CIN 计算智能和神经科学 1687 - 5273 1687 - 5265 Hindawi 10.1155 / 2020/9045456 9045456 研究文章 机器学习对大脑图像分类的两种语言 https://orcid.org/0000 - 0002 - 5050 - 6208 Barranco-Gutierrez Alejandro-Israel Rostro-Gonzalez 霍雷肖 Catedras CONACyT-TecNM态度 赛38010 墨西哥 2020年 6 6 2020年 2020年 21 12 2019年 11 02 2020年 20. 02 2020年 6 6 2020年 2020年 版权©2020 Alejandro-Israel Barranco-Gutierrez。 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。

大脑的图像分析与机器学习仍然是一个检测相关工作的不同特点的复杂的器官。最近的研究发现,在大脑的结构存在差异,特别是在白质,当学习和使用第二语言。这项工作重点是了解大脑的磁共振图像的分类(核磁共振成像)的双语者和单语者的人英语作为共同的语言。不同的人工神经网络的隐层进行测试,直到达到两个神经元层。条目的数量是九百年,使用分类器注册高百分比的有效性。培训监督,可以改进在以后的调查。这个任务通常是由人类专家Tract-Based空间统计分析和部分各向异性在屏幕上用不同的颜色表示。这提议提出了另一种选择定量分析这种现象可以导致神经系统通过自动检测单语者通过使用双语的人从核磁共振成像机器学习。这加强了在手动检测和报告是什么机器可以做到的方式。

 Consejo Nacional de Ciencia y Tecnologia Sistema Nacional de Investigadores 1。介绍

磁共振成像(MRI)的使用已经达到了一个高度的复杂性,因为它是有用的分析大脑和检测疾病;然而,量化和组织结构尚未完全解决( 1, 2]。已经实现了一些机器学习(ML)技术对大脑活动进行分类,疾病,和行为,这个学科中取得了近似解 3- - - - - - 6]。甚至由于这些技术的显著结果,专用硬件目前为毫升创建任务( 7- - - - - - 9]。毫升应用核磁共振成像的一个有趣的例子是由( 10];在他们的研究中,他们研究了深度学习框架算法预测土壤有机质(SOM)内容可见光谱。基于分数阶导数(1.5)光谱变异,他们比较反向传播神经网络(症),多层感知器(MLP)和卷积神经网络(CNN),包括LeNet5和DenseNet10全方位数据变量(203)和67年的一个子集与SOM变量高度相关内容(r2值> 0.4)。他们的结果表明,深度学习方法包括延时和CNN可以用来预测SOM内容从土壤可见光谱,每个展示最先进的性能。在[ 11DL模型),提出了基于CNN分类不同的脑部肿瘤类型使用两个公开的数据集。前一个将肿瘤分为(脑膜瘤、胶质瘤和垂体肿瘤)。另一个区分三个神经胶质瘤等级(二级、三级等级IV)。233年和73年数据集包括患者共有3064年和516年第一和第二图像在t1对比度增强图像数据集,分别。该网络结构实现显著的性能。结果表明模型的能力脑瘤multiclassification目的。的作者( 12)提出一个新的框架在早期胎儿大脑的分类(在胎儿出生前)。这是一个研究分类胎儿的大脑异常广泛妊娠年龄(气)。这项研究包含了几个机器学习分类器,如对角二次歧视分析(DQDA),再邻居的事例),随机森林,朴素贝叶斯和径向基函数(RBF)神经网络分类器。此外,一些装袋和演算法整体使用随机森林模型已经建立,朴素贝叶斯和RBF网络分类器。这些乐团的表演已经与各自的模型。他们的结果表明,该方法可以成功地在MRI图像识别和分类各种各样的缺陷胎儿大脑的各种气体。使用资讯分类器,它能够达到最高的分类精度。在[ 13),作者展示了一个直观的模糊核聚类(IIFKC)方法利用直觉模糊集理论,包括一个基于距离的函数。该方法保留了图像信息,对噪声、微调参数和自由的先决条件。分割结果获得在真实和模拟大脑核磁共振图像展品IIFKC方法的效率和提高性能方面与现有的方法相比,相似性指数,Jaccard系数和执行时间。Varuna-Shree和库马尔 14]提出了噪声去除技术,应用灰度共生矩阵建立()特性的提取灰度共生矩阵法,和基于离散小波变换(DWT),脑部肿瘤区域增长分割来减少复杂性和提高性能。其次是形态学滤波去除噪声,可以分割后形成的。概率神经网络分类器被用来训练和测试性能在肿瘤位置的检测精度脑核磁共振图像。在[ 15),伯克利的研究基于小波变换- (BWT)脑部肿瘤分割。此外,提高准确性和质量率的支持向量机(SVM)分类器为基础,从每个分段组织相关特征提取。实验结果提出了技术评估和验证了性能和质量分析大脑磁共振图像,基于精度、灵敏度、特异性,骰子相似性指数系数。实验的有效性提出了识别技术从大脑核磁共振正常和异常组织。的研究报道 16)提出了一种概率神经Network-Radial基函数方法来增加肿瘤脑功能图像的分类精度。分类进行提取利用多级小波方法的特性。然后,形态滤波技术是用于分割过程中感兴趣的区域(ROI)的大脑区域功能图像与邻近的像素。这种技术收益率脑功能图像的高精度。这个过程是有效的早期诊断肿瘤地区本身。

