一种新型径向基神经Network-Leveraged先生的快速训练方法确定器官图像

文摘

我们提出一个新的方法快速器官分类和分割的腹部磁共振(MR)图像。磁共振成像(MRI)是一种新型的高科技成像考试近年来时尚。识别特定的目标区域(器官)基于图像先生是医学图像的计算机辅助诊断的关键问题。人工神经网络技术在图像处理方面取得了重大进展,基于多通道属性先生先生每个像素的图像。然而,随着大规模数据的生成,很少有研究大规模核磁共振数据的快速处理。为了解决这一缺陷,提出了一种快速径向基函数人工神经网络(Fast-RBF)算法。我们的努力的重要性如下:(1)该算法实现快速处理的大规模图像数据通过引入 - - - - - -不敏感损失函数,结构风险项,核心原则。我们将这种算法应用到特定目标区域,图像的识别。(2)为每个腹部MRI的例子中,我们使用四个序列先生(脂肪、水、同相(IP)和opposed-phase (OP))和位置坐标( , )每个像素作为算法的输入。我们使用三个分类器来识别图像先生的肝脏和肾脏。实验表明,该方法达到更高的精度在特定地区的医学图像的识别和有更好的适应性在大规模数据集的情况下比传统的RBF算法。

1。介绍

磁共振成像(MRI)是一种新型的高科技成像考试近年来时尚。它的优点没有电离辐射,没有骨头的工件,和多向和多参数成像1]。因此,端到端的智能疾病诊断系统的生成基于核磁共振是一个不可避免的智能医学发展的方向。实现有效的目标智能医疗、本文研究的分类基于MRI的腹部器官。

有很多医学图像处理技术(2- - - - - -5]。戈迪略et al。6]先生现有的图像处理技术分为以下三类:第一类是基于阈值的方法,分类的分割对象(如像素)先生的形象通过比较用不同的阈值7- - - - - -9]。第二种类型是提出方法,划分几个互斥地区根据预设规则,然后用相同的属性分类像素到同一地区(10,11]。第三类是基于像素的分类方法,主要分类的对象根据每个像素的多通道属性先生。根据训练集是否标记,它们可以分为无监督,semisupervised和监督方法(12- - - - - -14]。

第三种方法,人工神经网络作为一种监督学习模型应用于医学成像领域的(15]。适用于图像处理没有先验分布的假设;它的应用可以分为三类:第一类是直接人工神经网络应用于图像处理先生。在埃博拉病毒病等。16)神经网络应用于乳腺癌先生的动态分割图像。Egmont-Petersen et al。17使用神经网络和多尺度药代动力学特性段骨肿瘤灌注图像。先生Zhang et al。18)提出了一种基于深度视觉编码模型神经网络和传输学习大脑活动通过功能性磁共振成像测量。第二种类型是使用卷积神经网络或其改进算法段先生的图片(19- - - - - -22]。Khalilia et al。20.)卷积神经网络用于自动执行脑组织分割在胎儿磁共振成像。王等人。21)使用动态pixelwise weighting-based完全卷积神经网络对左心室在极震区MRI分割。第三类是使用混合神经网络段先生的图片。玻璃等。23)混合人工神经网络用于段反转恢复正常人的大脑图像。Alejo et al。24)混合人工神经网络用于一个精确的计算机辅助设计方法能够执行区域分割。Reddick et al。25)用混合神经网络提出一种全自动先生多光谱图像分割和分类的方法。

