摘 要： 为了解决传统边缘检测算法对全方向M型心动图检测效果差的问题，根据基于蚁群算法边缘检测的思想，提出一种基于改进的蚁群算法的边缘检测算法。根据心动图间接来源于CT图的原理，一幅心动图中包含目标、背景、边界和噪声等内容，因此采用传统的边缘检测算法的效果并不理想。这里在传统蚁群算法边缘检测的基础上，根据心动图的特点，采取改进的转移规则和信息素更新策略，以提高检测精度和适应性。再逐步细化，使用蚂蚁算法进行详细的检测，得到最佳的运动曲线。实验结果表明，该算法可以获得精确的运动曲线，其结果能够比传统的方法获得更丰富更真实的心动图运动细节信息，为医生的诊断提供更多信息。
关键词： 科技信息杂志,全方向M型心动图,边缘检测,蚁群算法,更新策略
Application of ant colony algorithm in omni?directional M?mode echocardiography
WANG Kun， HUANG Li?qin
(College of Physics and Information Engineering， Fuzhou University， Fuzhou 350108， China)
Abstract： In order to solve the problem that the traditional edge detection algorithm has poor detection effect of omni?directional M?mode echocardiography， an edge detection algorithm based on the improved ant colony algorithm is presented according to the idea of edge detection based on the ant colony algorithm. According to the principle that the echocardiography comes indirectly from CT figure， that is， an echocardiography contains the contents of target， background， boundary， noise， etc.， it is pointed out that the detection effect of traditional edge detection algorithm for omni?directional M?mode echocardiography is not expected. According to the characteristics of echocardiography， the improved transition rule and pheromone update strategy was taken to improve the detection precision and adaptability. The best motion curves were obtained by gradually thinning and detailed edge detection with the ant algorithm. The experimental results show that the algorithm can get the more accurate motion curve and more actual and detail information than the traditional method. Therefore， the algorithm can provide more information for the doctor’s diagnosis.
Keywords： omni?directional M?mode echocardiography; edge detection; ant colony algorithm; update strategy
0 引 言
全方向M型心动图是基于心脏B超视频影像中任一位置、任意方向线上重建出的多个灰度点运动轨迹的灰度(位置)?时间波形图(它是2001年国家授权的发明专利)[1?3]。对它的波形变化剧烈的视频运动曲线的检测，其中最为常用的方法就是边缘检测。该方法可以较为清晰地显示局部心脏结构随时间运动变化的细节信息，并在此基础上，可以获得心脏内外膜室壁运动信息，笔记与心动周期相关的室壁厚度、心脏管内径等重要的临床诊断信息。
传统的边缘检测方法有很多，如Sobel，Laplacian，Robert和Canny等，但是使用这些方法来检测心动图运动曲线时[4?7]，由于这些算法都是以简单的梯度运算为基础，对于对比度较高的图像具有简单易于实现的效果，但对于图像整体较为模糊，噪声较多的心动图来说，效果并不理想[8?10]。因此结合心动图的特点，运用新的边缘检测算法来提取出心动图的运动曲线具有重要意义[11]。
1 蚁群算法
蚁群算法(ACO)是由意大利学者Dorigo等提出的一种仿生随机优化算法，被广泛地应用于各种难以求解的组合优化问题，并取得了一定的效果，蚁群算法具有鲁棒性强、正反馈、分布式计算和易于结合其他算法等优点，同时还可以进行并行运算处理。最初的蚁群算法围绕蚂蚁系统的性能旨在解决一些经典的问题，如旅行商问题(TSP)等，但蚁群算法在解决这些问题时却逊于其他经典算法。因此，在此后的学者相继提出了不少改进的算法，如蚁群系统[12](ACS)和最大最小蚂蚁系统 [13](MMAS)。本文对蚁群算法在心动图上的应用做了研究，根据对心动图图和蚁群算法的研究，在心动图上建立模型，提取心动图上各种参数，使之可以使用蚁群算法求解。 2 算法介绍
本文算法通过蚁群算法来获取心动图上包含连续的强边界部分的区域，首先将心动图视为一张无向图，在其中随机地放置一定数量的蚂蚁，并根据心动图的特点来对蚂蚁起点的选择以及转移规则进行设置，通过多次循环迭代后使得大多数蚂蚁聚集在心动图运动曲线附近，具体过程分为以下6个步骤：
2.1 数学抽象
对于心动图im，其大小为M×N，可以从图论的角度出发将其视为由N个顶点以及E条边组成的无向图G=。蚂蚁所在的位置为顶点，而其待选路径由边来表示，通过寻找蚂蚁选择的最优路径来找到心动图的运动曲线。
2.2 蚂蚁的路径选择
