文摘

越来越多的成像研究和正电子发射断层扫描(PET)的普遍应用在临床肿瘤导致真正需要高效的宠物卷处理和开发新的卷分析方法帮助临床医生在临床诊断、治疗计划,评估对治疗的反应。宠物肿瘤体积分析一种新型自动化系统提出了这项工作。该智能系统部署两种类型的人工神经网络(ann)分类宠物卷。第一个方法是一个竞争神经网络(CNN),而第二个是基于学习矢量量化神经网络(LVQNN)。此外,贝叶斯信息准则(BIC)是用于这个系统评估每个宠物的最优数量的类数据集和协助安块实现准确分析通过提供最好的类的数量。系统评价进行了使用幻影实验性研究(NEMA IEC图像质量的身体幻影),模拟宠物研究使用Zubal幻影,和临床研究的代表nonsmall细胞肺癌和pharyngolaryngeal鳞状细胞癌。该分析方法的临床肿瘤PET数据显示有前景的结果,可以成功地分类和量化恶性病变。

1。介绍

正电子发射断层扫描(PET)体积分析是至关重要的各种临床应用包括减少人工制品和切除,肿瘤分期量化,分析肿瘤的发展过程随着时间的推移,和帮助放疗治疗计划1,2]。宠物已经逐步纳入患者的管理。结果临床研究使用氟脱氧葡萄糖(FDG) pet诊断已经证明了它的附加值,过渡和评价对治疗的反应(3- - - - - -5]。利用先进的高性能分析方法将有助于帮助临床医生在诊断和放射治疗计划。尽管医疗卷分析出现的任务简单,现实是一个深入的解剖学和生理学的知识是必需的临床医学图像上执行这些任务。从本质上讲,专家指出某一片,确定边界地区,每个地区分类。这是一般完成一片一片的3 d体积和需要reslicing数据transaxial,矢状面和冠状面。此外,识别小片特性和对比修改通常是必需的。尽管如此,对于一个典型的3 d数据集,整个专家手工分析可以需要几个小时才能完成,这种方法也许是最可靠和准确的医疗数量分析方法。这是由于人类视觉系统的巨大的复杂性,系统很适合这个任务(6- - - - - -9]。

与宠物相关的主要挑战是统计噪声和低分辨率导致一个重要的部分体积效应。这种效应应减少到最低限度,这样所需的信息可以准确提取分析体积。分析和从宠物卷中提取正确的信息可以利用进行分析和分类方法相比,提供丰富的信息,可以提炼出目视判读的宠物独自卷。需要准确、快捷的分析方法的成像数据驱动开发人工智能(AI)技术。人工神经网络(ANN)是一个强大的人工智能技术,能够从一组数据和构造权重矩阵来表示学习模式。安是一个数学模型,模拟生物神经网络在人类大脑的活动。

人工神经网络有巨大的成功在许多应用程序中包括模式分类、决策、预测,自适应控制10]。竞争神经网络与小波不变矩用于(11)检测任意姿势的脸和验证候选人脸区域。在这部作品中,用户选择小波不变矩和饲料在神经网络中。只有一个活动输出的三个网络的输出对应于额叶的脸,nonface,侧脸。因此没有完整的分类对整个图像,因为它只是局限于一些选定的功能。监管竞争学习算法被用来训练竞争学习神经网络提取的特征集手写汉字识别(12]。进行了大量的研究在医学领域利用ANN对图像分割和分类使用各种医学成像模式。多层感知器(MLP)神经网络用于(13使用超声图像)来确定乳房结节恶性肿瘤。多分类器系统使用五种ann和五套纹理特征提取的描述提出了从CT图像肝组织(14]。Kohonen神经网络自组织分割和多层反向传播神经网络分类多光谱图像先生已经被使用在15]。Kohonen安也用于图像分割(16]。计算机辅助诊断(CAD)计划使用多分辨率检测肺结节大规模训练人工神经网络(MTANN)提出了17]。

