文摘

酒精使用障碍(AUD)是一个重要的大脑疾病,它可以引起大脑结构的破坏和改变。目前澳元的诊断主要由放射科医生手动完成。本研究提出了一种新颖的computer-vision-based自动检测方法,基于小波的澳元Renyi熵和three-segment编码Jaya从核磁共振扫描算法。提出了小波熵Renyi提供多分辨率和多尺度分析特性,描述大脑结构的复杂性,并提取特色。网格搜索法选择最优小波分解层次和Renyi秩序。分类器构造了基于前馈神经网络和three-segment编码(TSE) Jaya权重的算法提供parameter-free培训,偏见,和隐藏的神经元的数量。我们进行了实验评价235例(114 AUDs和121年健康)。 倍交叉验证被用来避免过度拟合和样本外的错误报告。结果表明,该方法优于四个最先进的方法的准确性。拟议中的TSE-Jaya提供了更好的性能,比传统的方法包括纯Jaya,多目标遗传算法,粒子群优化,蜜蜂殖民地优化,改进的蚁群系统,实数编码biogeography-based优化。

1。介绍

酒精使用障碍(AUD) 2010年全世界有2.08亿人受到影响。它可以引起严重的不良反应到大脑,肝脏,心脏,和胰腺。长期滥用可导致增加耐酒精,很难控制消费。短期的滥用会导致“血液酒精浓度(BAC)。“BAC从0.35%到0.80%可能导致致命的呼吸道抑郁和life-threating酒精中毒。

本文研究长期滥用酒精对大脑的影响。酒精滥用会对大脑神经细胞产生破坏性的影响;因此,长期AUD患者有小卷的白质和灰质比年龄组。此外,酒精会导致不利影响前额叶皮层和小脑。当前澳元的诊断主要依靠人工观察基于大脑图像。然而,由于轻微的症状,放射科医生可能错过AUD大脑的轻微收缩,无法确定它处于初期阶段。有必要创建一个有效的方法,可以监视病人的大脑通过磁共振成像(MRI)和提供自动、早期诊断。

在过去的几十年,computer-vision-based技术已经提出了自动检测变化对大脑结构基于核磁共振扫描大脑相关疾病的诊断。Nayak et al。(2016)1)提出了一个基于随机森林的大脑图像分类算法。Alweshah和阿卜杜拉(2015)(2)杂化萤火虫算法(FA)和概率神经网络(并)。他们用该方法检测大脑的变化。Lv和侯3]提出了一种改进的粒子群优化(IPSO)在MRI扫描发现酗酒。Monnig (2012) (4)建议检测澳元的白质在神经影像学萎缩。杨(2017)(5胡)结合不变矩(HMI)和支持向量机(SVM)大脑病理检测。江和朱(2017)6)研究方法使用伪泽尼克时刻(PZM)。Lv和隋(2017)7)数据增强技术用于酒精检测。

虽然上面的几个方法开发大脑病理检测,他们可以很容易地转移和应用于酒精检测。然而,这些方法受到几个常见问题:首先,方法不考虑表达式的大脑结构的复杂性不表现出良好的性能在澳大利亚。第二,现有的分类器的训练算法陷入局部最优,很难优化hyperparameters(例如,隐藏的前馈神经网络中神经元的数量)的分类器8]。

为了解决上述问题,我们建议在这个研究酒精使用障碍的一种新的识别方法。我们的贡献包括以下: 一种新的特征提取method-wavelet Renyi熵,可以描述在不同音阶和大脑结构的复杂性 一种改进Jaya算法训练前馈神经网络,它可以优化权重,同时偏见,和隐藏的神经元的数目。我们的训练算法不需要设置algorithm-specific参数。

本文的其余部分组织如下:部分2描述了主题,扫描协议,和切片选择方法。部分3介绍了提出的特征提取method-wavelet Renyi熵。部分4描述分类器结构和训练算法:提出three-segment Jaya编码算法。部分5提供了实现程序和评价方法。此外,我们将展示如何使用网格搜索优化的参数小波Renyi熵。中给出的结果和讨论部分6。部分7总结了工作。

