Segmentation is an essential requirement in medicine when digital images are used in illness diagnosis, especially, in posterior tasks as analysis and disease identification. An efficient segmentation of brain Magnetic Resonance Images (MRIs) is of prime concern to radiologists due to their poor illumination and other conditions related to de acquisition of the images. Thresholding is a popular method for segmentation that uses the histogram of an image to label different homogeneous groups of pixels into different classes. However, the computational cost increases exponentially according to the number of thresholds. In this paper, we perform the multi-level thresholding using an evolutionary metaheuristic. It is an improved version of the Harris Hawks Optimization (HHO) algorithm that combines the chaotic initialization and the concept of altruism. Further, for fitness assignment, we use a hybrid objective function where along with the cross-entropy minimization, we apply a new entropy function, and leverage weights to the two objective functions to form a new hybrid approach. The HHO was originally designed to solve numerical optimization problems. Earlier, the statistical results and comparisons have demonstrated that the HHO provides very promising results compared with well-established metaheuristic techniques. In this article, altruism has been incorporated into the HHO algorithm to enhance its exploitation capabilities. We evaluate the proposed method over 10 benchmark images from the WBA database of the Harvard Medical School and 8 benchmark images from the Brainweb dataset using some standard evaluation metrics. On the Harvard WBA dataset, a Peak Signal to Noise Ratio (PSNR) of 26.61 and a Structural Similarity Index (SSIM) of 0.92 are achieved using 5 thresholds. For the same scenario, using the Brainweb dataset, a PSNR of 24.77 and SSIM of 0.86 are obtained. The obtained results justify the superiority of the proposed approach compared to existing state-of-the-art methods and baseline methods. The relevant codes for the proposed approach are available at: https://github.com/Rohit-Kundu/Segmentation-HHO_Altruism.

当数字图像用于疾病诊断时，分割是医学中的一项基本要求，尤其是在分析和疾病识别等后验任务中。脑磁共振图像 (MRI) 的有效分割是放射科医生最关心的问题，因为它们的照明不佳和其他与图像采集相关的条件。阈值是一种流行的分割方法，它使用图像的直方图将不同的同质像素组标记为不同的类。然而，计算成本根据阈值的数量呈指数增长。在本文中，我们使用进化元启发式执行多级阈值。它是 Harris Hawks Optimization (HHO) 算法的改进版本，结合了混沌初始化和利他主义的概念。此外，对于适应度分配，我们使用混合目标函数，连同交叉熵最小化，我们应用一个新的熵函数，并利用两个目标函数的权重来形成一个新的混合方法。HHO 最初设计用于解决数值优化问题。早些时候，统计结果和比较表明，与完善的元启发式技术相比，HHO 提供了非常有希望的结果。在本文中，利他主义已被纳入 HHO 算法以增强其开发能力。我们使用一些标准评估指标评估了来自哈佛医学院 WBA 数据库的 10 个基准图像和来自 Brainweb 数据集的 8 个基准图像的建议方法。在哈佛 WBA 数据集上，使用 5 个阈值实现了 26.61 的峰值信噪比 (PSNR) 和 0.92 的结构相似性指数 (SSIM)。对于相同的场景，使用 Brainweb 数据集，获得了 24.77 的 PSNR 和 0.86 的 SSIM。与现有的最先进的方法和基线方法相比，获得的结果证明了所提出的方法的优越性。所提议方法的相关代码可在以下网址获得：https://github.com/Rohit-Kundu/Segmentation-HHO_Altruism。61 和 0.92 的结构相似性指数 (SSIM) 是使用 5 个阈值实现的。对于相同的场景，使用 Brainweb 数据集，获得了 24.77 的 PSNR 和 0.86 的 SSIM。与现有的最先进的方法和基线方法相比，获得的结果证明了所提出的方法的优越性。所提议方法的相关代码可在以下网址获得：https://github.com/Rohit-Kundu/Segmentation-HHO_Altruism。61 和 0.92 的结构相似性指数 (SSIM) 是使用 5 个阈值实现的。对于相同的场景，使用 Brainweb 数据集，获得了 24.77 的 PSNR 和 0.86 的 SSIM。与现有的最先进的方法和基线方法相比，获得的结果证明了所提出的方法的优越性。所提议方法的相关代码可在以下网址获得：https://github.com/Rohit-Kundu/Segmentation-HHO_Altruism。