基于滑动窗口的机器学习系统的左心室心脏图像本地化先生

文摘

最常见的问题在视觉系统包括其能力满足不同场景包含感兴趣的对象被检测出来。通常,不同背景中感兴趣的对象包含显著减少视觉系统的性能。在这项工作中,我们设计一个滑动windows机器学习系统的识别和检测左心室心脏先生图像。我们利用人工神经网络的能力来应对遇到的一些不可避免的场景约束在医学对象检测任务。我们训练样本的反向传播神经网络和nonleft心室。用左心室检测任务作为机器学习问题,采用一个智能系统(反向传播神经网络)来实现检测任务。我们对待左心室检测问题作为二进制分类任务通过分配收集左心室样本作为一个类,和随机(nonleft心室)对象是其他类。验证了训练有素的反向传播神经网络具有良好的泛化能力通过模拟测试集。一个识别率达到100%和88%的训练集和测试集,分别。训练有素的反向传播神经网络用于确定采样地区目标图像包含左心室。最后,我们展示了该系统的有效性通过比较手动检测左心室由医学专家和训练网络的自动检测。

1。介绍

机器学习(ML)是一种人工智能(AI)使电脑没有专门学习编程的技能。它着重于建立计算机程序如有更改,恕暴露在新数据。机器学习可以分为监督或无监督。监督算法可以将过去的知识应用到新的数据而无监督算法使结论从数据集1- - - - - -5]。

医学成像领域的目睹了推迟接受小说毫升技术相比其他领域。尽管机器学习几乎是新的,其概念已被应用于医学影像多年,尤其是在计算机辅助诊断(CAD)和脑功能映射(6]。组件的医学成像(图像分析和重建)往往受益于机器学习与医学成像的合并。从这个角度来看,新的图像重建的方法和特殊性能在临床和临床前应用程序实现(6]。一项研究[7]看到机器学习作为当前的主要工具计算机辅助分析(CAD)。之前从医学专家提供的例子帮助获得的知识在图像配准、图像融合、分割和其他分析步骤描述准确的初始数据和CAD的目标。机器学习在医学成像技术的其他应用程序包括但不限于肿瘤分类、肿瘤诊断、图像分割、图像重建和预测(3,6,7]。

在本研究,我们专注于检测任务采用人工系统(机器)。这样的系统需要“看”的形象和确定一个特定的图像中感兴趣的对象包含在任何地方,除了检测。医学对象检测任务,传统上属于计算机视觉问题的类。值得注意的是,人类是非常有效和高效的检测各种复杂对象无论场景约束等不同背景、对象范围、对象位置翻译,面向对象,对象照明;机器附近的努力实现人体目标检测性能。此外,它是强调对象检测很为机器比对象识别更具挑战性。在目标检测中,对象感兴趣的是发现一个图像,可以放置在任何地区,在目标识别、识别感兴趣的对象通常是已经分割,因此,降低识别的挑战。为了成功在目标检测等任务,开发视觉模型或系统应该有能力应对上述场景约束。更重要的是,在机器人系统中,医学对象检测任务非常微妙,需要最大的准确性。由于机器人系统通常是一些实时的方式与环境互动,错误检测的结果感兴趣的对象可以很严重或严重。

在本文中,我们设计一个基于滑动窗口的机器学习系统的检测左心室在MRI片。重要的是要注意,虽然其他对象可以被用来演示系统设计的有效性,我们发现左心室在高度不同的检测和无约束图像足够了。此外,它将稍后在这项工作的方法实现图像的检测左心室可以轻松地扩展和修改意识到其他对象的检测图像。

2。滑动窗口的机器学习方法

在滑动窗口方法中,一个合适大小的窗口,选择执行搜索的目标图像8,9]。首先,分类器训练在训练样本生成的对象的集合对检测作为一个类和随机对象的其他类。正式样品属于对检测的对象被称为积极的例子,而随机对象的样本没有兴趣被称为负面的例子。对于单个对象检测任务,这个想法是二元分类器训练,决定如果提供的对象是“积极的”或“消极的。训练分类器可以用于“检查”的目标图像采样,从左上角开始。值得注意的是训练分类器的输入维数通常是一小部分的目标图像的大小或尺寸;因此,可以实现目标图像的采样。