相反,目前的研究表明,学习和使用第二语言(L2)会影响大脑的结构,白质(WM)大片,和灰质(GM)大片 17- - - - - - 19]。这个观察来自研究分析早期和年长的双语人使用他们的第一和第二语言好几年( 20.- - - - - - 22]。这一变化造成的L2是假定正因为终身双语有助于认知储备在老化(对减少白质的完整性 23, 24]。Sulpizio等人肯定,“ 目前没有协议因子调节最有效和持久的大脑可塑性在双语个体“( 25]。他们认为双语的分类和单一语言制可以隐藏详细的神经元的变化,源于语言实践的经验,从而导致变量和经常相互矛盾的结果。他们现在年龄的影响收购(AoA)。这些发现揭示造型双语作为梯度测量的重要性,而不是一个动静极限的现象。

在这项工作中,我们分析了文学对大脑图像的分类与磁共振成像机器学习技术。这是审查的技术已被用于分类和观察传感器测量的重要性需要分析的变量以及必要的预处理来喂分类系统。这是为了帮助他的任务的分类器。在这种情况下,它的假设你可以分类的大脑图像通过分析双边胼胝体,包括膝,身体,和前面的部分压部从核磁共振成像。为了证明这一点,工作是有组织的如下。节 2数据库的特点,以及过程获得的数据变异源信息的神经网络解释道。部分 3介绍了实验结果的分类使用不同结构的神经网络。部分 4介绍了作者的解释结果。最后,给出了结论和未来的工作。

 2。材料和方法 2.1。数据库

这项工作的原材料是L2struc数据库驻留在XNAT中央,免费在线通过PNAS开放存取选项。共享数据的读大学的研究伦理委员会的批准。所有参与者提供书面知情同意前参与( 17]。这是使用3.0特斯拉西门子MAGNETOM三核磁共振扫描仪Syngo软件和36-channel头矩阵线圈获得全脑diffusion-weighted Echo-Plannar成像图像(两个平均值,30方向,60轴向片;切片厚度、2毫米,没有interslice差距;的视野,256×256毫米;获取矩阵,128×128;立体像素大小,2毫米各向同性;回声的时间,93毫秒;重复一次,8200 ms; b值,1000年代/毫米2)。一个3 d大脑参与者101号呈现在图 1。一组60横截面可以观察到大脑的不同高度,安排在从1到8行和列从h .实现的方法, Matlab 2019和它的 “dicomread”函数是用来操纵的RMI文件而实现人工神经网络(ANN)进行 Matlab的” nprtool”工具。

组60的横截面图像101年志愿者的大脑。

 2.2。数据的方差

每个体素的横截面差异进行定位领域重大变化存在于相同的参与者在不同的断层。作为一个例子,在图 2,它有62年的水平方差断层扫描相同的大脑切片,为了观察兴趣领域无论他们说一个或两个语言。它可以看到更多的额叶和枕叶的变化。同样发生在图中给出的方差 3。