蚂蚁从起点开始，每一次都要向下一个像素点移动，设每一步的移动范围为[G(i，j，t)]，该蚂蚁的转移概率为：
[p(i，j)=[τ(i，j)]α*η(i，j)β(x，y)∈G(i，j，t)[τ(x，y)]α*η(x，y)β，(x，y)∈G(i，j，t)0，其他] (1)
[η(i，j)=?I(i，j)C， C为常数] (2)
[I(i，j)=1255max[Ii，j-1-Ii，j+1， Ii-1，j-1-Ii+1，j+1， Ii-1，j-Ii+1，j， Ii-1，j+1-Ii+1，j-1]] (3)
式中：[α]和[β]是蚁群算法的参数，代表蚂蚁对信息素和启发信息的重视程度，通过实验选取[α=3]和[β=2];[η(i，j)]为根据寻找心动图灰度变化剧烈的地方来作为其运动曲线的原则设置的启发函数，旨在找到与3[×]3邻域内像素灰度差距较大的点来作为待选边缘点，图 1显示了蚂蚁在3[×]3领域内的路径选择情况。
图1 蚂蚁的3[×]3领域
为了使得蚂蚁避免重复走已走过的路径，使其具备一定的记忆功能，还需要引入禁忌链表来记录蚂蚁曾经走过的像素点，链表长度的选取至关重要，长度选取过大，检测出的边缘可能会出现不连续的情况，而对于检测边缘点较多时，长度选取应较小。实验结果表明，其值取20～50时边缘检测整体效果较好。
2.3 信息激素的更新
当所有蚂蚁都走完一步时，一次迭代结束，所有蚂蚁根据式(4)来进行信息素更新：
[τ(i，j)(t)=(1-ρ)τ(i，j)(t-1)+ρ?Δτk(i，j)] (4)
式中：[ρ]代表了信息素的挥发率，根据实验取[ρ=0.95];[Δτk(i，j)]代表了信息素的积累量，其值为：[Δτ(i，j)=k=1NUMΔτ(i，j)]。对于本算法只有最优解可以释放信息素，也就是只有梯度最大的蚂蚁可以积累信息素：
[Δτki，j=I(i，j)] (5)
每次迭代结束后会通过式(5)进行一次信息素更新：
[τ(t)=(1-μ)τ(t-1)+μτ0] (6)
2.4 确定边缘点
进行完所有迭代后，根据每个像素点上的信息素强度来设定阈值，以此来判别边缘点：
[Ei，j=1，τi，j≥T0，τi，j 其中，设定1代表边缘点，0代表非边缘点。
2.5 终止条件
这里需要根据图像的特点来设定总的迭代次数，一般来说，图像越复杂，尺寸越大，所需迭代次数越多，反之，图像所需的迭代次数就越少。本文所采用的心动图大小为300×101，根据实验表明，迭代次数取120～280时效果较好。
3 实验结果与分析
本次实验是利用Matlab 7.2进行的，运行环境为Windows 7操作系统。
图2是一幅全方向M型心动图图像，图像的分辨率大小300×101，如图2(a)所示，为了证明本文算法在心动图应用中的优势，本文加入了多尺度小波算法，Canny算法，Sobel算法，来进行比较分析。
图2 心动图检测与各经典算法对比情况
由图2以及表1可以看出：Sobel算法(图2(d))在检测时出现了明显的间断，效果不理想;Canny算法(图2(c))虽然检测效果较为连续，但检测出的伪边缘较多，与所要达到精确提取运动曲线的目标不符;小波算法(图2(b))虽然实现了精确定位，但没有有效地抑制噪声的干扰，最后根据本文思想有效对全方向M型图像中的背景、目标、边缘和噪声等特点，采取改进的转移规则和信息素更新策略，提高了检测精度和适应性。综上所述，由于全方向M型心动图较为复杂，采用传统的边缘检测方法所获得的效果并不理想，因此本文针对心动图的特点，并结合蚁群算法边缘检测的思想，提出改进的转移规则和信息素更新策略，提高了算法对于心动图的适应性，检测结果相比传统算法较为精确，不过由于本文算法较为复杂，检测所需运行时间比较高，尚有待进一步的改进。
表1 各算法运算时间的比较
4 结 语
由于心动图的特点是噪声多、图像模糊，因此本文根据心动图的特点，提出了改进的蚁群算法，实现了较好的检测精度，实验结果表明，该算法能有效地抑制噪声干扰，获得的运动曲线较传统方法更加准确，为后续基于速度场、加速度场提取心脏动态信息奠定了良好的基础。
参考文献
[1] LIN Qiang， SHI Jiang?hong. The dynamic information of echocardiography omni?directional m?mode echocardiography [J]. Journal of Scientific Instrument， 2005， 26(4)： 437?440. [2] CHEN Bin， GUO Wei， HU Yang， et al. The regional myocardial motion evaluated by omni? directional m?mode echocardiography in hypertensive patients with left ventricular hypert rophy [J]. Chinese Journal of Hypertension， 2011， 19(10)： 947?950.
[3] LAI Bao?chun， GUO Wei. Evaluation on regional myocardial function of left ventricular in patients with premature ventricular beat from right ventricular outflow tract using omni? directional m?mode echocardiography [J]. Chinese Journal of Medical Imaging Technology， 2011， 27(6)： 1178?1182.
[4] PELLEGRINO F A，VANZELLA W， TORRE V. Edge detection revisited [J]. IEEE Transactions on Systems， Man， and Cybernetics， Part B： Cybernetics， 2004， 34(3)： 1500?1518.
[5] 杨朝辉.基于全局化相关系数的边缘检测算法[J].计算机应用研究，2011，28(8)：3159?3161.
[6] NEZAMABADI?POUR H， SARYAZDI S， RASHEDI E. Edge detection using ant algorithms [J]. Soft Computing， 2006， 10(7)： 623?629.