基于上述文献的回顾,已经取得了很大的进步在使用人工神经网络用于医学图像分割。然而,高分辨率的要求,图像和数据集的规模,研究快速人工神经网络训练仍然缺乏大型医学图像数据集。针对这一现象,本文提出Fast-RBF算法,快速处理大型数据集的功能。我们应用这种方法mri腹部器官分类和分割。结果表明,该方法取得了显著的成果。本文的主要贡献如下:(1)Fast-RBF算法large-sample-processing能力提出了通过引入 - - - - - -不敏感损失函数和结构风险项,利用核心原则(26]。这种方法不仅保留了强大的非线性拟合能力和RBF人工神经网络的学习规则简单但也可以迅速处理大型数据集,提高了处理速度和效率。(2)为每个腹部MRI的例子中,我们使用四个序列先生(脂肪、水、IP和OP)和位置坐标( , )每个像素作为算法的输入。我们使用三个分类器识别肝脏,肾脏和其它组织。该算法具有更好的适应性和运行速度在大型数据集情况下比传统的RBF神经网络算法。

本文的其余部分分为四个部分:部分2介绍了RBF神经网络和RBF神经网络和线性模型之间的关系;部分3介绍了Fast-RBF神经网络以其large-sample-processing能力;部分4验证该算法在医学图像处理的有效性;和部分5总结了全文。

2。相关工作

2.1。RBF神经网络

RBF神经网络由输入层、隐含层和输出层,如图1。其中, , ,隐层节点的数量 ,和非线性映射 是由RBF神经网络。

在RBF神经网络的输入层接收训练样本;隐层节点通过径向基函数进行非线性变换将输入空间映射到一个新的空间。如果径向基函数被定义为一个高斯函数,让 表示高斯函数的中心,让表示内核高斯函数的宽度。这个函数可以表示为

输出层的节点实现线性加权组合在这个新的空间。让是连接隐藏层和输出层的重量是径向基函数;然后,映射的功能 是

2.2。RBF神经网络和线性模型

根据上面的介绍,RBF神经网络有三个参数:径向基函数的中心向量 ,内核宽度 ,和输出层的重量 。其中,和可以由模糊 - - - - - -方法(FCM)聚类算法27),而是通过梯度下降学习算法。让 ,FCM聚类算法获得的,表示样本的模糊会员吗为th类,表示训练样本的大小,表明隐层节点的数量;然后,径向基函数的中心和内核宽度可以表示由方程(3)和(4):

让 , 。

中心和内核宽度径向基函数是通过方程(3)和(4),输入样本映射到新空间 ,和转换从输入层到隐层是一个非线性映射。

让 ;然后,神经网络函数可以表示为

它可以看到从方程(6),当径向基函数隐藏层估计,网络的输出可以被转换成一个线性模型。

3所示。Fast-RBF算法

3.1。Fast-RBF原则

首先, - - - - - -不敏感损失函数相应的介绍了RBF线性模型。的值降到最低 - - - - - -不敏感损失函数,解决优化问题的约束条件。然后,介绍了结构风险项和高斯内核与大样本构造RBF神经网络优化模型处理。具体步骤如下。

步骤1。从方程(3)和(4)的值和得到;然后,从方程(5),模型的输入是获得。

步骤2。介绍了 - - - - - -不敏感损失函数。

首先,的定义 - - - - - -不敏感损失函数是:

定义1。的 - - - - - -不敏感损失函数被定义为(28] 在哪里 , 。

线性模型的方程(6),其相应的 - - - - - -不敏感损失函数可以表示为 在哪里代表了神经网络输出值代表真正的输出值。

对方程(8)的约束 和 并不总是满意,那么放松的因素和介绍,可以获得以下约束:

该算法的目的是最小化的值 - - - - - -不敏感损失函数由方程(8)。的值 - - - - - -不敏感参数将直接影响模型的准确性。因此,参数介绍了作为约束条件的优化问题。结合方程(9),同样可以表示为优化问题 的参数平衡因子和吗 自动满足。

步骤3。引入结构风险项目和内核函数。

支持向量机是一种实现结构风险最小化的原则(28];该方法提出了学习支持向量机的实现方法,介绍了一个正则化项算法结构的风险降到最低。内核的方法是一个支持向量机的一个重要组成部分28),用于改善线性的计算能力的学习者。提出的方法在本文中还介绍了一个内核函数。之后引入正则项和内核函数,优化问题可以表达的

