摘 要： 為了解決傳統邊緣檢測算法對全方向M型心動圖檢測效果差的問題，根據基于蟻群算法邊緣檢測的思想，提出一種基于改進的蟻群算法的邊緣檢測算法。根據心動圖間接來源于CT圖的原理，一幅心動圖中包含目標、背景、邊界和噪聲等內容，因此采用傳統的邊緣檢測算法的效果并不理想。這里在傳統蟻群算法邊緣檢測的基礎上，根據心動圖的特點，采取改進的轉移規則和信息素更新策略，以提高檢測精度和適應性。再逐步細化，使用螞蟻算法進行詳細的檢測，得到最佳的運動曲線。實驗結果表明，該算法可以獲得精確的運動曲線，其結果能夠比傳統的方法獲得更豐富更真實的心動圖運動細節信息，為醫生的診斷提供更多信息。

　　關鍵詞： 科技信息雜志,全方向M型心動圖,邊緣檢測,蟻群算法,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型心動圖是基于心臟B超視頻影像中任一位置、任意方向線上重建出的多個灰度點運動軌跡的灰度(位置)?時間波形圖(它是2001年國家授權的發明專利)[1?3]。對它的波形變化劇烈的視頻運動曲線的檢測，其中最為常用的方法就是邊緣檢測。該方法可以較為清晰地顯示局部心臟結構隨時間運動變化的細節信息，并在此基礎上，可以獲得心臟內外膜室壁運動信息，筆記與心動周期相關的室壁厚度、心臟管內徑等重要的臨床診斷信息。

　　傳統的邊緣檢測方法有很多，如Sobel，Laplacian，Robert和Canny等，但是使用這些方法來檢測心動圖運動曲線時[4?7]，由于這些算法都是以簡單的梯度運算為基礎，對于對比度較高的圖像具有簡單易于實現的效果，但對于圖像整體較為模糊，噪聲較多的心動圖來說，效果并不理想[8?10]。因此結合心動圖的特點，運用新的邊緣檢測算法來提取出心動圖的運動曲線具有重要意義[11]。

　　1 蟻群算法

　　蟻群算法(ACO)是由意大利學者Dorigo等提出的一種仿生隨機優化算法，被廣泛地應用于各種難以求解的組合優化問題，并取得了一定的效果，蟻群算法具有魯棒性強、正反饋、分布式計算和易于結合其他算法等優點，同時還可以進行并行運算處理。最初的蟻群算法圍繞螞蟻系統的性能旨在解決一些經典的問題，如旅行商問題(TSP)等，但蟻群算法在解決這些問題時卻遜于其他經典算法。因此，在此后的學者相繼提出了不少改進的算法，如蟻群系統[12](ACS)和最大最小螞蟻系統 [13](MMAS)。本文對蟻群算法在心動圖上的應用做了研究，根據對心動圖圖和蟻群算法的研究，在心動圖上建立模型，提取心動圖上各種參數，使之可以使用蟻群算法求解。 　　2 算法介紹

　　本文算法通過蟻群算法來獲取心動圖上包含連續的強邊界部分的區域，首先將心動圖視為一張無向圖，在其中隨機地放置一定數量的螞蟻，并根據心動圖的特點來對螞蟻起點的選擇以及轉移規則進行設置，通過多次循環迭代后使得大多數螞蟻聚集在心動圖運動曲線附近，具體過程分為以下6個步驟：

　　2.1 數學抽象

　　對于心動圖im，其大小為M×N，可以從圖論的角度出發將其視為由N個頂點以及E條邊組成的無向圖G=。螞蟻所在的位置為頂點，而其待選路徑由邊來表示，通過尋找螞蟻選擇的最優路徑來找到心動圖的運動曲線。

　　2.2 螞蟻的路徑選擇

　　螞蟻從起點開始，每一次都要向下一個像素點移動，設每一步的移動范圍為[G(i，j，t)]，該螞蟻的轉移概率為：

　　[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為常數] (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]是蟻群算法的參數，代表螞蟻對信息素和啟發信息的重視程度，通過實驗選取[α=3]和[β=2];[η(i，j)]為根據尋找心動圖灰度變化劇烈的地方來作為其運動曲線的原則設置的啟發函數，旨在找到與3[×]3鄰域內像素灰度差距較大的點來作為待選邊緣點，圖 1顯示了螞蟻在3[×]3領域內的路徑選擇情況。