2。材料

2.1。主题

受试者经历了病史面试,确保他们满足入选标准。那些合格的申请人收到电脑诊断访谈安排第四版,确定是否存在的重大精神疾病。申请人被排除在外,如果普通话并不是他们的第一语言,如果他们是左撇子,或者如果他们有艾滋病,癫痫,和中风;Wernicke-Korsakoff综合症;双相情感障碍;肝硬化或肝衰竭或癫痫发作与酗酒无关,头部受伤,意识丧失超过15分钟与酗酒、抑郁、精神分裂症等精神疾病。

最后,我们招收了114名有节制的长期慢性酒精参与者(58岁男性,56岁女性)和121不含酒精的控制参与者(59岁男性和62名女性)。参与者通过张贴传单为江苏省医院,南京儿童医院和南京脑科医院,以及基于互联网的广告。数据收集总共持续了三年。这项研究是通过参与医院的机构审查委员会。从每个参与者获得知情同意。

235名参与者进行测试的“酒精使用障碍的鉴别试验(审计)”(9]。单位“盎司”转化为“克”,因为前者在中国并不普遍确认。他们的人口特征如表所示1。在这项研究中,我们只关注结构成像数据。

表1
人口统计特征。
2.2。扫描协议

所有235例尽可能还撒了谎,闭上眼睛和剩余的意识。扫描实现了西门子Verio蒂姆3.0 t磁共振扫描器(德国西门子医疗解决方案,埃朗根)。总共216矢状切片覆盖整个大脑被收购了,使用一个MP-RAGE序列。列出的成像参数如下:切片厚度= 0.8毫米,TE = 2.50毫秒,TR = 2000毫秒,TI = 900毫秒,FA = 9°,矩阵= 256×256,FOV = 256毫米×256毫米。获得的图像是16位灰度深度,我们减少了8位灰度深度,由于酗酒改变健康的大脑的结构和它不改变大脑的灰度图像。此外,8位灰度提供足够的信息,所以没有必要使用16位灰度图像。

2.3。片选择

我们使用FMRIB软件库(目前)v5.0软件(16,17)提取大脑头骨和删除每个扫描三维图像。所有的容积图像归一化标准MNI模板。之后,我们重新取样每个图像各向同性体元至2毫米。的片 = 80(8毫米)MNI_152坐标,这是平均152 t1加权磁共振扫描线性转换为Talairach空间,被选为每一个病人。选择80片的原因是,它包含了两种酒精中毒患者特点:(i)心室扩大,(ii)灰质萎缩,例如,中央前回(18),额下回(19),和颞中回20.]。图1酒精和健康样本显示了明显区别。

(一)
(一)
(b)
(b)
图1
片之间的例子(a)不含酒精的大脑和大脑(b)一个酒鬼。

后来,背景是剪裁,留给一个矩形矩阵大小为176×176后续分类器训练。在这项研究中使用的数据集可按照客户要求定制。

3所示。提出的特征提取方法

提取独特的特性,本研究提出了一种新的小波熵Renyi (WRE),结合离散小波变换和Renyi熵来描述大脑结构的复杂性。小波分解提供了多分辨率和多尺度分析,尽管Renyi熵提供大脑的复杂性的描述小波次能带结构。

3.1。小波分解

特定的信号/图像的离散小波变换(DWT)信号/图像变换到小波域。它执行的转换在多个水平,通过交付前近似部分波段正交镜像滤波器(缩写为QMF) [21]。与传统的傅里叶变换相比,DWT时间/空间分辨率的关键优势。

