[发明专利]用于大规模脑核磁分割的最大熵多阈值蚁群进化Spark方法

说明书

本发明提供了一种用于大规模脑核磁分割的最大熵多阈值蚁群进化Spark方法，属于医学信息智能处理区域技术领域。其技术方案为：首先，读取大规模脑核磁图像数据，并进行预处理操作，然后，设计改进的蚁群算法，将脑核磁图像的灰度级作为路径上的节点，蚂蚁经过的灰度级节点作为分割的阈值组，将Kapur熵作为目标函数；最后，搭建Spark框架，将改进的蚁群算法封装在可并行计算的RDD集合中，进行并行处理，得到最佳阈值组，并根据阈值组进行脑核磁图像的阈值分割。本发明的有益效果为：能够有效提高对大规模脑核磁图像信息提取的效率和精度，对脑核磁数据计算机智能辅助处理具有较强的应用价值。

技术领域

本发明涉及医学信息智能处理区域技术领域，尤其涉及用于大规模脑核磁分割的最大熵多阈值蚁群进化Spark方法。

背景技术

由于核磁共振成像具有空间分辨率高、软组织对比度高、成像参数多、信息量大、非侵入、低损伤等优点，核磁共振成像被各级医疗机构、科研院所以及企业研发机构广泛应用，并成为了脑组织疾病诊断与治疗、脑神经科学研究与实验领域常用研究手段之一。

由于脑组织存在体积较小，组织间边缘模糊等问题，所以无法直接对脑部的某个区域研究。为方便医生对于脑部特定部位的研究，分析以及诊断，需要对脑核磁图像进行处理，按照医生所需提取相应组织，减少其他信息，从而有效的提高疾病诊断的正确率。

传统分割算法存在分割效果差，分割算法复杂，以及分割耗时长等缺点。

如何解决上述技术问题为本发明面临的课题。

发明内容

本发明的目的在于提供一种用于大规模脑核磁分割的最大熵多阈值蚁群进化Spark方法，该方法将蚁群算法与处理大数据常用的Spark并行框架相结合，在处理复杂，大规模的图像数据方面有着良好的效果，并有效提高处理速度，能够进一步提高信息提取的效率，此外，最大熵多阈值分割方法保证良好的切割效果。

本发明是通过如下措施实现的：用于大规模脑核磁分割的最大熵多阈值蚁群进化Spark方法，包括以下步骤：

步骤1、对大规模脑核磁图像进行读取和预处理，首先，对图像进行线性灰度变换，在不改变图像特征的基础上增加前景和背景之间的对比度；其次，采用中值滤波方法过滤图像的噪声；最后，根据面积对比法，消除不相关的区域，去掉脑核磁图像的外壳，得到预处理后的大规模脑核磁图像；

步骤2、由于大规模脑核磁图像的复杂性，选用多阈值的阈值图像分割方法，利用改进的蚁群算法优化基于Kapur熵的阈值化目标函数，得到最优的多阈值解，利用多阈值分割方法大规模脑核磁图像进行分割；

步骤3、面对大规模脑核磁图像，搭建Spark框架，将蚁群封装在可并行计算的弹性分布式数据集RDD中，Spark程序根据集群节点数量将弹性分布式数据集RDD集合拆分成若干分区，每个分区中包含一只或多只蚂蚁，利用Spark框架对大规模脑核磁图像进行并行处理；

步骤4、蚁群算法以最大信息熵为目标，获得最恰当的分割阈值组

步骤5、借助获得的最佳阈值组将脑核磁图像分为k+1个互不重叠的图像区域，以此得到最终的分割图。

作为本发明提供的一种用于大规模脑核磁分割的最大熵多阈值蚁群进化Spark方法进一步优化方案，所述步骤1的具体步骤如下：

步骤1.1、读取大规模脑核磁图像，表示为Image＝[Nimgs,height,width,channels]，其中Nimgs表示大规模脑核磁图像的数量，height表示大规模脑核磁图像的高度，width表示大规模脑核磁图像的宽度，channels表示大规模脑核磁图像的通道数；