的一些分类,发现应用程序的上下文中对象检测包括深层神经网络(款),卷积神经网络(CNN),决策树(DT) [2,10,11]。考虑上述注意事项为对象选择合适的分类器检测,支持向量机(SVM),这是一个最大的边缘分类器,将是一个显而易见的选择,但对于长时间训练与反向传播神经网络和决策树。在视图所需的培训时间,决策树(DTs)通常有至少训练时间比支持向量机(SVM)和反向传播神经网络(摘要);然而,决策树往往迅速overfit或“记住”的训练数据。后果是决策树的性能在测试集(看不见的例子)是没有竞争力。摘要利用反向传播神经网络似乎是温和的训练时间和泛化能力之间的平衡,从摘要的培训时间是在支持向量机、决策树和泛化性能,优于决策树和竞争与支持向量机(12,13]。因此,在这个项目中工作,反向传播神经网络被用作对象的分类器检测任务。

3所示。拟议中的左心室自动检测系统

这项工作的目的是开发一个人工视觉系统,可以执行的任务在图像检测左心室。在这项工作中,考虑的挑战,如对象照明,规模,翻译,和旋转,使检测这样一个开放的检测问题的复杂问题,我们决心实施一个智能系统,可以有点优雅应对上述检测约束。神经网络,即反向传播神经网络(摘要),已被用于这项工作为背后的“大脑”检测。

本研究在两个阶段。首先是左心室识别阶段通过训练反向传播神经网络(摘要)。第二阶段是左心室的检测对象使用反向传播神经网络在MRI片。系统的流程图如图1下面简要描述和两个阶段。

3.1。阶段1:左心室对象识别

在这个阶段,一个反向传播神经网络训练识别左心室对象和nonleft心室对象。为了实现这个二进制分类任务,训练数据收集跨度左心室图像和nonleft脑室图像。获得的数据用于训练和测试数据从新宁心脏数据(SCD) [14]。收集的数据集包含45 cine-MRI片的患者和健康等不同的病态,肥大,心脏衰竭与梗塞,无梗塞和心脏衰竭。100张照片的一个子集用于拟议的系统培训和测试两个阶段。自实际兴趣是开发一个系统,识别左心室对象,MRI片裁剪只有左心室和被称为积极的例子或样本。相反,图像包含随机nonleft脑室图像被称为负面例子或样品。注意,之前培训阶段,没有限制的负面例子的内容除了它们不包含左心室对象。然而,它发现收集的负面形象可以种植整个MRI心脏切片的其他部分不包括左心室。这似乎是改善系统的鲁棒性左心室和nonleft脑室图像区分开来。从心脏MR图像裁剪心室和nonventricle图像如图2。

3.1.1。图像处理

从正面和负面的例子是手工裁剪,它们是不同的大小。因此,为了使图像一致的,他们都是大小像素(1600像素)。样品正面和负面的例子在图所示3。

3.1.2。摘要利用反向传播神经网络设计、培训和测试

收集的反向传播神经网络训练样本生成正面和负面的例子。正面例子(左心室),100个样本来自不同心脏MRI片裁剪使用,同时,负面的例子(nonleft心室),使用200个样本。更因为一个负面形象,形象可以提供许多负面形象,不包括左心室。正负样本形式的培训和测试数据设计的反向传播神经网络(摘要)。所有图片是第一个新像素(1600像素)。然后整个数据集分为训练和测试数据。的性能测试数据允许观察训练对看不见的或新的数据摘要。是非常理想的训练人工神经网络可以在看不见的数据表现良好,即泛化。75年左心室和275年nonleft心室用于训练,而25左心室和25 nonleft心室用于测试训练有素的摘要。因此,总共有250训练图像和测试图像。

(一)输入数据和神经元。现在考虑到训练图像像素,设计摘要有1600个输入神经元,每个输入属性或像素送入一个输入神经元。同时,注意输入神经元nonprocessing。也就是说,他们基本上接收输入像素和供应他们的隐层神经元处理神经元。