许多其他方法用于医学图像分割。模糊自适应本地贝叶斯(松弛)分割自动损伤体积描述提出了在18]。松弛的方法与一个阈值方法以及模糊隐马尔科夫链(FHMCs)和模糊c均值(FCM)算法。在这个比较中,幻影数据集被用来验证该算法的性能。一种新的模糊分割技术适应典型的宠物数据也是最近提议(19]。首先,宠物使用非线性各向异性扩散图像平滑滤波器被添加作为第二FCM算法将空间信息的输入。此后,方法是集成开发的多孔小波变换在标准的FCM算法允许处理异构病变的吸收。MRI分割的方法基于自组织特征映射一直在报道(20.]。获得额外的空间信息像素区域使用马尔可夫随机场(MRF)模型。MRF词的利用率提高了分割结果没有额外的数据样本训练集。磁流变液在SOFM的合作已经显示出其巨大的潜力MRF模型分割区域的平滑。它验证邻近像素应该有类似的细分任务,除非他们是两个截然不同的区域的边界。然而,目前尚不清楚如何建议的方法可以区分两个地区。

本文旨在开发一个健壮的宠物数量分析系统使用安结合贝叶斯信息准则(BIC)。该系统的初步调查发表在[21]。两种方法研究了利用竞争神经网络(CNN)和学习矢量量化神经网络分类(LVQNN)宠物卷。BIC被用于这个系统为每个宠物选择最优数量的类数据集和饲料到安块。CNN和LVQNN输出评估使用两个宠物幻影数据集,临床PET nonsmall细胞肺癌病人,和宠物卷从7喉肿瘤患者。

本文组织如下。部分2介绍了理论背景主要系统组件包括BIC, CNN, LVQNN。提出医疗卷分析系统中描述部分3。结果与分析部分中所示4在部分,最后给出了结论5。

2。理论背景

2.1。贝叶斯信息准则

贝叶斯信息准则(BIC)是用来近似贝叶斯因子,因此用于比较一系列的竞争理论。BIC是假设检验方法使用贝叶斯推理。BIC声名狼藉作为模型选择的重要方法,在不同的环境中使用,并从图像处理和分析22],生物学和社会学研究[23,24]。虽然BIC不允许再考虑空间像素点之间的相关性,它提供一个有用的战略竞争模型的比较。的模型应用于数据集用和高斯分布利用的定义及其相关参数,在那里之前是一个类的数量。比较两个相互竞争的假设和每个模型的后验概率与体元标签计算如下(23]:

的先验概率模型在这种情况下,类的数量被认为是同样可能是先天的,因此,

臀部丰满的比率,,通常称为贝叶斯因子模型与模型。这个因素相当于一个假设的后验概率两个假设的先验概率可能是平等的。这也提供了一个衡量证据的重量提供数据或对零假设。代表了集成模型的可能性而不是最大化和可能性是由:

通常的可能性,之前以为是等可能的对吗。评估这个积分组合是困难的;然而,一个好的近似的集成可能是BIC:

在哪里极大似然估计量的吗从高斯混合拟合得到:

在哪里是数据的维数向量,是使用的参数集的基数。所示的贝叶斯因子(6)可以近似计算BIC术语的差异,模型拟合的结果的不同数量的类,和(23]:

尽管BIC不是单独的绝对值信息由于与零假设,BIC值之间的差异竞争模型提供了证据指定使用一个模型。

期望最大化(EM)算法用于寻找每个类的最大似然估计的处理宠物体积。的最大似然估计基于不完全观测数据(标定)可以定义如下: 在哪里日志的可能性吗鉴于。最大似然估计的计算方法是首先基于高斯分布,这是一个经常使用的连续概率分布作为第一近似描述实值随机变量往往分类在一个平均值:

在哪里每个类的意思,标准偏差。

每个段的最大似然估计终于获得利用这个概率在处理片中的每个级别的柱状图。每个类的平均值和标准偏差,也计算基于直方图的计算,并根据这些统计信噪比(信噪比)为每个类让细节得笑破肚皮也获得评价信号的水平在每一段25]。信噪比可以计算根据以下方程:

