研究离散小波识别方法的特征提取,并通过老鼠红外胰腺癌分类数据

文摘

Sprague-Dawley (SD)老鼠的正常和不正常的胰腺组织决心直接由衰减全反射傅里叶变换红外(ATR-FT-IR)光谱方法。以SD大鼠的早期诊断胰腺癌率与傅立叶变换红外光谱,一种新型红外光谱特征提取的方法使用离散小波变换(DWT)的分析和分类的概率神经网络(并)开发。正常胰腺和异常样本之间的差异并通过识别的基于4特性的指数变异。当错误的目标是0.01,总正确先进胰腺癌早期癌和癌率分别为98%和100%,分别。这是实际应用的基础上并通过ATR-FT-IR识别异常组织。研究结果显示了模型建立的可行性与FT-IR-DWT-PNN方法识别正常胰腺组织,早期癌组织,和先进的癌组织。

1。介绍

胰腺癌是一种恶性肿瘤,它很难作出早期诊断和手术切除。也很难得到新鲜的不同阶段临床胰腺癌标本,所以早期胰腺癌的外观不能这样容易诊断。获得的标本的组织学检查,内镜诊断方法不仅需要几天也增加了医疗费用。因此,似乎重要找到一个快速而简单的方法对诊断人类胰腺癌(1]。

傅里叶变换红外(ir)光谱可以提供组成系统的各个方面的材料。中不同的光谱方法,评估在区分正常和肿瘤组织,利用红外光谱、作为一个先进的和有前途的技术,已经显示出其巨大的潜力。傅立叶变换红外光谱技术已成为一个现实与大量的信息积累从临床研究、试验,和傅立叶变换红外光谱仪器的发展。这样的技术,被reagent-free,快速、无创检测细胞和组织的生化成分变化(在分子水平上),特别是在致癌作用[2]。一些文章发表关于傅立叶变换红外光谱的应用在多种人类癌症细胞的诊断(3- - - - - -8]。

但是,在正常情况下,红外光谱分析不能快速、准确地用于获得准确的结果信息。以及如何使用化学计量学的决心和分类这些复杂系统可能变化,快速、准确地在仪器分析已成为一个热点研究[9- - - - - -12]。

此外,小波变换(WT)是一种更为有效的信号处理方法比傅里叶变换的继承也扮演着重要的角色在信号分析和特征提取。在多分辨率小波分析,转换的结果(一个小波系数)含有更多的有价值的信息,和每个层次的WT系数是不同的相同特征的信号。因此小波分解系数可能被认为是信号的特点,只有一小部分因素可以通过吸收光谱的反射,并将其中一个更有效的化学分析方法。人工神经网络(ANN)有更高的智慧和广泛使用。其计算简单、预测准确的非线性问题(9,10]。

我们小组此前报道,正常和异常的人类肺组织可以快速区分使用CWT-HATR-FT-IR结合支持向量机(9]。在本文中,我们集中在正常和不正常的大鼠胰腺组织的分类。红外光谱是通过ATR-FTIR技术。的特征向量代表红外的光谱特征,利用小波多分辨率分析方法提取。概率神经网络用于分类不同的胰腺组织。

2。离散小波变换(DWT)

离散小波变换(DWT)信号之和乘以比例和移位的母小波函数。小波系数尺度和位置的函数。正常情况下小波分解的计算之间的“相似系数”信号,小波位于位置的规模。如果系数大,彼此很相像。否则它是虚弱的。系数计算(13- - - - - -15] 在哪里小波,是信号,规模,是位置。

3所示。概率神经网络(并)

并通过人工神经网络的前馈网络模型是基于统计理论与Parzen窗口函数作为激活函数。并通过吸收径向基函数神经网络的优点(RBF-NN) [16)和经典理论的概率密度估计和与传统前馈神经网络相比,这尤其是在模式分类方面有显著的优势。

对所测试的拓扑结构如图1。第一个和最后一个布局,分别表示输入和输出布局;中间的两个布局是隐藏的布局。第一个隐藏的布局模式单元布局Parzen窗口函数作为激活函数;第二个是求和单元布局,或者资金的输出第一个。并通过主要的训练方法递归正交最小二乘算法(的方式)和递归最小二乘(RLS)。这两种方法有快速的收敛速度;相比之下,第二个是更快的训练速度和具有较高的训练精度。

