基于三角突变与综合学习的动态粪甲虫优化算法在息肉图像分割中的应用

本文推荐研究人员针对结直肠癌早期诊断中息肉图像分割的难题，提出了一种创新的多级阈值分割方法（MLT）。通过融合三角突变算子（TMO）、综合学习（CL）和动态搜索域更新的粪甲虫优化算法（DCTDBO），显著提升了分割性能。实验表明，该方法在峰值信噪比（PSNR）、结构相似性（SSIM）和特征相似性（FSIM）指标上均优于传统算法，为临床精准诊断提供了新工具。

　　

结直肠癌是全球公共卫生的重大威胁，而息肉作为其癌前病变的早期识别至关重要。然而，传统诊断方法受限于图像分割的精度和效率，亟需开发更可靠的自动化技术。当前，多级阈值分割（MLT）虽能有效提取病灶特征，但阈值选择的计算复杂度高，且易陷入局部最优解。为此，Prince Sattam bin Abdulaziz大学的研究团队在《Computational Biology and Chemistry》发表论文，提出了一种融合三角突变算子（Triangular Mutation Operator, TMO）和综合学习（Comprehensive Learning, CL）的动态粪甲虫优化算法（DCTDBO），显著提升了息肉图像的分割性能。

研究采用Kvasir-SEG数据集的8幅息肉图像，通过优化Otsu方差和Kapur熵等目标函数，对比了DCTDBO与灰狼优化器（GWO）、变色龙算法（ChOA）等方法的性能。关键技术包括：动态更新搜索域以平衡探索与开发、TMO增强全局搜索能力、CL避免局部最优，并结合RGB通道独立处理策略。

研究结果

1. 定义图像分割问题：将RGB图像分解为单通道灰度图，通过MLT将像素分布划分为多类别，以Otsu和Kapur熵为优化目标。
2. 提出的分割模型：DCTDBO通过TMO和CL改进DBO的收敛性，在PSNR（28.9338）、SSIM（0.99217）和FSIM（0.9668）上均优于基线算法。
3. 实验与讨论：在Kvasir-SEG数据集上，DCTDBO分割边界更清晰，尤其适用于复杂纹理的息肉图像，且计算效率提升30%以上。

结论与意义
该研究通过智能算法融合解决了MLT分割中的阈值优化难题，为结直肠癌早期诊断提供了高精度工具。未来可扩展至其他医学影像领域，如肺结节或皮肤病变分析。团队声明无利益冲突，研究受沙特PSAU/2025/R/1446项目支持。