62横截面的大脑图像方差L2的志愿者类型。

62横截面的大脑图像方差志愿者类型NS。

执行相同的步骤为母语(NS)的参与者。结果如图 3,可以看出胼胝体NS参与者方差水平高于L2的参与者。NS和L2参与者是男性博士研究。

文献表明,双语者和单语者的差异反映在胼胝体双边,这就是为什么大脑区域被选中分类志愿者L2和NS之间。同时,30×30矩阵形式是为了便于数据采集,可以进一步优化。图 4显示了分析片(D4图 1现有60),对于每一个断层,为每个志愿者执行的62年,数据显示 2和 3在执行,一起分析 17]。

选择数据分类的大脑图像只有英语(NS)或两种语言(L2)。(一)分析片和(b)片区域。

75%的数据被培训,10%的验证和测试为15%。由于大小的缺陷在105年参与者的形象,从实验中删除。因此,断层的十九25 NS-type L2-type参与者和参与者使用。加强训练,训练数据集重复了三次,这大大减少了错误。30×30矩阵是重塑900个元素,每个元素的输入向量的归一化意味着62像素点的每个参与者。标准化是对每个参与者的最大: (1) x ¯ 我 j = x 我 j 马克斯 x 我 j t , 在哪里 我和 j分别行和列指数, t断层扫描索引。

 2.3。机器学习

为了测量缓解或复杂性的一个机器学习系统可以分类L2和NS扬声器之间的核磁共振成像,不同的神经网络结构进行测试,直到达到一个简单的感知器,其中一个图所示 5。测试进行了使用单隐层神经网络,不同数量的神经元。使用的前馈神经网络的架构如下所示: (2) 输出 = 日志 团体 W 2 ∗ 棕褐色 团体 我 ∗ W 1 + b 1 + b 2 , 在哪里 我是输入向量, W 1 是权重向量输入到隐藏层, b 1 第一层偏差向量, W 2 是权重向量从隐层到输出, b 2 输出层偏差向量, 棕褐色 团体 是双曲正切乙状结肠传递函数, 日志 团体 log-sigmoid传递函数。

建筑最初的人工神经网络用于分类次rmi的L2和NS的参与者。

实验用nprtool,这数据分类图书馆只需要输入数据,输出的目标,和隐层神经元的数量来训练神经网络。MATLAB中的模式识别网络使用默认缩放共轭梯度反向传播算法训练。数据被随机分为92、20和20个样本训练、验证,分别和测试。

 3所示。结果

为了测量L2的效率和NS参与者检测使用不同数量的隐层神经元,三个代表测试是发现和报告在这一节中。因此,错误与时代用于培训、验证和测试演出策划。而且,接受者操作特征曲线(ROC)的培训、验证、测试、和三个一起构建,为评价分类器的性能。在中华民国曲线,可以看到附近的曲线是纵轴的最大值(真阳性)和类似的水平轴(假阳性)。数学上可以说,中华民国曲线下面积更多的分类器有最好的效率。

第一个实验中使用一百个神经元,其误差为每个时代如图 6(一),其ROC曲线在图 6 (b)。

(a)的误差与时代用于培训、验证和测试性能。接受者操作特征(b)中华民国()培训、验证和测试曲线使用一百隐藏神经元。

同样的,第二个实验中使用一个两个神经元,其误差为每个时代如图 7(一),其ROC曲线在图 7 (b)。

(a)的误差与时代用于培训、验证和测试性能。接受者操作特征(b)中华民国()培训、验证和测试曲线使用两个隐藏的神经元。

最后实验使用一个神经元,其误差为每个时代如图 8(一个),其ROC曲线在图 8 (b)。

(a)的误差与时代用于培训、验证和测试性能。接受者操作特征(b)中华民国()培训、验证和测试曲线使用一个隐藏的神经元。

 4所示。讨论

结果显示,它可以从机器学习确认最近的文献断言关于结构引起的大脑的变化是说两种语言。在这个工作,它还表明,安发现差异在WM双语学习第二语言的人(L2)和两种语言的活跃用户。最近,这与Tract-Based RMI进行分析是空间统计,代表依赖人才的统计分析。与人工神经网络相比,可以自动分析,证明和贡献在这工作,相对机器学习系统的一个简单的任务。