让 给定的一维信号,连续小波变换 被描述为 在哪里 代表系数和 母小波。 被定义为 在这里, 代表了比例因子 (包括翻译因素 和 > 0)公式(1)可以通过替换离散 和 离散变量 和 。 的参数 和 分别代表的价值尺度和翻译的因素。通过这种方式,我们可以产生DWT的 在这里, 意味着变量的离散版本 。 意味着将采样。的函数 和 分别代表了低通滤波器和高通滤波器。 和 分别代表了近似部分波段和细节部分波段。

对于一个二维DWT(缩写为2 d-dwt) [22),假设图像是象征 后,有四次能带每个分解( , , ,和 ),如图2。的部分波段 是原始图像的近似分量。次能带 , ,和 分别代表水平、垂直和对角位置。 将分解成四个新部分波段在更高的层面,产生相应的高级部分波段。


图2
2 d-dwt的管道。
3.2。Renyi熵

每个子带的小波分解可以视为离散变量 。假设 有可能的结果 假设相应的概率定义为

的 订单Renyi熵定义为(23] Renyi熵是Schur-concave nonincreasing函数 。在一些特殊情况下,Renyi熵将转向其他类型的熵。例如, 被称为哈特利熵, 香农熵, 是最小熵(24]。

假设我们有一个二进制随机变量 与 ,在那里 。Renyi熵的不同 值对 绘制在图3。concaveness和nonincreasing反对 从这张图片属性是显而易见的。包括零值,因为这并不影响Renyi熵的计算。


图3
Renyi熵与不同α为一个二进制值随机变量。
3.3。小波熵Renyi

在过去,学者们提出了所谓的“小波Renyi熵。“然而,我们的提议或者说是不同于传统的弯角。首先,传统的福主要是一维信号,而我们的是二维图像。第二,传统的或者说是计算熵的近似部分波段,而我们的方法计算熵对逼近和细节子带的小波系数。

的伪代码WRE伪代码描述了1。本的小波系数直方图设置为256。

第一步输入给定的大脑图像 。
步骤2执行 层次的小波分解,获得( )部分波段。
步骤3的 :
得到256本的直方图 th子带小波系数;
获得Renyi熵的顺序 直方图。
结束
步骤4输出的连锁Renyi熵值的部分波段。
伪代码1
小波熵Renyi伪代码。

对于给定的图像,我们提议WRE产生了 有效特征向量。在这里,我们选择的最优值 和 通过网格搜索方法。详细的实现部分中解释5.3。

4所示。分类器构造基于前馈神经网络(FNN)和Three-Segment Jaya

训练分类器,我们提出了使用前馈神经网络(FNN)和three-segment Jaya算法。学者们使用各种分类器大脑在医学图像分析、决策树、支持向量机等(25],朴素贝叶斯分类器。然而,前馈神经网络(FNN)赢得了非凡的成功,因为通用逼近定理(26),下列哪说。

假设 是一个有界和非常数的连续函数。鉴于任何函数 和任何小号码 存在一个整数 ,真正的向量 ,和真正的常数 和 ,这样我们有 在哪里 可以作为一个近似实现函数 ,满足

然而,传统的模糊神经网络训练算法是反向传播(BP)梯度下降算法。英国石油公司和它的变体往往收敛于局部最优点。Three-segment编码Jaya介绍来解决这个问题。在下面几节中,我们将详细介绍每一个方法。

4.1。模糊神经网络结构

模糊神经网络结构,包括三层:(i)接受一个输入层的特性;(2)一个隐藏层包含隐藏的神经元;(3)一个输出层输出每个类的分数。最后,“argmax”功能预测最大的分数相关联的类。图4介绍了模糊神经网络的图。输入神经元的数量是一样的从大脑中提取图像特征的数量,输出神经元的数量是一样的类的数量,和隐藏的神经元的数量通常是通过hyperparameter优化。