步骤4。公式推导。

通过引入拉格朗日乘子,方程的拉格朗日函数(11)可以表示为

相应的对偶问题的矩阵形式的方程(12)是 在哪里 拉格朗日系数是内核函数。他们是 在哪里高斯核函数。

变量的值获得的解决方案

此外,由于 , 。

第5步。预测。

预测方程函数如下所示:

如果是用于分类,

如果 ,它属于积极的类,如果 ,它属于负类。

从这个部分可以看出,本文提出的算法是一个二次规划问题。

3.2。的Center-Constrained MEB问题

2002年,Bădoiu和克拉克森提出最小包围球(MEB) ( )- - -基于核心集的近似算法在文献[26]。该算法使用输入集的一个子集,称为核心,来解决优化问题。该算法可以获得同样好的近似结果与原始输入设置为提高算法的效率。曾荫权et al。29日]建议MEB相关问题是许多内核问题。符合条件的二次规划(QP)可以快速解决问题的核心算法。第二部分简要介绍了center-constrained最小包围球(CC-MEB)算法。接下来,我们将介绍该算法之间的关系和CC-MEB并实现本文提出的快速算法。

给定的训练样本 ,在哪里 和是内核映射与一个给定的内核 ,添加一个尺寸对每一个形成一组 。通过设置最后一维中心点的坐标是0,也就是说,CC-MEB的协调 ,然后找到最小的优化问题CC-MEB包含所有的样本集是 在哪里 。

让 ;然后,相应的对偶问题的矩阵形式的方程(18)是 内核矩阵在哪里吗

使用最优解决方案获得的值半径和中心点 ,

的公式从任意点到中心点的距离

因为 ,任意的实数添加到方程(19),这并不影响的价值 。原始对偶形式改变

文献[29日指出,任何满足方程(QP问题23)可以被视为一个CC-MEB问题,可以解决核心的快速算法

3.3。Fast-RBF和CC-MEB之间的关系

方程(13)是Fast-RBF QP的形式。让 ;然后, 在实数应该足够大,这样 。因此,方程(13)可以写成:

这种形式相当于CC-MEB问题从方程(23),使用核心的问题可以解决了快速算法(29日]。

根据公式(25),球体的中心可以计算为 。在这个公式中,当 ,然后 ;当 ,然后 ,和推导可用:

因此,的价值p在方程(15)是 。

3.4。Fast-RBF的实现

算法1描述了Fast-RBF算法的步骤和流程图如图2。

4所示。实验结果和分析

在这篇文章中,验证了该方法的有效性通过比较它与传统RBF算法,图像。实验分为两个阶段:参数优化阶段和建模阶段。在参数优化阶段,使用网格搜索方法获得最优参数的算法基于训练集。在建模阶段,训练集建模使用的最佳参数,测试集是用于获得每个算法的性能。

实验验证了从以下四个方面:(1)验证Fast-RBF算法的核心集的大小比训练集的规模要小得多,从而加快算法的建模时间(2)验证的预测能力Fast-RBF算法与RBF算法的预测能力(3)验证的建模时间Fast-RBF算法在大型数据集比RBF算法小得多

实验环境,操作系统是Windows 10;处理器是英特尔i5 2.71 GHz CPU;记忆是8 GB;和主要应用软件MATLAB R2015a。

4.1。实验准备

本节中的用例是由核磁共振扫描的五个主题被克利夫兰大学医院医学中心机构审查委员会。在实验之前,框图是第一个用于帧区域识别,如图3。接下来,我们训练和测试的数据区域的兴趣腹部器官地图。实验是分类的肝脏和肾脏的腹部器官的地图。

为每一个例子中,我们提取局部纹理特征从四个不同类型的腹部3 d图像,即脂肪、水、同相(IP)和opposed-phase (OP),作为算法的输入。在这些实际数据噪声不可避免,这噪音会影响最终的图像识别效果。因此,本文采用的方法30.,31日)设计一个卷积内核如表所示1实验数据进行预处理,并实现了特征提取。