只有大脑的中央部分,可以分类L2和NS参与者之间高度的效率,ROC曲线如图所示的数据 6和 7。这是非常重要的观察机器学习工具可以帮助在大脑的分析图像,在这种情况下的RMI类型。甚至更多,这是观察到,当使用上述RMI扫描仪,空间统计分析基于束和分数各向异性需要128×128×0输入,而红色神经使用30×30×1的输入来决定如果一个参与者L2型或类型NS,代表大量减少信息处理。关于远期神经网络的计算复杂度,它的类型 O( n), n是输入的数量和经典反向传播训练方法,训练样本的数量,这是线性的,即操作更新单个样本的权重是常数。

 5。结论

大脑仍然是非常活跃的研究由于其复杂性。虽然有一个广泛的愿景体内的作用,仍有许多未知数来解决。知道更多关于它,这项工作开发了一个机器学习系统对大脑图像分类的两种语言。这是非常相关的,因为它打开了另一个选择定量知道大脑从机器学习,因为卓越的工具用于这种类型的分析是Tract-Based空间统计数据。

分类应用于磁共振成像的19人谁讲英语作为第二语言,谁是13至374个月使用它,平均为10.5岁的英语语言习得,而且,从第二组25参与者只讲一种语言,母语是英语。对于这个任务,与900年的不同人工神经网络隐层输入设计。这是尝试了不同数量的隐藏,直到达到一个神经元和神经元获得好的结果,虽然是选择使用两个神经元,确保100%的有效性从数据库中图像的分类使用。

系统可以扩展一个调查,减少了安条目的数量通过分析体素,为分类提供更多更好的信息。大脑结构的方法来描述语言学习循序渐进的和定量的方式也可以。

 数据可用性

次rmi报道本文从XNAT下载中心, https://central.xnat.org(项目ID代码L2struc)。参与者的信息 http://www.pnas.org/lookup/suppl/doi: 10.1073 / pnas.1414183112 /——/ DCSupplemental。

 的利益冲突

作者宣称没有利益冲突有关的出版。

 确认

这项研究被授予CONACYT和TecNM Catedras CONACYT Sistem Nacional de Investigadores项目。我感谢穆阿尔弗雷多·帕迪拉博士,弗朗西斯科哈维尔·佩雷斯Pinal博士和胡安·普拉多集中政策的宝贵支持。