输入向量,输出值的th神经细胞对所测试的输出布局可以写成 在哪里输入向量维度;输出的th单元在第二个隐藏的布局;连接之间的重量吗th神经细胞在第二个隐藏的布局和th神经细胞的输出布局;Parzen窗口函数;是的中心向量th类在第一个隐藏的布局;的中心向量的数量吗th类在第一个隐藏的布局;欧几里得范数;是神经细胞的数量在输出布局。

4所示。材料和方法

4.1。装置

美国WI ANicolet(麦迪逊)NEXUS 670红外光谱谱仪,配备了temperature-stabilized氘triglycine硫酸盐(壳体)探测器和钻石衰减全反射(ATR)配件,使用。光谱范围是4000 - 650厘米⁻¹与决议2厘米⁻¹和64年的累计数字扫描时间。

4.2。化学药品和试剂

戊巴比妥钠和dimethylbenzanthracene (DMBA)美联社质量从国药控股,中国。肿瘤特异性抗原(TSA)仅供实验室使用从上海华谊生物科技有限公司,有限公司,中国。

4.3。材料

6-8-week-old 160正常Sprague-Dawley (SD)老鼠,约180克,半男半女,被用于实验。部门提供的所有老鼠的动物,金华研究所药物控制,中国,被动物保护协会允许。然后SD大鼠被随机分为三组,B和C: 70只老鼠组(DMBA组),B组的另一个70只老鼠(DMBA + TSA集团),最后20大鼠C组(对照组)。没有美联储,但水24小时之前的操作。2%戊巴比妥钠(1.5毫升/公斤)注入SD大鼠的腹腔,大约是1厘米的切口进入中上腹部麻醉暴露后的胰腺,胰腺的膜和部分条款被削减的尾巴,身体在深1毫米,A组和B组被投入9毫克DMBA,然后腹部缝缝合后胰腺的膜。他们是美联储在一般环境中提供免费饮用纯净水和全价营养饮食的粒子。B组是每周注入SD大鼠腹腔与1μg / mL TSA 1毫升。除了自然死亡,A组(7、10和20 SD大鼠)和B组(6、10和20 SD大鼠)将被杀,分别在第三,第四,第五个月随机;那么所有C组将死亡的第五个月1]。解剖胰腺组织样本是在生理盐洗,然后直接测量收集他们的红外光谱数据在三个小时;同时采集标本的病理分析。样本包括220名胰腺癌组织正常组织,120年早癌组织,和100年先进的癌组织。

4.4。光谱测量

傅立叶变换红外光谱背景记录之前收集样本的红外光谱。使用空白diamond-ATR参考光谱被记录下来。单光束光谱得到的样本和的比值光谱背景光谱的空气用于光谱吸光度单位。每个实验diamond-ATR彻底清洗后用无水乙醇和干氮、及其光谱检查以确保没有残留物从之前的实验是在钻石表面保留。所有的组织样本和药棉和进一步干干氮气。所有的实验都重复三次,平均光谱被用于进一步分析。

4.5。数据分析

样品的红外光谱是通过测量。不同波段的吸收值基于获得的吸收值的字符复制数据的方法。MATLAB软件是用于小波转换分析。使用Daubechies小波,这有很好的检测信号奇异点的能力,小波分析,完成一维DWT的傅立叶变换红外光谱样品在不同的尺度。样本字符变量的五层是由选择分解水平程度的差异是最明显的。通过比较分析,两层(3和4)被选来提取特征向量。训练样本和测试样本的数量是230年和210年,分别。所选字符变量对所测试被用于训练和识别。

5。结果与讨论

5.1。傅立叶变换红外光谱分析

图2显示胰腺正常的傅立叶变换红外光谱、早期癌,和先进的癌组织。

如图2的位置、强度和形状的吸光度与正常峰值变化,早期癌,和先进的癌组织。羟基吸收峰的蛋白质,核酸,脂位于3327厘米⁻¹拥有相似的强度。胰腺正常组织有三个明显的吸收带,2956,2924,2852厘米⁻¹分别在3000 ~ 2800厘米⁻¹饱和碳氢键的伸缩振动。但是,随着癌化的发展,这些吸收峰被削弱。脂肪酯的羰基吸收峰位于1743厘米⁻¹癌变后,也削弱了。它将变为先进癌时消失。从蛋白质羰基吸收峰位于1650厘米⁻¹(包括水分子中羟基的吸收1640厘米⁻¹),它的强度降低癌组织的发展。吸收峰的酰胺二带位于1555厘米⁻¹,其强度也降低癌组织的发展。其他谱带,如对称伸缩振动和对称伸缩振动从核酸磷酸二酯,吸收峰位于1084厘米⁻¹和1242厘米⁻¹,分别。