图4
模糊神经网络的图。
4.2。Jaya算法

如前所述,传统的模糊神经网络训练与全局优化问题;为解决这一问题,提出了大量的全局优化算法,用来训练模糊神经网络,尤其是在大脑图像分类领域。例如,Hajimani et al。(2017)11介绍)设计了一种多目标遗传算法(MOGA)检测脑血管意外。陈et al。(2017) (12)使用粒子群优化(PSO)对核磁共振脑组织进行分类。苏和Radhakrishnan (2016)13]使用蜂群优化(BCO)对脑癌的图像进行分类。Raghtate和Salankar (2015) [14)提出了一种改进的蚁群系统(mac)实现自动脑MRI分类。陈和杜(2017)(15)提出了实数编码biogeography-based优化(RCBBO)大脑病理检测的方法。

这些算法比BP使分类更加健壮;不过,自己的参数需要调整,这导致hyperparameter优化问题。为了克服现有优化方法的局限性,Jaya作为一个强大的全局优化方法引入了拉奥(2016)(27)作为基准函数约束和无约束问题。这是一个algorithm-specific parameter-free方法已被证明是比最先进的优化算法,已经成功地应用于热性能优化28),光伏模型识别(29日)、冷却塔设计(30.],传感时期适应[31日),热交换优化(32),等等。

图5显示了Jaya的图算法。假设 , ,和 是迭代的指数、变量和候选人。假设 意味着 th的变量 th解决候选人 一步。假设 和 是两个正数的范围 和随机生成的。修改后的候选人 被定义为 在哪里 和 表示索引中的最差和最好的候选人人口: 因此, 和 表示最坏和最好的价值 th变量在 迭代。


图5
Jaya图算法。

第二届“ “在(10)代表候选人需要接近最好的。第三届“ “在(10)代表候选人需要远离最糟糕的候选人,并指出“−”符号 (33]。在迭代更新的候选人( )是写成 在哪里 代表了适应度函数。

方程(12)表明, 分配与 如果修改后的候选人 健身方面比吗 ;否则它分配 。该算法迭代,直到满足终止条件。我们将终止判据如下:算法达到最大迭代时代或错误不能减少五世。

4.3。Three-Segment Jaya编码

现有Jaya算法主要用于列车重量和偏见菲利普斯(2017)中描述的模糊神经网络(10]。然而,我们相信隐藏神经元的数量也是一个重要hyperparameter影响模糊神经网络的分类性能。因此,我们提出了一个three-segment Jaya编码算法(TSE-Jaya),旨在优化权重,偏见,同时和隐藏的神经元的数量。候选人 现在包含三个部分 在哪里 , ,和 代表提取第一部分、第二部分和第三部分解决方案的候选人表示。第一部分权重进行编码,编码偏见,第二部分和第三部分编码隐藏神经元的数量(NHN)。修改后的候选人是因此定义为

修改规则不服从(10),新修改规则三个方面如下: 在哪里 和 是两个随机的正数,类似于变量 。其他程序一样Jaya算法。

5。实施和评价

5.1。基于交叉验证的实施

图6介绍了我们的方法的流程图。在这里, 倍交叉验证方法(34)使用,以避免过度拟合和报告样本外的错误。我们把整个数据集10倍。在 th试验, th褶皱作为验证, th褶皱作为测试,和其他折叠作为培训。训练迭代,直到精度验证( )增加五个连续的时代。清楚地了解,我们绘制一个玩具在图示例7。在这里,在时代6,验证误差达到最小。然后,从6日到11日的时代,我们可以观察到验证增加虽然训练误差减少,这表明出现过度拟合。因此,我们应该选择第六期相对应的权重。的目标 倍交叉验证在这项研究是避免过度拟合。


图6
该方法的流程图。

图7
一个玩具的例子解释验证集的影响。

培训结束后,测量记录在测试集。最后,所有这些措施对所有测试集的所有试验都是平均,和最终的分类性能进行了计算。理想的混淆矩阵的一次10倍交叉验证 在哪里 意味着理想的混淆矩阵, 折叠的数量 重复的数量。在这项研究中,我们运行10次10倍交叉验证,和理想的混合矩阵