2.2。竞争神经网络

竞争神经网络可以检测学习规律和相关性的输入和适应他们未来应对相应的输入。竞争网络的神经元识别相似的输入向量组。自组织映射识别组织相似的输入向量,神经元层中的神经元附近的身体彼此响应相似的输入向量。

CNN的一层,在这种竞争层神经元发放自己承认经常输入向量。权重应用于输入向量使用消极的欧氏距离的方法。层的净输入计算结合的加权输入和偏见。CNN是训练使用两种方法:第一种是顺序排列的增量训练列车重量和偏见的网络学习规则和顺序更新。另一种方法是随机增量训练,训练一个网络与重量和偏见学习规则增量更新后的一个输入。在这种类型的神经网络输入给出了在随机顺序26]。

2.2.1。竞争学习

学习规则用于CNN是基于Kohonen规则(27,28),神经元的权向量是最接近输入向量,更新更近。结果就是获胜神经元更有可能赢得比赛下次类似的向量,也不太可能赢得当一个非常不同的输入向量。随着越来越多的投入,接近一群层中的每个神经元的输入向量很快调整对这些输入向量的权向量。最后,如果有足够的神经元,每个类类似的输入向量将神经元输出1当一个向量类,而在其他时间输出一个0。因此,竞争网络学会归类的输入向量每次它看到。重量一个神经元在迭代调整如下:

那里的学习速率在提议中设置宠物0.6应用程序。这个值被选择的实验,为学习速率值接近于零导致缓慢的学习,然而,值附近导致更快的学习,但是权向量保持稳定。解决问题类的数量的CNN, BIC被利用来确定最优数量的类为每个类型的处理过的数据集。

2.3。学习矢量量化神经网络

学习矢量量化神经网络混合网络,它使用无监督和监督学习分类。LVQNN有两个层次:第一层计算加权输入使用消极的欧氏距离的方法。第二层与纯系神经元激活函数,并计算加权输入使用点产品重量的方法。没有用于LVQNN偏见。竞争层中的LVQ学习是基于一组双输入/目标。每个目标向量有一个1,其余的元素是0。1告诉正确的分类相关联的输入。

LVQNN比CNN更高效的大量的输入。隐含在这个网络的优化过程收益率类意味着通过为每个类(估计优化分配29日]。

2.3.1。LVQ学习规则

学习规则LVQNN结合了竞争学习和监督学习方法(30.,31日),这就需要一套合适的网络行为的例子如下: 每一个目标向量应该包含所有0除了一个1。这个1显示指定的输入向量所属的类。在每个迭代中,一个输入向量呈现给LVQNN,距离吗每个原型向量计算。比赛后,一个神经元获胜,竞争输出向量的th元素设置为1,那么这个输出乘以权重矩阵得到最终的输出,这有一个非零元素指示向量类。Kohonen规则作为学习规则;所以如果输入向量正确分类,然后获胜神经元的重量需要走向如下: 然而,如果分类错误然后获胜神经元的重量需要离开吗如下:

3所示。提出了系统

提出医学卷分析系统见图1。从PET扫描仪获得的3 d宠物卷经过预处理块,阈值,直方图均衡、中值滤波是利用移除外部文物和提高每个片的质量特性。然后使用EM算法来寻找每个类的最大似然估计的增强的体积。然后根据计算(正常高斯密度8为每个类的值0 - 255)。均值标准差和每个生成的类的类概率(CP)也计算,根据这些统计信息,每个类的信噪比也得到。类概率必须增加一个。BIC值计算和绘制不同的值确定最优数量的类为每个切片处理。这个数字是美联储CNN和LVQNN,然后加工体积可以分类。这些方法的输出是在下一步相比,选择最优的分类输出和显示。

