formula see original document page 7</formula>最佳閾值t二 為使總熵取得最大值
<formula>formula see original document page 7</formula>
4.計(jì)算抗體-抗體親和度 Qi = min = min {exp ( i ^ j ;i， j = 1，2，…，n
式中，I I I I為任意范數(shù)，對(duì)二進(jìn)制編碼一般取海明距離。各抗體間親和力(即 相似程度)越大，Qi值越小(抑制該抗體)。因此，記D二 (Dij)nxn，i，j = 1，2，…，n為抗 體_抗體親和度矩陣，反映了種群的多樣性。
計(jì)算克隆規(guī)模
Ci (k) = Int {n pf 式中n〉N。是于克隆規(guī)模有關(guān)的設(shè)定值；Int(0為上取整函數(shù)，Int (x)表示大于X的最小整數(shù)；適應(yīng)度選擇概率為 = /CB,W)/ Z / 可見(jiàn)，對(duì)種群中的單一抗體而言，其克隆規(guī)模是依據(jù)抗體_抗原親和度、抗體_抗 體親和度自適應(yīng)調(diào)整的，當(dāng)抗體間抑制小(Qi值大)，而抗原剌激大(Pf值大)時(shí)，克隆規(guī)模 也大，反之則小。 進(jìn)行克隆操作，生成下一代種群B'。記克隆操作為T。 則克隆過(guò)程定義為
考)-c))
=[C)) C-)) d
式中B;W-rf(5,(A0戶/,xS,W,i = L2，…，n，k為進(jìn)化代數(shù)，Ii是元素為1的Ci維

行向i
5.根據(jù)內(nèi)分泌激素調(diào)節(jié)的Hill函數(shù)規(guī)律，首先計(jì)算種群的平均適應(yīng)度值f^最大
適應(yīng)度值fmax和最小適應(yīng)度值fmin，進(jìn)而利用自適應(yīng)交叉概率計(jì)算公式 ' (" 、

\ Wmax ymui乂 、乂ov^
和自適應(yīng)變異概率計(jì)算公式
1 + / - 進(jìn)行自適應(yīng)交叉和變異操作，生成新的種群B〃 。 6.執(zhí)行選擇操作Tse，即從B〃和B中選擇適應(yīng)度值(即抗體_抗原親和度值)最 大的抗體，形成新的種群(種群規(guī)模與初始種群規(guī)模一致)
単+ l)-7f,)U辟)) 7.k = k+l。計(jì)算新種群B(k+l)的適應(yīng)度函數(shù)(或稱抗體-抗原親和度函數(shù))值， 若滿足終止條件，即k = 200，終止計(jì)算；否則，回到步驟2。本實(shí)例采用最大進(jìn)化代數(shù)作為 終止條件。從而計(jì)算得到最佳閾值t,和t/，利用該閾值即可對(duì)腦部原始圖像進(jìn)行分割。
8
權(quán)利要求
基于人工內(nèi)分泌免疫系統(tǒng)的醫(yī)學(xué)體數(shù)據(jù)分割方法，其特征在于包括下述步驟(1)打開(kāi)待分割的醫(yī)學(xué)體數(shù)據(jù)；(2)根據(jù)待分割類數(shù)確定圖像閾值自變量的個(gè)數(shù)，圖像閾值自變量的個(gè)數(shù)等于圖像待分割類數(shù)減1，對(duì)閾值自變量進(jìn)行編碼；(3)設(shè)定算法參數(shù)，包括初始種群規(guī)模、克隆規(guī)模、初始交叉概率、初始變異概率和最大進(jìn)化代數(shù)，并設(shè)置進(jìn)化代數(shù)為1；根據(jù)初始種群規(guī)模隨機(jī)生成初始種群，即種群B，并計(jì)算初始種群的抗體-抗原親和度；(4)根據(jù)初始種群抗體-抗原親和度計(jì)算適應(yīng)度選擇概率，同時(shí)計(jì)算抗體-抗體親和度，進(jìn)而得到克隆規(guī)模，按照克隆規(guī)模對(duì)初始抗體種群進(jìn)行克隆操作，生成下一代子群體，即種群B′；(5)在克隆后的子群體內(nèi)部，按照內(nèi)分泌激素調(diào)節(jié)的Hill函數(shù)規(guī)律，利用種群中平均適應(yīng)度值、最大適應(yīng)度值和最小適應(yīng)度值構(gòu)造自適應(yīng)交叉概率計(jì)算公式和自適應(yīng)變異概率計(jì)算公式，進(jìn)行自適應(yīng)交叉和變異操作，生成新的種群，即種群B″；(6)執(zhí)行選擇操作，將種群B″和種群B中的抗體按照抗體-抗原親和度由高到低的循序排序，選擇抗體-抗原親和度較高的個(gè)數(shù)等于初始種群規(guī)模的抗體作為候選抗體，形成新的種群，即種群B′″；(7)計(jì)算種群B′″的抗體-抗原親和度函數(shù)值，若結(jié)果滿足終止條件，即達(dá)到了最大進(jìn)化代數(shù)，則終止計(jì)算，獲得最佳圖像分割閾值，最佳圖像分割閾值即抗體-抗原親和度函數(shù)的自變量，進(jìn)入下一步；否則，進(jìn)化代數(shù)加1，返回步驟(4)；(8)利用步驟(7)得到的最佳圖像分割閾值，對(duì)三維醫(yī)學(xué)圖像進(jìn)行分割。