　　圖1 螞蟻的3[×]3領域

　　為了使得螞蟻避免重復走已走過的路徑，使其具備一定的記憶功能，還需要引入禁忌鏈表來記錄螞蟻曾經走過的像素點，鏈表長度的選取至關重要，長度選取過大，檢測出的邊緣可能會出現不連續的情況，而對于檢測邊緣點較多時，長度選取應較小。實驗結果表明，其值取20～50時邊緣檢測整體效果較好。

　　2.3 信息激素的更新

　　當所有螞蟻都走完一步時，一次迭代結束，所有螞蟻根據式(4)來進行信息素更新：

　　[τ(i，j)(t)=(1-ρ)τ(i，j)(t-1)+ρ?Δτk(i，j)] (4)

　　式中：[ρ]代表了信息素的揮發率，根據實驗取[ρ=0.95];[Δτk(i，j)]代表了信息素的積累量，其值為：[Δτ(i，j)=k=1NUMΔτ(i，j)]。對于本算法只有最優解可以釋放信息素，也就是只有梯度最大的螞蟻可以積累信息素：

　　[Δτki，j=I(i，j)] (5)

　　每次迭代結束后會通過式(5)進行一次信息素更新：

　　[τ(t)=(1-μ)τ(t-1)+μτ0] (6)

　　2.4 確定邊緣點

　　進行完所有迭代后，根據每個像素點上的信息素強度來設定閾值，以此來判別邊緣點：

　　[Ei，j=1，τi，j≥T0，τi，j　　其中，設定1代表邊緣點，0代表非邊緣點。

　　2.5 終止條件

　　這里需要根據圖像的特點來設定總的迭代次數，一般來說，圖像越復雜，尺寸越大，所需迭代次數越多，反之，圖像所需的迭代次數就越少。本文所采用的心動圖大小為300×101，根據實驗表明，迭代次數取120～280時效果較好。

　　3 實驗結果與分析

　　本次實驗是利用Matlab 7.2進行的，運行環境為Windows 7操作系統。

　　圖2是一幅全方向M型心動圖圖像，圖像的分辨率大小300×101，如圖2(a)所示，為了證明本文算法在心動圖應用中的優勢，本文加入了多尺度小波算法，Canny算法，Sobel算法，來進行比較分析。

　　圖2 心動圖檢測與各經典算法對比情況

　　由圖2以及表1可以看出：Sobel算法(圖2(d))在檢測時出現了明顯的間斷，效果不理想;Canny算法(圖2(c))雖然檢測效果較為連續，但檢測出的偽邊緣較多，與所要達到精確提取運動曲線的目標不符;小波算法(圖2(b))雖然實現了精確定位，但沒有有效地抑制噪聲的干擾，最后根據本文思想有效對全方向M型圖像中的背景、目標、邊緣和噪聲等特點，采取改進的轉移規則和信息素更新策略，提高了檢測精度和適應性。綜上所述，由于全方向M型心動圖較為復雜，采用傳統的邊緣檢測方法所獲得的效果并不理想，因此本文針對心動圖的特點，并結合蟻群算法邊緣檢測的思想，提出改進的轉移規則和信息素更新策略，提高了算法對于心動圖的適應性，檢測結果相比傳統算法較為精確，不過由于本文算法較為復雜，檢測所需運行時間比較高，尚有待進一步的改進。

　　表1 各算法運算時間的比較

　　4 結 語

　　由于心動圖的特點是噪聲多、圖像模糊，因此本文根據心動圖的特點，提出了改進的蟻群算法，實現了較好的檢測精度，實驗結果表明，該算法能有效地抑制噪聲干擾，獲得的運動曲線較傳統方法更加準確，為后續基于速度場、加速度場提取心臟動態信息奠定了良好的基礎。

　　參考文獻

　　[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] 楊朝輝.基于全局化相關系數的邊緣檢測算法[J].計算機應用研究，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.