[发明专利]基于遗传算法的乳腺肿瘤轮廓动态提取方法

说明书

本发明公开了一种基于遗传算法的乳腺肿瘤动态轮廓提取的方法，主要解决现有微波成像技术的分辨率及优化效率低的问题。其方案为：1)构建初始肿瘤模型；2)构建适应度函数；3)利用共焦成像获得初始肿瘤模型中肿瘤的中心位置及其矩形轮廓；4)获取距离补偿适应度函数；5)根据最优肿瘤矩形轮廓获取初始轮廓模型序列，迭代训练该序列，得到演进轮廓模型序列；6)对演进轮廓模型序列进行迭代训练，利用距离补偿适应度函数计算该序列，得到适应度值，与预设阈值比较，输出最优模型的肿瘤轮廓图。本发明注重提取肿瘤的轮廓形状，减少了遗传算法的染色体长度，提高了成像分辨率和优化效率，可用于对乳腺肿瘤进行高精度成像。

技术领域

本发明属于图像处理技术领域，特别涉及一种图像轮廓的提取方法，可用于提取乳腺肿瘤的二维轮廓形状。

背景技术

微波成像用微波照射被测物体，通过物体外部散射场的测量数据来重构物体的电磁参数分布。在特定的电磁波频率范围内，肿瘤组织的介电常数和电导率明显区别于邻近正常组织的介电常数和电导率。如频率为6GHz时，正常组织的相对介电常数为9.8，电导率为0.4S/m，肿瘤组织对应的参数分别为50.74，4.82S/m。因此，利用微波照射和散射场的测量数据可以反演出物体组织的电磁参数分布，实现肿瘤成像。

目前常见的方法是利用遗传算法来优化微波成像的结果。例如2000年，R.Olmi等人在文献“Olmi R,Bini M,Priori S.A genetic algorithmapproach to imagereconstruction in electrical impedance tomography[J].Kiee InternationalTransactions on ElectrophysicsApplications,2000,4-c(3):309-320”中实现了利用遗传算法重建成像区域的电磁参数。其特点是将圆形成像区域剖分成96个三角型小格，遗传迭代次数为1000次。该方法的计算代价比较大，而且肿瘤轮廓的像素大于1cm。

2007年，Abas Sabouni等人在文献“SabouniA,Xu M,Noghanian S,etal.Efficient microwave breast imaging technique using parallel finitedifference time domain and parallel genetic algorithms[C]//AntennasPropagation Society International Symposium.IEEE,2007”中同样提出了利用遗传算法优化微波成像的结果，并使用并行计算加快遗传算法的迭代速度，在一个直径为12cm的圆形成像区域中实现了7.5mm像素的肿瘤成像。

上述利用遗传算法进行微波成像的方法都是对全肿瘤区域进行成像，均存在成像分辨率较低的缺点，分辨率不足以用来进一步观察肿瘤的具体轮廓。如果利用上述方法直接进行高分辨率成像，则遗传算法的染色体长度会明显变长，数据量和迭代次数显著增大，无法用目前的计算设备在合理的时间内输出结果。

发明内容

本发明的目的在于针对现有技术的不足，提出一种基于遗传算法的乳腺肿瘤轮廓动态提取方法，减少遗传算法的染色体长度，提升迭代效率，提高肿瘤的成像分辨率。

本发明的技术方案是：通过将遗传算法与集成算法相结合，实现对截面积为100mm²左右的二维乳腺肿瘤提取其边缘轮廓，得到1mm像素的二维乳腺肿瘤的图像，具体步骤如下：

1.一种基于遗传算法的乳腺肿瘤轮廓动态提取方法，其特征在于：

(1)构建初始肿瘤模型

1a)获取现有的乳腺肿瘤超声图；

1b)根据图像中的灰度值差别区分肿瘤组织和正常组织，并将图像转换为二值图，分别标记肿瘤组织和正常组织；