基于多目标遗传算法与自适应形态学变换的医学图像增强方法研究

本研究针对医学图像模糊、对比度低等质量问题，创新性地提出结合可变尺寸圆盘结构元素与动态系数的形态学变换方法。通过多目标遗传算法优化参数，实现了在保留图像信息、抑制噪声放大的同时提升图像质量。实验表明该方法在Entropy、SSIM、NIQE等指标上显著优于传统技术，为临床诊断提供了更可靠的影像支持。

　　

医学影像在疾病诊断中扮演着关键角色，但设备限制、环境噪声等因素常导致图像模糊、对比度不足。传统增强方法如直方图均衡化(HE)易造成细节丢失或噪声放大，而固定参数的形态学操作难以适应不同图像特性。洛雷斯坦大学电气工程系的研究团队在《Scientific Reports》发表的研究，通过自适应形态学变换与智能优化算法的创新结合，为这一难题提供了突破性解决方案。

研究采用多尺度形态学变换（包括顶帽变换WTH和底帽变换BTH）结合可变尺寸圆盘结构元素（直径范围0-200像素），通过多目标遗传算法(MOGA)同步优化6个关键参数：4个结构元素尺寸和2个加权系数（范围0-1）。算法在50代种群规模下，以熵值、对比度、边缘梯度等8项指标构建适应度函数，使用公开医学图像数据集（包括COVID-19 CT、胸部X光等）进行验证。

主要研究结果

1. 参数敏感性分析：验证了权重[0-1]和圆盘尺寸[0-200]的最优范围，该组合下NIQE值最低（3.94），熵值保持稳定（7.42）
2. 定量评估：相较传统方法，PSNR提升至37.014 dB，AMBE控制在0.931，SSIM达0.649，证明在亮度保持和结构保留方面的优势
3. 视觉质量提升：如图2(f)所示，胆管造影图像背景噪声显著降低；图3(i)显示肺部浸润组织与正常组织分界更清晰
4. 临床应用验证：放射科医生确认增强图像能更好显示视神经、肺泡纹理等关键解剖结构

结论与意义
该研究首次实现形态学变换中结构元素尺寸与加权系数的动态协同优化，突破传统方法固定参数的局限。通过：

1. 采用双路径形态学处理（MWTH增强亮特征，MBTH抑制暗噪声）
2. 引入梯度向量(?A(x,y))和局部对比度(C(x,y))等新型评价指标
3. 在HSV色彩空间单独处理亮度通道以扩展至彩色医学图像
   为医学影像归档、远程诊断等场景提供轻量级解决方案。相比深度学习方案，该方法无需标注数据且参数可调，更适合资源有限的医疗机构。未来可进一步优化MOGA的收敛速度，并探索在超声弹性成像等实时应用中的潜力。