此外,我们还要考虑图像和先生的像素间距采用网格划分策略。让( , )代表像素的位置信息。我们结合的特性,我们提取并获得一个六维特性。

4.2。实验方法

我们定义肝腹部MR图像感兴趣区域的甲级,肾脏B类,和其他组织类c。因此,这是一个multiclassification问题。我们训练“肝(A类)肾脏(B类),”“肝(A类)作为组织(C类)”和“肾(B类)作为组织(C类)”获得三个分类结果;最终结果是由投票决定。投票方法如下:

让 。

分类( , )如果它属于 ,和 ;否则, 。

分类( , )如果它属于 ,和 ;否则, 。

分类( , )如果它属于 ,和 ;否则, 。

最终的样品属于类的最大价值 , ,和 。

分类精度是用来衡量算法的性能。

4.3。实验结果

例1 - 4包含59904数据点。我们随机选择10000数据点,20000数据点,30000数据点,40000数据点,50000数据点,59904数据点进行训练。5例,其中包含16896数据点,被用来作为测试集。每个训练集的实验是重复10次大小来验证该方法的优点。

4.3.1。Fast-RBF算法的核心

图4显示的平均价值的核心样本总数的三个分类器在不同训练集大小。图4显示核心集的总数在240年至300年之间,这是比样本容量小得多。替换所有的样品与模型中的核心集建设步骤将大大提高操作效率。

4.3.2。Fast-RBF算法的预测能力

从表可以看出2这两种算法可以实现良好的泛化性能。然而,由于训练数据的增加,RBF算法需要更多样本参与建模的步骤,这是更多的限制。当数据大小超过30000数据点时,它不再能解决。Fast-RBF算法使用核心技术来解决这个问题。关键样本添加到核心,和核心的平均大小不超过300年,所以它可以处理更大的数据集,可以实现与RBF算法的泛化能力。器官分类结果如图5。

4.3.3。Fast-RBF时间性能的方法

表3表明,建模时所需的两种算法有一个稳定的增长和增加样本量。当数据集的大小是30000数据点,RBF算法的平均建模时间是7580秒,而Fast-RBF算法的平均时间是15.2609秒。的建模时间Fast-RBF算法比RBF算法小得多。此外,当数据集的大小超过30000数据点,RBF算法将不会运行。

4.4。实验的结论

众所周知从实验Fast-RBF算法可以用于器官识别图像先生。该算法的优点是,它需要建模的时间远比RBF算法在大型数据集的前提下保证预测精度。该算法具有较强的实用性。

5。结论

我们的研究是基于MRI的挑战身体的部分腹部。我们提出Fast-RBF算法,它适用于大型数据集的快速训练。通过引入 - - - - - -不敏感损失函数、学习结构风险项和内核的支持向量机方法,并利用核心原则,该算法可以满足大样本大小的需要。该方法可以快速处理大型数据集,适用于医学图像处理。

本文提出的方法是一种监督式学习的方法。需要标记训练样本和数据准备工作量大。在未来,我们将进一步研究semisupervised腹部图像识别方法,只需要少量的类标签来实现图像处理。

数据可用性

我们的研究数据共享是不可用的,因为我们的合作伙伴提供的实验数据是克利夫兰大学医院医疗中心哦,美国。未经许可,我们不能与他人分享我们的任何数据。

附加分

人类和动物的权利。实验数据来自五个学科被克利夫兰大学医院医学中心机构审查委员会。我们使用这些数据兼容董事会的要求。

同意

知情同意是获得所有个体参与者包括在这项研究中。

信息披露

内容是完全的责任作者,不一定代表美国国立卫生研究院的官方观点,美国。

的利益冲突

我们声明,没有利益冲突。

确认

这项工作是支持部分由中国国家自然科学基金资助下61772241和61702225,自然科学基金中国江苏高等教育机构在格兰特18 kjb520048,社会发展的科技示范项目下无锡的格兰特WX18IVJN002,和333年江苏工程专家。这个刊物的研究也支持了美国国立卫生研究院国家癌症研究所,美国在R01CA196687奖号码。

