基于遗传算法的乳腺肿瘤轮廓动态提取方法与流程

技术特征：

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；

1c)按照设定的分辨率将1b)中的二值图网格化，生成网格图像，得到组织矩阵a：

其中，aij表示网格图像中位置为(i，j)的组织信息，若aij＝0，表示此位置为正常组织，若aij＝1，表示此位置为肿瘤组织；

1d)根据1c)得到的组织矩阵a，在xfdtd电磁仿真软件中建立初始肿瘤模型x^a，并在模型周围设置n根天线，每根天线轮流发射电磁波辐射肿瘤，所有天线同时接收并记录电磁回波，n≥8；

1e)拷贝初始肿瘤模型x^a，并将其中的肿瘤组织替换为正常组织，得到无肿瘤模型x^b；

(2)构建初始评估函数f：

式中，n表示天线总数，m为每一根天线的电流采样总数，表示初始肿瘤模型x^a的第i根天线在t时刻接收回波的电流值，表示无肿瘤模型x^b的第i根天线在t时刻接收回波的电流值；

(3)利用共焦成像获得肿瘤的中心位置，及最优的肿瘤矩形轮廓：

3a)在1d)建立的初始肿瘤模型x^a中，用共焦成像确定肿瘤基本区域；

3b)在1e)建立的无肿瘤模型x^b中，使用边长为8mm的肿瘤组织小格遍历肿瘤基本区域，得到带肿瘤组织小格的模型x^o，通过初始适应度函数f计算该模型的适应度值，选取模型x^o中适应度值最高的小格位置作为肿瘤的中心位置；

3c)调整中心位置上小格的长和宽，得到矩形肿瘤模型x^s，通过初始评估函数f迭代计算该模型的适应度值，直到适应度值不再增加，此时模型x^s中的矩形轮廓就是最优的肿瘤矩形轮廓；

(4)修改初始适应度函数f，获得距离补偿适应度函数f′；

(5)调整步骤(3)得到的矩形肿瘤的位置，获得初始轮廓模型序列，利用距离补偿适应度函数f′计算初始轮廓模型序列的适应度值，对初始轮廓模型序列进行编码，依次通过遗传算法与集成算法训练经过编码的初始轮廓模型序列，用1mm的变化量不断演进肿瘤轮廓的形状，得到演进轮廓模型序列；

(6)将演进轮廓模型序列的距离补偿适应度值序列f1′，f2′...，fl′的最大值f′max与预设的适应度阈值f作比较：

若f′max≥f，则表示步骤(5)得到的演进轮廓模型序列中有最优模型，训练结束，输出此模型的肿瘤轮廓图像；

若f′max＜f，则表示未得到最优模型，需要对演进轮廓模型序列再次编码，继续依次通过遗传算法与集成算法进行迭代训练，若达到设置的最大迭代次数时仍未得到最优模型，则输出适应度值最高的肿瘤轮廓图像。

2.根据权利要求1所述的方法，其特征在于：所述(2)中构建初始适应度函数f，实现如下：

2a)通过xfdtd仿真软件分别对初始肿瘤模型x^a和无肿瘤模型x^b进行仿真，得到x^a的第i根天线在t时刻接收回波的电流值和x^b的第i根天线在t时刻接收回波的电流值计算两个电流的平方误差

2b)逐时刻、逐天线累加x^a和x^b的电流平方误差得到总电流误差e：

式中，n为天线总数，m为每一根天线的电流采样总数。

2c)将e取倒数得到适应度函数f：

无肿瘤模型中添加肿瘤后，与初始肿瘤模型越相似，则f的取值越大。

3.根据权利要求1所述的方法，其特征在于：所述(4)中获得距离补偿适应度函数f′，实现如下：

4a)计算每一根天线的调节系数ai：

ai＝li^-2/max(l1^-2，l2^-2，...，li^-2...，ln^-2)，

式中，li表示为第i根天线与肿瘤中心位置的距离，n为天线总数；

4b)计算每一根天线的总电流误差ei：

式中，表示初始肿瘤模型x^a的第i根天线在t时刻接收回波的电流值，表示矩形肿瘤模型x^s的第i根天线在t时刻接收回波的电流值，m为每一根天线的电流采样总数；

4c)根据每一根天线的总电流误差ei和调节系数ai，得到距离补偿适应度函数f′：

4.根据权利要求1所述的方法，其特征在于：所述(5)中对初始轮廓模型序列进行编码，实现如下：

5a)提取初始轮廓模型序列中任一模型中肿瘤的边缘，对边缘内外的区域网格化，得到边长为1mm、与边缘相切的内外双层网格s，网格s中的任一小格表示为si；

5b)将网格s编码在一条染色体g上，染色体的每一个基因与小格si对应，表示为gi，对于每一个基因gi：

若gi＝0，则小格si为正常组织；

若gi＝1，则小格si为肿瘤组织。

5.根据权利要求1所述的方法，其特征在于：所述(5)中依次通过遗传算法与集成算法训练初始轮廓模型序列，实现如下：

5c)利用遗传算法同时训练编码后的初始轮廓模型序列x1，x2，…，xi，…，xk，得到组织矩阵序列为：a1，a2，…，ai，…，ak，计算模型序列x1，x2，…，xi，…，xk的距离补偿适应度函数的取值序列f1，f2，…，fi，…，fk，得到模型序列x1，x2，…，xi，…，xk对应的带权重的组织矩阵序列b1，b2，…，bi，…，bk，该序列的任一矩阵bi表示为：

bi＝fi×ai(i＝1，2，...，k)，

式中，fi表示编码后的初始模型序列的适应度值序列f1，f2，…，fi，…，fk的任一值，ai表示组织矩阵序列a1，a2，…，ai，…，ak的任一矩阵；

5d)将带权重的组织矩阵序列b1，b2，…，bi，…，bk累加并归一化，得到集成后的权重矩阵

式中，函数max取矩阵的最大元素；

5e)将集成后的权重矩阵的元素排序，得到数值序列并将该序列的值逐个与矩阵的元素比较，得到集成后的组织矩阵序列其中，矩阵在(i，j)位置的元素为：

式中表示矩阵在(i，j)位置的元素，表示数值序列中的任一值；

5f)根据集成后的组织矩阵序列在xfdtd软件中建立肿瘤的演进轮廓模型序列x1′，x2′，...，xk′，...，xl′。

技术总结
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。

技术研发人员：王一波;赵建勋;邓军;何桂演;但佳雄;张旭
受保护的技术使用者：西安电子科技大学
技术研发日：2020.01.10
技术公布日：2020.06.05