4所示。结果和分析

4.1。幽灵的研究

以下4.4.1。幻影实验性研究

第一个数据集在这项研究中的应用是获得使用NEMA IEC图像质量的身体幻由椭圆水腔装满了6球插入暂停的塑料棒卷0.5,1.2,2.6,5.6,11.5,和26.5毫升。这些领域的内部直径10、13、17、22、28岁和37毫米。宠物图像体积组成体素,每个立体像素尺寸4.07毫米×4.07毫米×5毫米对应体素量0.0828毫升。这个幽灵在文献中广泛使用的图像质量的评估和验证定量程序(32- - - - - -35]。的其他变体multisphere幻影也被建议(36]。获取数据使用的PET扫描仪放映机16 PET / CT扫描仪(德国西门子医疗、埃朗根)在3 d模式下操作(37]。傅里叶rebinning和基于模型的散射校正后,宠物使用二维迭代图像重建的正常化attenuation-weighted命令子集期望最大化(NAW-OSEM)。CT-based衰减校正被用来重建宠物排放数据。使用默认参数被命令OSEM迭代重建四个迭代和八个子集,后跟一个后处理高斯滤波器(内核满half-maximal高度,5毫米)。

选择最优数量的类中每一个切片加工宠物幻影体积,不同的价值观已经被使用。提出了应用程序,BIC值计算逐步增加来。不是进一步增加,因为在这个医疗应用程序中,任何额外的分离是不必要的。BIC值增加无限期组件数量的增加。增加BIC值表示改进模型适合;然而,通常这些值稳定在一个近似曲线高原,通常采取的开始表明最优价值。BIC值的阴谋实验幻影数据集显示,最好的价值可以得到4,如图2。

均值标准差、信噪比和类概率(CP)计算每个薄片分析在每个片推荐的所有类。表1提出这些值的最佳分类数(CN)实验幻影数据集。

4.1.2。模拟幻影研究

第二个数据集由蒙特卡罗模拟Zubal拟人化两卷在哪里生成模型。第一卷包含一个矩阵和各向同性体素,这个体积的大小体素。第二卷包含相同的矩阵的第一个但是没有各向同性体素,它的大小体素。两卷体素的大小是5.0625毫米×5.0625毫米2.4250毫米。第二个数据量3肺部肿瘤的特征给出了表2(38]。

为各向同性体素在模拟幻影数据集,从BIC阴谋获得最佳分类数为5类,如图3。的情节BIC近似高原值趋于平缓,因为这个原因,这个统计模型选择测试确定5最适当数量的标签分类数据集。最优数量的类是相同的肿瘤1,2,3。与nonisotropic体积压在模拟幽灵的数据集,最优数量的类从BIC情节也获得5类的所有三个肿瘤。

表3显示统计信息的最佳数量的类模拟幻影数据集,肿瘤与各向同性体素。而统计肿瘤2展示在表的详细信息4。

分析统计细节肿瘤3显示有一个小的信噪比计算值之间的差异类2,3,4,5,如表所示5。类似的分析已经完成模拟幻影与nonisotropic像素点数据集。表6比较肿瘤的信噪比和类概率1,2,3,nonisotropic体素。

最优选择的类数是美联储CNN和LVQNN所有领域都有明确分类实验幻影数据集,如图4。明确的类也已经获得了模拟幻影数据集和各向同性nonisotropic体素。例如,图5礼物的原始和分类片模拟幻影数据集和各向同性体素肿瘤1。

更好的性能已经达到使用LVQNN而不是CNN;然而,所需的时间分类中的每一片加工体积使用LVQNN高于使用CNN每个片处理所需的时间。

两个性能指标用来评估提出了人工神经网络的性能。混淆矩阵是一个可视化工具通常用于监督和非监督学习方法。矩阵的每一行表示一个预测类的实例,而每一列表示一个实际的类的实例。混淆矩阵的一个好处是,它很容易看到如果系统混淆两类:(肿瘤和其余组织临床PET数据集的情况下)。其他性能指标的方法是接受者操作特征(中华民国)。这种方法可以表示为策划真阳性的比例率(TPR)和误报率的分数(玻璃钢),在ROC曲线完美的点是点(0,1)(39]。人工神经网络都表现良好在分类实验和模拟数据集。