正常的傅立叶变换红外光谱和早期癌组织非常封闭的吸光度,很难区分他们只有经验。我们利用一维离散小波变换提取特征进行进一步的分类。

较高的信息大量存在于3600 ~ 2800厘米⁻¹和2000 ~ 650厘米⁻¹。该地区3600 ~ 2800厘米⁻¹包括地吸收,h拉伸乐队,碳氢键脂肪族不对称和对称伸缩振动频带和性格是不明显的。该地区2000 ~ 650厘米⁻¹包括指纹区包含更多的分子结构信息。因此我们使用该地区2000 ~ 650厘米⁻¹并通过训练和识别。

5.2。DWT的傅立叶变换红外光谱分析数据

适当的特性描述被认为是最重要的一个组成部分分类程序。特征提取的结果是一个更简洁的描述仍然保留了大部分的光谱特征。

在这篇文章中,我们规模红外光谱数据范围在4000 ~ 650为了执行分析小波。所有的傅立叶变换红外光谱数据包含大量的冗余信息。从红外光谱数据中提取特征可以减少计算负担和改善的结果。

应该由适当的小波基和规模分析信号光谱性质和与不同的小波基分解结果的比较和分解水平(13]。在多分辨率小波分解过程中,适当的小波基函数和小波分解水平比较的基础上确定红外光谱信号和信号的分解在不同分辨率的影响。标准的选择是挤出几个原始光谱特征峰和选择一个好的平滑小波。Daubechies比较哈雾后,墨西哥帽子,Meyer Morlet, Symlets小波分解,我们选择Daubechies小波为“小波分析。“两个特征峰的原始红外信号小波域用于进一步提取其特征值。胰腺正常,早期癌,和先进的癌组织分别进行离散小波变换;分解级别设置为5。分析后,我们选择了两个级别3和4中提取特征。

图3预处理傅立叶变换红外光谱显示正常,早期癌,和先进的癌组织的DWT系数,d1-d5显示详细信息后分解(细到粗)。

从图3,我们可以看到,很难分辨光谱的主要特征的小波域如果离散小波变换解决好,因为太多的详细信息。详细信息是敏感的光谱变化,具有较强的应对各种光谱特征峰的原始,和不好的特征提取。

为了有效提取代表性特征在两离散小波的尺度,光谱在每个规模分为两个代表区域,分别。各种功能被定义为能量分解的DWT域。图4是功能区域的划分图。四个功能区域的两个细节在DWT域,其特征值谱能量的四个功能区域,形成特征向量。

5.3。识别并通过和应用结果

测试后,我们对所测试的结构定义为9节点的输入层、隐层四个节点,和三个输出层节点;误差是0.01。

成功的培训网络研究如何识别胰腺正常,早期癌,和先进的癌组织。培训过程中,我们使用的9个输入层节点并通过结构,其次是规范化的9个特征向量。输出层节点被分成类别1:正常组织,类别2:早期癌组织,和类别3:先进的癌组织。训练网络的数据被用来验证440个不同的样本。输入数据的小波变换的特征向量提取原始的红外光谱。结果显示在表中1。

基于表中的结果1基本上,三种不同类型的样品(胰腺正常、早期癌和先进的癌组织)被正确识别。不同的样本,提取的特征向量小波变换的红外光谱有显著差异,这样可以实现高精度的分类。是100%的识别胰腺癌晚期癌组织,因为他们当中有显著差异。时很难区分早期癌组织癌变程度不高。正常和早期癌组织的识别准确率低于先进癌组织因为很小的差异。

6。结论

很容易直接使用diamond-ATR红外光谱测量,不需要使用样品。之间有显著差异正常胰腺组织和先进的癌症,但癌症早期的傅立叶变换红外光谱的差异并不明显。一些重要特征提取红外光谱信号在DWT域,和概率神经网络模式识别和分类根据他们的能量也被使用。网络方法对于复杂和模棱两可的和交叉信息应用程序有特殊价值和使用径向基函数神经网络等科学的评价体系来避免识别人类经验和许多其他复杂性的方法简单,快速,准确。因此,通过离散傅立叶变换红外光谱waveletfeature提取使用概率神经网络进行早期识别胰腺癌有更广泛的应用前景。