引用

1. n阿帕德海耶和公元Waldman神经胶质瘤常规MRI评价”,英国放射学杂志》上卷。84年,S107-S111, 2011页。视图:出版商的网站|谷歌学术搜索
2. p·g . Cheng周,j .汉”学习旋转不变卷积神经网络在VHR光学遥感图像目标检测,”IEEE地球科学和遥感,54卷,不。12日,第7415 - 7405页,2016年。视图:出版商的网站|谷歌学术搜索
3. z h .张高,徐l . et al .,“meshfree表示心脏医学影像计算。”IEEE平移工程在健康和医学杂志》上》第六卷,1 - 12,2018页。视图:出版商的网站|谷歌学术搜索
4. d, d .孟,j .汉”Co-saliency检测通过自学多实例学习框架,”IEEE模式分析与机器智能,39卷,不。5,865 - 878年,2017页。视图:出版商的网站|谷歌学术搜索
5. m·李董,高z . et al .,“统一模型解释多视点超声心动图序列没有时间信息,“应用软计算第106049条,卷。88年,2020年。视图:出版商的网站|谷歌学术搜索
6. 大肠Montseny戈迪略n, p . Sobrevilla”的调查MRI脑部肿瘤分割,“磁共振成像没有,卷。31日。8,1426 - 1438年,2013页。视图:出版商的网站|谷歌学术搜索
7. y . j . Zhang和j·j . gerbrand“过渡区确定阈值的基础上,模式识别的字母,12卷,不。1,13-23,1991页。视图:出版商的网站|谷歌学术搜索
8. c, n .唱,t·张,“当地entropy-based过渡区提取阈值,“模式识别的字母,24卷,不。16,2935 - 2941年,2003页。视图:出版商的网站|谷歌学术搜索
9. p•吉布斯·d·l·巴克利,s . j .菱铁矿和a . Horsman“肿瘤体积测定形态学分割图像,先生”物理学在医学和生物学第41卷。。11日,第2446 - 2437页,1996年。视图:出版商的网站|谷歌学术搜索
10. r·亚当斯和l . Bishof“播种地区增长,”IEEE模式分析与机器智能,16卷,不。6,641 - 647年,1994页。视图:出版商的网站|谷歌学术搜索
11. y杨、d .田和b . Wu”快速和可靠noise-resistant医学图像分割和偏压场校正模型,”磁共振成像卷,54 15-31,2018页。视图:出版商的网站|谷歌学术搜索
12. j .聂z雪,t .刘et al .,“自动脑瘤分割使用空间accuracy-weighted隐藏的马尔可夫随机场,“计算机医学影像和图形,33卷,不。6,431 - 441年,2009页。视图:出版商的网站|谷歌学术搜索
13. m . Havaei a·戴维·d·Warde-Farley et al .,“脑瘤与深层神经网络分割,”医学图像分析,35卷,18-31,2017页。视图:出版商的网站|谷歌学术搜索
14. 佩雷拉,a·平托诉阿尔维斯,c·a·席尔瓦“脑瘤使用卷积神经网络在核磁共振图像分割,“IEEE医学成像,35卷,不。5,1240 - 1251年,2016页。视图:出版商的网站|谷歌学术搜索
15. b . a s Miller吸干,t . k .树”的神经网络应用在医学成像与信号处理”医学和生物工程和计算,30卷,不。5,449 - 464年,1992页。视图:出版商的网站|谷歌学术搜索
16. r在埃博拉病毒病、美国Delorme)和g .白利“神经网络分割的动态乳腺图像,先生”磁共振成像,20卷,不。2、147 - 154年,2002页。视图:出版商的网站|谷歌学术搜索
17. m . Egmont-Petersen a . f . Frangi w . j . Niessen et al .,“分割骨肿瘤的MR灌注图像使用神经网络和多尺度药代动力学特性,”诉讼15国际会议模式识别。icpr - 2000西班牙巴塞罗那,页80 - 83,,2000年9月。视图:出版商的网站|谷歌学术搜索