5.2。评价

评估进行的现实混淆矩阵10×10倍交叉验证。想积极的类是酗酒,和消极类是控制。我们可以定义真阳性(TP)酗酒正确识别,真阴性(TN)作为控制正确识别,假阳性(FP)预测错误控制酗酒,酗酒和假阴性(FN)作为预测控制。最后,我们定义了三个措施:灵敏度(Sen),特异性(Spc)和准确性(Acc)。

5.3。网格搜索

网格搜索,则使用“精度上面定义(Acc)”措施。实现在表说明2。小波分解级别 ,一个简单的网格搜索从1到5增加1, 应该是一个整数。

表2
hyperparameters网格搜索。

的订货 而且Renyi熵的搜索策略是使用。首先,粗网格设置从0到6增加1,我们获得的粗的候选人 。 这时,一个细网格设置 来 增加0.1,最优顺序 获得的是

6。结果和讨论

我们的项目是内部开发。戴尔笔记本电脑平台上的实验跑2.20 GHz Intel Core i7 - 4702总部CPU和16 GB的RAM。操作系统是Windows 10。2017年MATLAB编程开发环境。

6.1。统计分析

交叉验证数据集分为10组。在每次运行,分立后的集的数量是不同的。我们设置了小波分解4和Renyi水平 值为1.2。设置最大迭代时代的1000年,人口Jaya算法设置为20。敏感性、特异性和准确性的方法在表中列出3,4,5,分别。我们可以观察到该方法的敏感性 %的特异性 %,精度 %。

表3
该方法的灵敏度(单位:%)。
表4
该方法的特异性(单位:%)。
表5
该方法的准确性(单位:%)。
6.2。比较先进的方法

我们比较这方法”WMI +模糊神经网络+ TSE-Jaya”有四个最先进的方法:FA +并通过(2],IPSO方法[3),人机界面+支持向量机(5],PZM [6]。所有的算法都是运行在一个10×10倍交叉验证数据集。结果10×10倍交叉验证的四种最先进的方法如表所示6。最后,给出了比较结果在表7。

表6
结果10×10倍交叉验证四个最先进的方法。
表7
方法比较。
6.3。最优小波分解层次

在这个实验中,我们固定Renyi秩序 1.2,让小波分解层次变化从1到5的增加1。相应的精度变化如图8。这里,精度为85.45%,91.45%,93.11%,93.66%,和87.96%当分解级别是1,2,3,4,5,分别。显然,4级分解产量最大的准确性;因此,我们选择的最优分解层数4。那时Renyi熵计算所有这4层小波分解的部分波段。


图8
选择最优小波分解层次。

请注意,3比2 d-dwt d-dwt更直接在一个特定的切片。然而,在这项研究中我们的目的是选择一个区分片,这是相关的大脑区域受到酒精的影响,为了减少计算负担。在未来,我们将测试结果3 d-dwt。

6.4。最优Renyi秩序

在这个实验中,我们将说明为什么我们设置Renyi秩序 为1.2,而且网格搜索。首先,我们在粗网格搜索从0到6增加1。结果是图所示9(一个)和1的值被选中作为细网格搜索的起始点。第二,细网格从0.5到1.5,增加了0.1成立,结果如图9 (b)。我们可以观察到 能产生最大的准确性。

(一)粗搜索
(一)粗搜索
(b)精细搜索
(b)精细搜索
图9
选择最优Renyi order by而且网格搜索。
6.5。Three-Segment编码的有效性

我们提议TSE-Jaya可以训练权重,偏见,和隐藏的神经元的数量(NHN)同时进行。在这个实验中,我们比较TSE-Jaya平原Jaya算法(10),这只会训练前馈神经网络的权重和偏见10];因此,我们必须解决隐藏的神经元通过经验的数量。这里,我们为纯Jaya算法NHN设置为10。其他参数的设置是和之前的实验一样。结果10×10倍交叉验证的平原Jaya [10)如表所示8,Jaya之间的比较10),我们建议TSE-Jaya表所示9。