2. 根據(jù)權(quán)利要求1的基于人工內(nèi)分泌免疫系統(tǒng)的醫(yī)學(xué)體數(shù)據(jù)分割方法，其特征在于 所述的閾值自變量采用二進(jìn)制向量編碼進(jìn)行標(biāo)記。
3. 根據(jù)權(quán)利要求1的基于人工內(nèi)分泌免疫系統(tǒng)的醫(yī)學(xué)體數(shù)據(jù)分割方法，其特征在于所述的最大進(jìn)化代數(shù)選擇50 500。
4. 根據(jù)權(quán)利要求1的基于人工內(nèi)分泌免疫系統(tǒng)的醫(yī)學(xué)體數(shù)據(jù)分割方法，其特征在于所述的種群由個(gè)數(shù)等于種群規(guī)模的抗體組成。
5. 根據(jù)權(quán)利要求1的基于人工內(nèi)分泌免疫系統(tǒng)的醫(yī)學(xué)體數(shù)據(jù)分割方法，其特征在于對(duì)于灰度圖像，所述的初始種群的抗體個(gè)數(shù)取值范圍為0 255。
6. 根據(jù)權(quán)利要求1的基于人工內(nèi)分泌免疫系統(tǒng)的醫(yī)學(xué)體數(shù)據(jù)分割方法，其特 征在于所述的Hill函數(shù)規(guī)律是指激素分泌調(diào)節(jié)的上升和下降遵循Hill函數(shù)規(guī)律，如下兩式所示<formula>formula see original document page 2</formula>;式中，G為Hill函數(shù)F的自變量；FUP為上升Hill函數(shù)，F(xiàn)dOTn為下降Hill函數(shù)；T為門限，且T > 0 ;n為Hill系數(shù)，且n > 1 ;Fup = 卜F" ;F(G)G = T= 1/2;0《F(G)《1。
7. 根據(jù)權(quán)利要求1的基于人工內(nèi)分泌免疫系統(tǒng)的醫(yī)學(xué)體數(shù)據(jù)分割方法，其特征在于所述的基于激素調(diào)節(jié)Hill函數(shù)規(guī)律的自適應(yīng)交叉概率計(jì)算公式為<formula>formula see original document page 2</formula>式中，P。和P〕分別為交叉概率和初始交叉概率；。fmax和fmin分別為每一代種群的平均適應(yīng)度、最大適應(yīng)度和最小適應(yīng)度；a和n。是系數(shù)因子。
8.根據(jù)權(quán)利要求1的基于人工內(nèi)分泌免疫系統(tǒng)的醫(yī)學(xué)體數(shù)據(jù)分割方法，其 特征在于所述的基于激素調(diào)節(jié)Hill函數(shù)規(guī)律的自適應(yīng)變異概率計(jì)算公式為<formula>formula see original document page 3</formula>;式中，Pm和Pm°分別為變異概率和初始變異概率；13和nm是系數(shù)因子'
全文摘要
本發(fā)明公開(kāi)了一種基于人工內(nèi)分泌免疫系統(tǒng)的醫(yī)學(xué)體數(shù)據(jù)分割方法，根據(jù)待分割醫(yī)學(xué)體數(shù)據(jù)類數(shù)確定圖像閾值自變量的個(gè)數(shù)，設(shè)定算法參數(shù)后生成初始種群，計(jì)算適應(yīng)度選擇概率，對(duì)初始抗體種群進(jìn)行克隆操作，生成下一代子群體B′；對(duì)子群體B′進(jìn)行自適應(yīng)交叉和變異操作，生成新的種群B″；選擇種群B″和種群B中抗體—抗原親和度高的抗體形成新的種群B′″；計(jì)算種群B′″的抗體-抗原親和度函數(shù)值，若結(jié)果滿足終止條件，則獲得最佳圖像分割閾值，對(duì)三維醫(yī)學(xué)圖像進(jìn)行分割。本發(fā)明改善了傳統(tǒng)AIS優(yōu)化算法的尋優(yōu)穩(wěn)定性、種群多樣性及親和度成熟能力，提高了其收斂速度，形成了基于人工內(nèi)分泌免疫系統(tǒng)的三維醫(yī)學(xué)圖像的精確、穩(wěn)定分割方法。
文檔編號(hào)G06T7/00GK101739680SQ20091021943
公開(kāi)日2010年6月16日 申請(qǐng)日期2009年12月10日 優(yōu)先權(quán)日2009年12月10日
發(fā)明者樊養(yǎng)余, 牛奕龍, 王毅 申請(qǐng)人:西北工業(yè)大學(xué)