(b)隐层神经元。隐藏层,输入数据的提取功能,允许输入数据的映射相应的目标类。与输入层神经元隐层神经元处理。另外,每个隐层神经元接收输入的输入层神经元。在这项工作中,几个实验来确定合适的隐层神经元的数目。最后,合适数量的隐藏神经元网络训练期间获得了80。

(c)输出层编码。考虑到我们的目标是将所有图片为左心室对象或nonleft心室对象,摘要有两个输出神经元。摘要是编码的输出,输出神经元激活如下面所示:(我) →左心室对象(2) →nonleft心室对象。

图4显示了设计的摘要。摘要利用训练在图中描述的图像处理3。最后的训练参数如表所示1。

Log-Sigmoid激活函数允许神经元的输出是0到1的范围。从表1,看到摘要实现所需的误差值0.01在40秒,1215时代。摘要利用的学习曲线如图5。

然后测试训练摘要使用训练和测试数据。表2显示了摘要的认可率在训练和测试数据。

它在桌子上2摘要实现一个识别率100%和88%的训练和测试数据,分别。注意测试识别率88%就足以表明,摘要可以概括在看不见的数据(图像),也就是说,新图像分类为左心室或nonleft心室。

3.2。阶段2:左心室从图像检测

在这个阶段,训练有素的摘要是用来检测左心室在图像包含各种物体,背景,照明,规模等等。为了检测左心室在新图像,新图像采样不重叠的方式使用滑动窗口或面具。首先,所有图片的左心室有新发现像素;这会显著减少所需数量的采样,因此计算。注意,新图像包含左心室大小检测被选中,这样输入字段(像素)的早期训练摘要可以适应没有脱落图像边缘。

因此,如果新图像包含检测左心室是新像素和一个滑动窗口的大小像素用于不重叠的抽样3采样得到的x像素坐标,和3采样得到的y像素坐标;这使得总共9采样的图像。图6显示了抽样技术的类比。

抽样结果使用滑动窗口的大小像素(1600像素)提供的输入训练摘要如图6。预计,对于windows包含左心室,摘要给出的输出摘要利用训练期间,编码。预计,为windows不包含左心室,训练有素的摘要给出的输出。从上面描述的抽样方法,它将发现9采样(补丁),因此预测任何目标图像。摘要利用输出与期望的输出最接近的匹配左心室输出,选择包含左心室,也就是说,与最大激活值神经元在图14。看到,实现完整的检测图像的左心室,阶段1和2都是夹在一起作为一个模块。

4所示。绩效评估

左心室的一个例子检测图像如图6如图7使用开发的系统。更多的例子的左心室本地化不同类型的图像如图先生8和9。

发现左心室强调在一个矩形边界框。

同时,左心室的其他目标图像检测样品使用开发的系统在这个工作图所示8,9,10。发现左心室对象作为一个矩形边界框突出显示。

同时,某些情况下的开发未能实现的正确检测左心室在图像如图10。

一般来说,大多数的方法提供了左心室的艺术状态的检测可以被认为是一些变化的活动轮廓和分割模型(15- - - - - -19]。这些模型是为了段左心室心内膜和心外膜地区。相比之下,我们的模型是一个通用的平方检测或本地化的MRI片左心室。这种模式主要是一种机器学习方法,旨在评估一个简单的反向传播神经网络的有效性和能力在抽样MRI片为目的的发现和检测左心室对象基于滑动窗口的方法。这里的方法是不准确部分左心室的边缘;然而,它是发现和定位图像中的左心室为对象。因此,在一些图像,左心室的一小部分可以发现,这仍然可以被认为是一个正确的检测应用程序类型是找到或本地化左心室即使是失踪的一小部分。因此,我们的研究结果不能与其他研究成果由于所使用的方法和技术是完全不同的。