利益冲突

作者宣称没有利益冲突有关的出版。

引用

1. z l .杨x h·邓·l·p·杨,w . t .风扇,和李问:l .胰腺癌在SD大鼠模型,研究引发的关系表达式,MCP-1, MIP-1α信使rna和肿瘤相关巨噬细胞计数。”中国实验外科杂志》上22卷,第318 - 316页,2005年。视图:谷歌学术搜索
2. r·k·Sahu s末底改,“傅里叶变换红外光谱学在癌症检测,”未来的肿瘤,1卷,不。5,635 - 647年,2005页。视图:出版商的网站|谷歌学术搜索
3. b . r .木头,l·奇h·伊·m·a·奎因d . McNaughton和m .吴廷琰,“傅里叶变换红外(FTIR)光谱的映射宫颈转换区,发育不良的鳞状上皮,”妇科肿瘤,卷93,不。1,59 - 68年,2004页。视图:出版商的网站|谷歌学术搜索
4. c·p·舒尔茨,”傅里叶变换红外光谱和成像的潜在作用在癌症诊断中加入复杂的数学方法,”技术在癌症研究和治疗,1卷,不。2、95 - 104年,2002页。视图:谷歌学术搜索
5. m·f·k·冯·m·Senterman p . w . Faught, n . z . Mikhael开斋节和p . t . t . Wong“比较傅里叶变换红外光谱检测宫颈脱落细胞与子宫颈筛查标准,“妇科肿瘤,卷66,不。1,10 - 15,1997页。视图:出版商的网站|谷歌学术搜索
6. j . i . Chang, y . b .黄,p . c .吴黄c, c . c . Chen和y . h .蔡”特征的人类宫颈癌癌前组织通过傅里叶变换红外显微镜使用映射方法,”妇科肿瘤,卷91,不。3、577 - 583年,2003页。视图:出版商的网站|谷歌学术搜索
7. 张齐兵。李,X.-J。太阳,Y.-Z。徐et al .,“胃炎症和肿瘤的内镜活检诊断基于傅里叶变换红外光谱学,”临床化学,51卷,不。2、346 - 350年,2005页。视图:出版商的网站|谷歌学术搜索
8. g·l·c·g . Cheng太阳,和c . j .,“早期发现胃癌使用小波变换特征提取和神经网络分类的傅立叶变换红外光谱,”光谱学,22卷,不。11日,38-42,2007页。视图:谷歌学术搜索
9. C.-G。程,Y.-M。田,W.-Y。金”,研究结肠癌的早期检测使用小波的红外光谱特征提取和支持向量机分类方法,”光谱学,22卷,不。5,397 - 404年,2008页。视图:出版商的网站|谷歌学术搜索
10. C.-J。张和C.-G。程,“识别之间野生抚育美国摩尔和己cepharanthaHayata CWT-FTIR-RBFNN。”光谱学,22卷,不。5,371 - 386年,2008页。视图:出版商的网站|谷歌学术搜索
11. n . a .伍迪和s·d·布朗“为多元分类,选择小波变换尺度”化学计量学杂志》,21卷,不。7号到9号,第363 - 357页,2007年。视图:出版商的网站|谷歌学术搜索
12. C.-G。程,Y.-M。田,C.-J。张,“精液cuscutae及其兄弟姐妹之间的识别方法研究基于FTIR-CWT日本菟丝子植物种子和ANN分类方法”Chimica学报,卷66,不。7,793 - 798年,2008页。视图:谷歌学术搜索
13. x李董,和z元,“离散小波变换刀具破损监测。”国际机床制造杂志》上,39卷,不。12日,第1944 - 1935页,1999年。视图:出版商的网站|谷歌学术搜索
14. l .白和黄懿慧刘”,红外光谱分类癌症数据使用小波和模糊c均值聚类,”小波应用于工业处理III卷,6001学报学报,2005年。视图:出版商的网站|谷歌学术搜索
15. n . a .伍迪和s·d·布朗“为多元分类,选择小波变换尺度”化学计量学杂志》21卷,第363 - 357页,2007年。视图:出版商的网站|谷歌学术搜索
16. g·w·g·j . Cheng周,x x王“岩性识别的概率神经网络,”Microcom Informatique,23卷,第292 - 290页,2007年。视图:谷歌学术搜索

版权

版权©2014 Chayan广域网等。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。