表8
结果10×10倍交叉验证的平原Jaya算法(10]。
表9
平原与拟议中的TSE-Jaya Jaya算法。

提出的优越性TSE-Jaya平原Jaya (10)是显而易见的。这演示了选择最优数量的隐藏神经元的重要性,也就是说,变量数量的隐藏神经元提供了更好的性能比固定数量的隐藏的神经元,这也验证了Carleo和泰勒(2017)(35]。

6.6。训练算法比较

为了演示算法的效率,我们比较了TSE-Jaya几个全局优化算法包括分公司(11],PSO [12],BCO [13],mac [14],RCBBO [15]。所有的共同控制参数的设置都是一样的:设置最大迭代时代的1000年,人口在所有算法设置为20。这四个比较算法的algorithm-specific参数由经验。这四个训练算法的结果在10×10倍交叉验证表所示10,最终与我们的提议TSE-Jaya表所示11。

表10
结果10×10倍交叉验证四个训练算法。
表11
模糊神经网络训练算法的比较。

表11表明该TSE-Jaya表现最好的在所有六个算法。算法(12]和RCBBO [15)排名第二和第三,精度在90%以上。BCO [13)排名第四,mac (14排名第五,莫卡(11表现最糟糕的。建议的方法的效率背后的原因可以从两个方面解释:(i) Jaya不需要设置algorithm-specific参数,使它比其他算法更可靠。(2)东京证交所保证在每次运行时隐藏神经元的数量可变。

6.7。验证所选片

在这个实验中,我们验证的分类性能的选择80片。我们设定一个范围的 从30到150的增量增加10,如图10。

(一)冠状视图
(一)冠状视图
(b)矢状视图
(b)矢状视图
图10
的位置 片。

与前面的实验是相同的其他设置。再一次,10 10倍交叉验证的重复利用。的曲线精度绘制在图11。可以看出80片给所有候选人中精度最高片。原因是这片包含心室扩大和缩小灰质由酗酒引起的。相反,海马体(36和纹状体37)也与酗酒有关。尽管如此,他们的改变量相对较小,因此不提供一个优秀的性能在这个任务中。


图11
分类性能变化与切片索引 。

在这种情况下,最优片可以是垂直的位置 或 相互重合,甚至可以是一个斜平面三轴。在这里,我们选择一片垂直 设在,为方便放射科医生,因为它们通常读轴向片。在未来,我们应当开发技术来处理多层螺旋,我们可能产生表面分析技术38]。

7所示。结论

在这项研究中,我们提出了一个新颖的酗酒识别方法从健康对照组基于计算机视觉的方法。我们的方法是基于三个组件:提出小波熵Renyi,前馈神经网络,提出了three-segment Jaya编码算法。实验表明,我们的方法的敏感性 %的特异性 和一个的准确性 在一个10×10倍交叉验证。性能优于酒精中毒四种最先进的算法。我们验证了最优小波分解是4,和最优Renyi秩序是1.2。此外,比较现有的全局优化方法,提出three-segment编码Jaya证明提供一个更好的性能比其他方法如平原Jaya和另外五个训练算法。最后,我们验证了我们选择了80片的原因。

我们的方法的缺点在于两个方面。首先,我们的方法需要扫描整个大脑并选择80片 设在。第二,小波熵Renyi提取,但是在未来我们将试图找到更有效的功能。

在未来的工作中,我们将开发基于多源数据的分类,比如面部形象,脑电图和光谱数据。我们将探索酗酒大脑的功能连通性的变化。第二,其他图像特征,如直方图的梯度,将受到考验。第三,深入学习方法将受到考验。

的利益冲突

作者没有利益冲突的披露关于本文的主题。

确认

这项研究得到了国家自然科学基金(61602250)、江苏省自然科学基金(BK20150983)、河南省科技项目(172102210272),项目自然科学研究江苏高等教育机构(16 kjb520025),和开放的广西重点实验室基金高中复杂系统和计算智能(2016 csci01)。