为了显示开发系统的有效性,一些左心室手动检测到医学专家来验证我们的系统在检测左心室功能核磁共振片。这个想法是比较两个检测,也就是说,网络检测和医学专家手工检测左心室,以检查是否左心室适合检测广场的目标图像。换句话说,它是检查如何准确系统能够检测左心室通过比较检测区域医学专家所反映出的左心室。图11说明了一些图像的手册和网络的检测显示左心室。

5。结果的讨论

由于人工神经网络的权重通常是随机初始化的训练,因此,训练摘要并不总是保证收敛到全局最小或良好的局部最小值。因此,学习的左心室和nonleft心室可以负面影响;因此影响检测阶段,训练有素的摘要可能错误地预测采样窗口或补丁包含左心室。为了,为了解决这个问题,MATLAB编写的程序指令再培训包含摘要直到测试识别(与摘要泛化能力)大于80%。这大大减少了摘要的错误预测的概率抽样窗口包含一个左心室(补丁)。在这个项目中,我们允许最多30再培训计划的摘要。因此,当开发了整个检测系统的MATLAB脚本运行时,有可能自动摘要可能重新训练前几次然后执行检测任务。

此外,遇到的另一个挑战是,即使在摘要达到测试识别率大于88%,仍然可以采样窗口错误分类,尽管这种情况发生的概率很小。在这个项目中,发现当摘要达到测试识别大于88%,最多3培训时间表需要正确地检测目标图像的左心室。

本工作描述一个高度挑战性的任务在计算机视觉中,医学对象检测。我们表明,反向传播神经网络(摘要)可以用来学习的识别/左心室和分类nonleft心室积极和消极训练的例子,分别。然后用训练有素的摘要不重叠的抽样的方式“检查”的目标图像包含检测左心室。开发系统测试,发现非常有效的检测左心室在图像包含其他对象。同样重要的是,发达系统是智能图像场景约束等翻译和规模略影响系统的整体效率。

6。结论

在这个研究中,左心室的人工视觉系统检测了。重要的是要注意,工作本身是更广泛的比只检测左心室,因为相同的见解和方法提出了在这个工作可以用来实现其他的检测对象。同时,考虑到广大的场景和环境开发系统将部署,我们选择调整检测任务的一个机器学习的问题。这使得一些鲁棒性上述场景约束可能呈现发达系统完全错误的检测任务。摘要利用反向传播神经网络被用作学习系统研究。摘要利用训练样本的左心室和nonleft心室(随机)收集相同的样本。左心室在目标检测的图像,一个窗口大小(像素)的大小对应于输入摘要用于样品中的目标图像不重叠的时尚。开发系统测试一些随机收集目标图像包含左心室没有任何场景约束等,翻译,照明,和方向的左心室中包含目标的图像。发达系统被视为执行很好检测幼崽对象,包括场景、左心室甚至部分闭塞的地方。此外,显示发达系统的有效性和鲁棒性,左心室波状外形的或被医学专家在系统检测表明了系统的有效性和准确性进行左心室检测。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

