基于多策略增强型饥饿游戏搜索算法的乳腺癌病理图像多阈值分割方法研究

为解决乳腺癌病理图像分割中多阈值计算复杂度高、传统算法易陷入局部最优的问题，研究人员提出多策略增强型饥饿游戏搜索算法(MEHGS)，通过竞争机制和自适应交叉扰动策略优化阈值选择。实验表明，MEHGS在CEC2017测试集上收敛性能优于8种传统算法和9种改进算法，结合非局部均值2D直方图与Kapur熵的模型在低/高阈值下均能获得更优的PSNR、SSIM和FSIM指标，为乳腺癌辅助诊断提供新工具。

　　

乳腺癌作为女性高发恶性肿瘤，其病理诊断的准确性直接关乎患者预后。当前医学影像分割领域面临两大挑战：深度学习依赖大规模标注数据而医疗图像隐私性强，传统多阈值分割方法在阈值增加时计算复杂度呈指数级增长。尤其对于乳腺癌病理图像，细微的结构差异对诊断至关重要，但现有基于群体智能优化算法（如饥饿游戏搜索算法HGS）的阈值分割方法易陷入局部最优，导致分割精度不足。

针对这一瓶颈，中国研究人员提出多策略增强型饥饿游戏搜索算法(MEHGS)。该算法创新性地引入竞争机制，将种群划分为精英子群和普通子群，分别设计位置更新策略以加速收敛；结合自适应交叉扰动策略增强算法逃离局部最优能力。通过CEC2017测试集的30个基准函数验证，MEHGS在三维度测试中均显著优于对比的8种传统算法和9种改进算法。进一步地，团队将MEHGS与非局部均值2D直方图、Kapur熵相结合，构建新型多阈值图像分割模型。在乳腺癌病理图像分割实验中，该模型在低阈值（3-5）和高阈值（20-30）场景下，PSNR（峰值信噪比）、SSIM（结构相似性指数）和FSIM（特征相似性指数）指标均优于同类方法，为临床诊断提供更精准的辅助工具。

关键技术方法包括：1）基于竞争机制的种群划分策略；2）自适应交叉扰动算法设计；3）非局部均值2D直方图特征提取；4）Kapur熵阈值优化模型；5）采用CEC2017测试函数进行算法验证；6）使用临床乳腺癌病理图像数据集进行分割实验。

Multi-threshold image segmentation
研究通过数学建模将图像划分为n+1个灰度区间H₀-H_n，证明多阈值分割精度与阈值数量正相关，但传统穷举法无法应对高阈值场景的计算负担。

Multi-strategy enhanced hunger games search algorithm (MEHGS)
通过竞争机制动态划分种群，精英子群采用导向性搜索策略提升收敛速度，普通子群通过多样性保持策略避免早熟。自适应交叉扰动策略根据迭代进度动态调整扰动强度，实验显示该设计使算法在CEC2017复杂多模态函数中保持90%以上的全局最优发现率。

Experimental results and analysis
在30维测试中，MEHGS的avg（平均值）比原HGS提升42.6%，std（标准差）降低67.3%。病理图像分割实验显示，在阈值=25时，MEHGS的PSNR达到28.6dB，较次优算法提升12.4%。Wilcoxon检验证实所有改进均具有统计学意义（p<0.05）。

该研究通过算法创新解决了医学图像分割中的关键计算难题，MEHGS的竞争机制设计为群体智能算法提供了新思路。临床价值在于：1）无需大规模标注数据即可实现精准分割；2）支持高阈值分割以捕捉病理细微特征；3）为乳腺癌早期诊断提供自动化分析工具。未来可扩展至其他医学影像分析领域，如CT、MRI多模态图像处理。