动态自适应Nelder电鳗觅食优化算法在结直肠癌病理图像多阈值分割中的创新应用

本文提出动态自适应Nelder电鳗觅食优化算法（DANEEFO），通过拉丁超立方初始化（LHI）、自适应吸引策略（AAS）等四项创新技术，显著提升结直肠癌（CRC）病理图像的多阈值分割（MTIS）精度，PSNR达29.9410，SSIM达0.9782，为癌症早期诊断提供新工具。

　　

Highlight

本研究提出的动态自适应Nelder电鳗觅食优化算法（DANEEFO）通过四项关键技术革新，在结直肠癌（CRC）病理图像分割领域实现突破性进展：

相关研究

阿基兰德斯瓦里等学者开发的计算机辅助诊断（CAD）系统，采用基于ResNet的深度卷积神经网络对CT图像进行结肠息肉分割，为早期CRC检测提供重要参考。

非局部均值（NLM）2D直方图

非局部均值（NLM）滤波技术通过计算像素_x与全图相似结构像素_y的加权平均值，有效保留图像空间关系。其核心公式为灰度值I(x)的估计：

DANEEFO算法设计

1. 1.

   拉丁超立方初始化（LHI）：将搜索空间维度等距划分，确保初始种群多样性

2. 2.

   自适应吸引策略（AAS）：动态平衡个体记忆与全局最优解的引导作用

3. 3.

   自适应Nelder-Mead单纯形法（ANM）：通过反射、扩展等操作实现多尺度搜索

4. 4.

   动态扩散策略（DSS）：基于高斯扰动增强局部最优逃逸能力

数值实验验证

在CEC2017基准测试中，DANEEFO对复合函数（F₂₁-F₃₀）的优化表现尤为突出，收敛速度较原EEFO算法提升37.6%。

CRC图像分割应用

采用2D Renyi熵和NLM直方图的MTIS框架，在腺体结构分割中达到：

• •

  峰值信噪比（PSNR）29.9410

• •

  结构相似性（SSIM）0.9782

• •

  特征相似性（FSIM）0.9882

结论与展望

DANEEFO算法成功解决传统方法在CRC图像分割中的早熟收敛问题，未来可拓展至其他恶性肿瘤的影像分析领域。

（注：翻译严格遵循生物医学领域术语规范，关键参数保留原始数值精度，技术描述采用生动比喻如"高斯扰动增强逃逸能力"等表述）