作者要感谢哈迪博士Sasani评论这篇文章的早期版本中。

引用

1. h·李,r . Grosse r . Ranganath, a . y . Ng”卷积深层信念网络分层表示的可伸缩的无监督学习”第26届国际研讨会论文集(ICML ' 09)ACM,页609 - 616年,蒙特利尔,加拿大,2009年6月。视图:出版商的网站|谷歌学术搜索
2. o . k . Oyedotun e . o . Olaniyi a .以往和a . Khashman”混合动力汽车编码器网络虹膜痣诊断考虑潜在的恶性肿瘤,”美国先进的生物医学工程国际会议(ICABME 15)2015年9月,页274 - 277。视图:出版商的网站|谷歌学术搜索
3. a .以往和r·h·Abiyev“ISIBC:乳腺癌的智能识别系统,”学报》国际先进的生物医学工程会议(ICABME 15),2015年9月17日,页。。视图:出版商的网站|谷歌学术搜索
4. a .以往和d . p . Tantua IKRAI:膝关节类风湿性关节炎智能识别,”智能系统和应用程序的国际期刊,8卷,不。1,第十八条,2016。视图:谷歌学术搜索
5. 答:以往,a . Khashman e . o . Olaniyi o . k . Oyedotun和o . a . Oyedotun“种子质量评价与RBF神经网络,”《Transilvania布拉索夫大学系列III:数学、信息学、物理,9卷,不。2、2016。视图:谷歌学术搜索
6. m·娜•d•Maintas c Tsoumpas, e . Stiliaris“层析图像重建基于人工神经网络(ANN)技术,”《IEEE核科学研讨会和医学影像会议记录(NSS /麦克风12)2012年11月,页3324 - 3327。视图:出版商的网站|谷歌学术搜索
7. g .王”视角深度成像”,IEEE访问4卷,第8924 - 8914页,2016年。视图:出版商的网站|谷歌学术搜索
8. a . Giusti d . c . Ciresan l . m . Gambardella j .∙马希,的和j。施密德胡贝尔表示“快速扫描图像与深度max-pooling卷积神经网络,”20国际会议上处理程序(ICIP 13)2013年9月,页4034 - 4038。视图:谷歌学术搜索
9. h . g . Gouk和a . m .布莱克,“快速滑动窗口与卷积神经网络分类”学报》第29届国际会议上图像和视觉计算汉密尔顿,页114 - 118年,新西兰,2014年11月。视图:谷歌学术搜索
10. d·谢·l·张,l·巴姨,“深度学习在视觉计算和信号处理”,应用计算智能和软计算1320780卷,2017篇文章ID, 1-13, 2017页。视图:出版商的网站|谷歌学术搜索
11. m . Ranzato杨绍明。关铭Boureau y勒村,“稀疏特性为深层信念网络学习,”先进的神经信息处理系统,第1192 - 1185页,2008年。视图:谷歌学术搜索
12. ·库马尔·d·k·古普塔v . n . Mishra r·普拉萨德,”比较,支持向量机、人工神经网络和光谱角制图者的作物分类算法使用丽丝IV数据,”国际遥感杂志》上,36卷,不。6,1604 - 1617年,2015页。视图:出版商的网站|谷歌学术搜索
13. k . Dimililer“反向传播神经网络实现医学图像压缩,”应用数学学报ID 453098条,卷。2013年,8页,2013。视图:出版商的网站|谷歌学术搜索
14. p . Radau y, k .康奈利·g·保罗,a·j·迪克和g·a·莱特”评价算法框架分段短轴心脏MRI,”MIDAS Journal-Cardiac先生左心室分割的挑战,2009,http://www.midasjournal.org/browse/publication/658。视图:谷歌学术搜索
15. e·c·康斯坦丁尼德斯Roullot、m . Lefort和f . Frouin“全自动分割的左心室应用于电影图像先生:45的数据库对象,描述和结果”学报IEEE的年度国际会议在医学和生物工程协会(EMBC 12),页3207 - 3210,圣地亚哥,加利福尼亚州,美国,2012年9月。视图:出版商的网站|谷歌学术搜索
16. 黄,j . Liu l .李et al。”分割的左心室电影图像使用一个全面的方法,先生”学报2009年MICCAI研讨会心脏左心室分割先生的挑战。迈达斯》杂志,伦敦,英国,2009年9月。视图:谷歌学术搜索
17. 黄,j . Liu l·c·李et al。“一个基于图像的综合方法进行自动分割心脏的左心室短轴电影图片,先生”数码影像杂志,24卷,不。4、598 - 608年,2011页。视图:出版商的网站|谷歌学术搜索
18. m .快活,“左心室全自动分割心脏电影图像先生使用登记和最小表面,”MIDAS Journal-Cardiac先生左心室分割的挑战,2009,http://www.midasjournal.org/browse/publication/684。视图:谷歌学术搜索
19. l . Marak j . Cousty l . Najman h·塔尔博特,“4 d形态分割和MICCAI LV-segmentation大挑战”学报2009年MICCAI研讨会心脏左心室分割先生的挑战。迈达斯》杂志大富翁,页1 - 8,法国,2009年11月,http://www.midasjournal.org/browse/publication/677。视图:谷歌学术搜索

版权

版权©2017 Abdulkader以往和迪Uzun Ozsahin。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。