4.2。临床宠物卷

4.2.1。准备临床数据集1

临床病理组织切片证实宠物数量的患者的非小细胞肺癌(临床阶段Ib-IIIb)进行诊断全身PET / CT扫描是用来评估建议的分类技术。病人禁食不少于6个小时之前PET / CT扫描。静脉注射的涉及的标准协议¹⁸F-FDG后跟一个生理盐水(10毫升)。注射前的活动是根据病人的体重调整使用以下公式: 兆贝可(megabecquerel)是国际单位制的放射性物质。作为一个Bq的定义是一个量的活动哪一个核放射性物质的衰变每秒。45分钟后吸收时间,自由呼吸PET和CT图像。数据重建的幻影研究描述使用相同的过程。最大肿瘤直径测量的宏观检验手术标本作为地面实况进行比较的最大直径估计提出了分类技术。

最优数量的类从BIC阴谋获得临床PET nonsmall细胞肺癌病人的数量是5类,如图6。而表7显示了关于这些类的统计信息。基于临床医生的主观评价知识进行了提出方法的输出。分类部分使用该方法具有明确的检测感兴趣的区域(ROI)如图7。

4.2.2。临床数据集2

第二临床数据集在这项研究中的应用是宠物卷从7 T3-T4喉鳞状细胞癌患者。每个病人接受治疗之前,一个正研究。患者由于定制热塑性面具(Sinmed Reeuwijk,荷兰)固定平坦桌面,防止复杂脖子的动作。首先,10分钟传输扫描得到西门子的人力资源上的相机(美国诺克斯维尔CTI)。185 - 370年后立即静脉注射兆贝可(5 - 10 mCi)的配合,3 d发射1 h动态扫描。它由8帧变量时间从90到600年代。所有图片都为死时间校正,随机的,散射衰减,衰减,然后使用3 d重建OSEM算法,作为诊所中使用头颈肿瘤患者(40- - - - - -42]。这个数据集的大小体素为每一个病人。

在临床数据集的情况下,情节近似高原BIC值趋于平缓,因为这个原因,这个统计模型选择测试确定5最适当数量的标签分类的数据集,数据集的问题,由BIC情节对应准确分类的数量水平专为肿瘤临床医师推荐的量化。BIC提供了一个有用的分类水平选择的客观方法。特别是,BIC有效适合肿瘤肿瘤PET数据量化,可以快速计算。对于体积和维度据悉,直方图计算大约需要1.9秒,此后,一个BIC值与一个特定的值可以计算出每1.2秒。总BIC模型选择过程大约需要8.4秒()。计时模型得到了使用单一处理器,2.66 GHz, 3 GB内存。

使用该方法为每个病人选择最优CN。根据图8这说明了BIC值不同值(2 - 8),这些数据集是最好的CN 5类。CN是美联储CNN和LVQNN做分类处理每个片的临床数据集。

所有的关于每个类的统计信息在这个数据集计算,图9说明了值为每个类的临床数据集2从第一个病人病人数字7。计算信噪比是重要参考类包含ROI。基于临床医生的主观评价知识进行了对该方法的输出。分类卷使用该方法有一个清晰的ROI检测。喉肿瘤从七个病人明确分类,图10说明了原始和分类患者1片数据集。

5。结论

一个人工智能统计方法提出了基于CNN和LVQNN对3 d宠物肿瘤体积的分析。实验、模拟和临床宠物nonsmall细胞肺癌的研究和pharyngolaryngeal鳞状细胞癌是用来评估该系统的性能。BIC和EM方法部署到获取最优数量的类,由CNN和使用LVQNN分类中的每一片加工宠物体积。平均值、标准偏差、信噪比和类概率也计算为每个类。详细的客观评价与主观评价基于临床知识进行描述该方法的性能。有前景的结果,系统似乎成功地分类和量化病变临床肿瘤PET研究。

确认

本文由瑞士国家科学基金会支持格兰特SNSF 31003 - 125246下,日内瓦癌症联盟,印度ISJRP 138866年瑞士联合研究项目。