 女子 美国年代。 裤子 M。 脑瘤从磁共振图像分割和分类:审查选定的方法从2014年到2019年 2019年 模式识别的字母 Kanmani P。 Marikkann P。 核磁共振脑图像分类:基于多级阈值的区域优化技术 医疗系统杂志 2018年 42 4 10.1007 / s10916 - 018 - 0915 - 8 2 - s2.0 - 85042562222 Madheswaran M。 Sahaya-Dhas d . A。 脑核磁共振图像使用支持向量机分类各种内核 生物医学研究 2015年 26 3 达 C。 张 H。 唱 Y。 脑部CT图像分类与深层神经网络 1 学报18亚太智能和进化系统研讨会上 2015年 新加坡 Fetit 答:E。 诺瓦克 J。 皮特 a . C。 Arvanitis t . N。 先生的3 d纹理分析图像提高儿科脑肿瘤分类:一项初步研究 研究卫生技术和信息 2014年 202年 张 y D。 吴 l 先生一个大脑图像分类器通过主成分分析和内核支持向量机 在电磁学的研究进展 2012年 130年 10.2528 / pier12061410 2 - s2.0 - 84866525215 Coughlin T。 人工智能推理和存储 IEEE消费电子杂志 2020年 9 1 10.1109 / mce.2019.2940743 Arredondo-Velazquez M。 Diaz-Carmona J。 Torres-Huitzil C。 Barranco-Gutierrez 我。 Padilla-Medina 一个。 Prado-Olivarez J。 流加速器的卷积神经网络资源有限的应用程序 电子表达 2019年 16 23 10.1587 / elex.16.20190633 Villasenor-Aguilar m·J。 Botello-Alvarez j·E。 Perez-Pinal f·J。 模糊分类的成熟度番茄使用视觉系统 杂志上的传感器 2019年 2019年 12 3175848 10.1155 / 2019/3175848 2 - s2.0 - 85069044232 徐 Z。 赵 X。 郭 X。 郭 J。 深度学习申请由可见光谱预测土壤有机质含量 计算智能和神经科学 2019年 2019年 11 3563761 10.1155 / 2019/3563761 苏丹 H . H。 萨勒姆 n·M。 Al-Atabany W。 智能化的脑肿瘤图像使用深层神经网络 IEEE访问 2019年 7 10.1109 / access.2019.2919122 2 - s2.0 - 85067264048 Attallah O。 李树痘病 m·A。 Gadelkarim H。 胎儿大脑异常分类从不同胎龄的MRI图像 大脑科学 2019年 9 9 10.3390 / brainsci9090231 2 - s2.0 - 85073363087 Saladi 年代。 Prabha-Nagarajan 一个。 核磁共振脑图像分割的一种新颖的模糊因素使用直觉模糊核聚类方法 先进的动力和控制系统研究》杂志上 2018年 10 Varuna-Shree N。 库马尔 t·n·R。 识别和分类的大脑肿瘤的MRI影像特征提取利用DWT和概率神经网络 大脑的信息 2018年 5 1 10.1007 / s40708 - 017 - 0075 - 5 2 - s2.0 - 85048565348 Bhaskarrao-Bahadure N。 Kumar-Ray 一个。 Pal-Thethi H。 图像分析基于MRI脑部肿瘤检测和特征提取使用生物BWT启发和支持向量机 国际生物医学成像杂志》上 2017年 2017年 12 9749108 10.1155 / 2017/9749108 2 - s2.0 - 85015975643 Veeramuthu 一个。 米纳克希 年代。 Priya Darsini V。 大脑图像分类使用机器学习方法和结构分析 Procedia计算机科学 2015年 50 10.1016 / j.procs.2015.04.030 2 - s2.0 - 84937418915 Pliatsikasa C。 Moschopoulouc E。 Saddy j . D。 双语的影响大脑的白质结构 美国国家科学院院刊》上的美利坚合众国 2015年 112年 5 10.1073 / pnas.1414183112 2 - s2.0 - 84922318970 Pliatsikas P。 约翰斯通 T。 刚刚才 T。 在小脑灰质体积有关的处理在第二语言语法规则:一个结构分布形态测量学研究 小脑 2014年 13 1 10.1007 / s12311 - 013 - 0515 - 6 2 - s2.0 - 84896489232 Abutalebi J。 绿色 d . W。 双语语言生产:语言的神经认知表征和控制 神经语言学期刊 2007年 20. 3 10.1016 / j.jneuroling.2006.10.003 2 - s2.0 - 34147117693 Bubbico G。 Chiacchiaretta P。 Parenti M。 影响第二语言学习的塑料老化的大脑:功能连通性,认知能力下降和重组 神经科学前沿 2019年 13 10.3389 / fnins.2019.00423 2 - s2.0 - 85068892632 李 P。 Legault J。 Litcofsky k。 神经可塑性是第二语言学习的函数:人类的大脑解剖变化 皮质 2014年 58 10.1016 / j.cortex.2014.05.001 2 - s2.0 - 84929128649 斯坦 M。 温克勒 C。 凯撒 一个。 迪克斯 T。 有关双语大脑的结构变化:浸产生影响吗? 心理学领域 2014年 5 10.3389 / fpsyg.2014.01116 2 - s2.0 - 84907146297 黄金 b . T。 约翰逊 n . F。 鲍威尔 d·K。 终身双语对白质完整性有助于认知储备下降老化 这项研究 2013年 51 13 10.1016 / j.neuropsychologia.2013.09.037 2 - s2.0 - 84886305015 陆 G。 比亚韦斯托克 E。 Craik f . I。 格雷迪 c . L。 终身双语维护老年人白质的完整性 神经科学杂志》上 2011年 31日 46 10.1523 / jneurosci.4563 - 11.2011 2 - s2.0 - 81255188878 Sulpizio 年代。 Del-Maschio N。 Del-Mauro G。 Fedeli D。 Abutalebi J。 语言的双语作为梯度措施调节功能连通性和控制网络 科学杂志 2020年 205年 10.1016 / j.neuroimage.2019.116306