一种改进的非洲秃鹫算法用于胸部X光图像分割中的多阈值优化

更加清晰的胸腔视野

胸部X光是最常见的医学检查之一，但医生在区分健康组织与疾病迹象时仍然高度依赖肉眼。计算机可以通过将图像自动划分为有意义的区域来提供帮助，这一过程称为分割。本文提出了一种新方法，使计算机能够将胸部X光图像“切分”成多个清晰的层次，从而使肺部、骨骼和异常阴影等区域更易于测量和随时间追踪。

图像切分比看上去更难

乍看之下，将图像分为明亮和暗淡两部分似乎很简单：选取一个亮度阈值，亮于该阈值的属于一组，暗于该阈值的属于另一组。经典技术如大津法（Otsu）和Kapur熵法正是这样做的，当只需两类时效果良好。然而现代医学影像要复杂得多。胸部X光可能需要被划分为多个层次以分离肺组织、肋骨、心影及可能的病变。使用多个阈值时，计算量会迅速增加，老方法往往变慢或无法找到最优划分。

借鉴觅食鸟类的策略

为了解决这一难题，作者基于来自计算机科学的一个新颖思路——受非洲秃鹫行为启发的算法。在自然中，当食物稀缺时，这些鸟会广泛巡寻，而在靠近尸体时则紧密聚拢。非洲秃鹫优化算法模拟了这种行为：一群虚拟“秃鹫”在数学地形中搜索最高的峰值，这些峰值代表问题的最佳解。对于图像分割，每一组可能的亮度阈值就是该地形上的一点。目标是找到能产生清晰、有信息含量的X光切片的阈值组合。

让数字群体更聪明

原始的秃鹫算法有时会陷入仅围绕某一有希望的山丘徘徊，从而错过其它更优的峰值。作者提出了一种改进的多目标非洲秃鹫优化算法（IMMOAVOA）以避免这一陷阱。首先，他们加入了一步“平均部分相反”学习：当群体开始过度聚集时，通过对位置进行部分翻转并取平均来生成新的候选解。这在不放弃已有进展的情况下创造出新颖且多样的选项。其次，他们引入了深入的探索阶段，通过受控且逐渐缩小的步幅微调尤其有前途的候选解，使算法能够锁定最佳峰值而非无止境地漫游。

在两种评价标准之间寻求平衡

新方法没有依赖单一规则来判断何为良好分割，而是结合了两种互补视角。一种目标与大津法相关，奖励能清晰区分明暗区域的划分；另一种目标与二维形式的Kapur熵相关，奖励能从原始亮度及其局部邻域中捕捉更多信息的划分。IMMOAVOA搜索在这两个目标之间取得良好平衡的阈值集合，生成一组顶级解而非单一解。作者随后将这些解应用到新冠肺炎患者的胸部X光，并使用若干常见质量度量将分割结果与原图进行比较评分。

新方法的表现如何

在应用到真实X光之前，作者先在用于评估搜索算法的标准数学基准上测试IMMOAVOA。在反映解的准确性与多样性的若干指标上，改进的秃鹫方法不仅优于基础版本，还胜过若干公认的多目标算法。在真实胸部X光图像上，IMMOAVOA在三项广泛使用的图像质量指标上持续产生更清晰的分割，同时在强调区域重叠的第四项指标上保持竞争力。实际上，这意味着该方法能够将胸部X光切分成多个保持细节与结构的清晰层次，这对于勾画病变肺区或为后续AI分析准备数据等任务非常有价值。

这对医学成像意味着什么

对非专业读者而言，结论是作者设计出了一种更聪明、更灵活的计算机“观察”胸部X光的方式。通过协调一群数字搜索代理并从两种不同角度评估每个候选解，他们的方法能在不显著增加计算负担的情况下生成更清晰、更具信息性的图像切片。尽管该工作仅在相对较小的胸部X光集上演示，且在常规临床应用前仍需进一步调优，但它指向了更可靠的自动化工具，这些工具有望帮助放射科医生以更高的精度检测和监测肺部疾病。

引用: Fu, Z., Liu, D., Gao, S. et al. An improved African vultures algorithm for multi-threshold optimization in chest X-ray image segmentation. Sci Rep 16, 10191 (2026). https://doi.org/10.1038/s41598-026-40174-6

关键词: 胸部X光分割, 医学图像分析, 元启发式优化, 多阈值化, 群体智能