18. c . Zhang k .乔王l . et al .,“视觉基于深层神经网络和传输编码模型学习用功能性磁共振成像的大脑活动,“神经科学杂志》上的方法卷,325年,第108319 - 108318页,2019年。视图:出版商的网站|谷歌学术搜索
19. n . j . Tustison比比的,j . c .哎呀,“学习通过卷积神经网络基于图像空间转换:复习一下,”磁共振成像卷,64年,第153 - 142页,2019年。视图:出版商的网站|谷歌学术搜索
20. n .哈利利的n . Lessmann e . Turk et al .,“自动脑组织分割在胎儿磁共振成像使用卷积神经网络,”磁共振成像卷,64年,第89 - 77页,2019年。视图:出版商的网站|谷歌学术搜索
21. l .谢z . Wang, j .气”动态pixel-wise weighting-based完全卷积神经网络对左心室在震区MRI分割,“磁共振成像卷,66年,第140 - 131页,2020年。视图:出版商的网站|谷歌学术搜索
22. a . k . Anaraki m . Ayati f .大使,“磁共振成像大脑肿瘤等级分类和分级,通过卷积神经网络和遗传算法”生物控制论和生物医学工程,39卷,不。1,第74 - 63页,2019。视图:出版商的网站|谷歌学术搜索
23. j . o .玻璃、w·e·Reddick o . Goloubeva诉哟,和r . g . Steen”混合人工神经网络分割的精确和准确的反转恢复(一对)图像从正常的人类大脑,”磁共振成像,18卷,不。10日,1245 - 1253年,2000页。视图:出版商的网站|谷歌学术搜索
24. r . Perez de Alejo j . Ruiz-Cabello m . Cortijo et al .,“计算机辅助增强体积分割使用的混合物核磁共振成像数据人工神经网络,”磁共振成像,21卷,不。8,901 - 912年,2003页。视图:出版商的网站|谷歌学术搜索
25. w·e·Reddick j . o .玻璃、e·n·库克,t·d·艾尔和r . j . Deaton”自动分割和多光谱分类磁共振图像使用人工神经网络的大脑,”IEEE医学成像,16卷,不。6,911 - 918年,1997页。视图:出版商的网站|谷歌学术搜索
26. m . Bădoiu和k·l·克拉克森“最佳球的中心部分,”计算几何:理论和应用程序,40卷,不。1,14-22,2008页。视图:出版商的网站|谷歌学术搜索
27. n . r . Pal和j . c . Bezdek集群模糊c模型的有效性。”IEEE模糊系统,3卷,不。3、370 - 379年,1995页。视图:出版商的网站|谷歌学术搜索
28. n Cristianini和j . Shawe-Taylor介绍支持向量机和其他基于学习的方法,剑桥大学出版社,纽约,纽约,美国,2013年。
29. i . w . Tsang j·t·郭,j . m . Zurada“广义向量机核心,”IEEE神经网络,17卷,不。5,1126 - 1140年,2006页。视图:出版商的网站|谷歌学术搜索
30. 李c, h . y . Chen江,x,和p . Ghamisi“深高光谱图像的特征提取和分类基于卷积神经网络,”IEEE地球科学和遥感,54卷,不。10日,6232 - 6251年,2016页。视图:出版商的网站|谷歌学术搜索
31. j .郑j .曹z王et al .,“半自动合成为腹部计算机断层扫描生成使用转移学习和semi-supervised分类,“医学成像和卫生信息学杂志》上,9卷,不。9日,第1886 - 1878页,2019年。视图:出版商的网站|谷歌学术搜索

版权

版权©2020分钟徐等。这是一个开放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。