文摘

背景。错误的诊断阿尔茨海默病(AD)从健康控制(HC)患者在疾病的早期阶段是一个重要的问题,因为信息条件的严重程度和发展风险目前允许AD患者不可逆的脑损伤发生前采取预防措施。最近,有极大的兴趣在计算机辅助诊断磁共振影像(MRI)分类。然而,区分阿尔茨海默氏症的大脑数据和健康的大脑数据老年人(年龄> 60岁)是具有挑战性的,因为他们的高度相似的大脑模式和图像强度。最近,尖端的特征提取技术发现广泛应用在许多领域,包括医学图像分析。在这里,我们提出一个dual-tree复小波变换(DTCWT)从图像中提取特征。特征向量的维数降低,利用主成分分析(PCA)。降低特征向量是送到前馈神经网络(FNN)区分广告和HC先生从输入图像。这些提议和实现管道,证明改进分类输出相比,最近的研究,导致了高和可再生的准确率为90.06±92.00±0.04%的敏感性0.01%,特异性为87.78±0.04%,精度为89.6±0.03%和10倍交叉验证。

1。介绍

阿尔茨海默病(AD)是一种不能挽回的神经退行性疾病,导致全球老年人痴呆。已经预测,无处不在的广告将在未来2年翻倍,每2050年将有85人患有这种疾病(1]。因此,有必要确定神经影像生物标志物可以授予准确和痴呆的早期诊断。此外,临床诊断AD患者在原始的疾病阶段,许多成像生物标记必须确定使用不同的成像方式,如磁共振成像(2),位置发射断层扫描(PET) (3],功能性磁共振成像(fMRI) [4),单光子发射计算机断层扫描(SPECT) [5),磁共振波谱成像(MRSI) [6]。

广告的一个准确和早期诊断和识别的风险从轻度认知障碍(MCI)发展到广告提供广告患者意识状态的严重性和允许他们采取预防措施,如改变生活方式和服药(7]。目前,许多神经学家和医学分析师已经花费大量的时间来研究技术,以便早期诊断的广告,和令人鼓舞的结果已经达到了8]。核磁共振是一种影响力,非侵入性脑成像技术,提供高质量的信息关于大脑的形状和体积比计算机断层扫描(CT)、SPECT和PET扫描。它提供了优越的软组织分化,高空间分辨率,更好的对比,甚至可以识别微小大脑中的违规行为(9]。此外,MRI的诊断使用已经极大的改善由于自动和精确标记先生的图片,执行一个重要的角色在确定广告相关病人从健康和老年对照组(HC) [10]。

诊断前,多数工作都是手工完成的测量或semimanually先验感兴趣的区域(ROI)的磁共振成像,基于对象的现实广告经验相比有更多的脑萎缩高碳钢(11,12]。其中大部分ROI-based考试集中在皮层和海马和放大心室的收缩。然而,ROI-based方法并不可行的在医院,因为几个缺点:(i) ROI技术需要先验数据和专家知识。(2)人工诊断准确性依赖于医生的知识和翻译13]。(3)体素之间的相互作用是麻烦的执行。(iv)探索其他可能至关重要的地区可能与广告(14]。(v) ROI的自动分割并不是有益的实践,和调查员段大脑所需使用的手15]。因此,自动化的方法可以帮助医生诊断疾病如由MRI图像,许多片从组织中提取和长时间的为图像的评价可能是必要的。

本文的目的是提供一个自动化的方法诊断广告使用“全脑分析”方法。它取得了流行,因为它检查整个大脑的体素。这并不是最重要的部分大脑的早些时候,它不需要任何生物分类的目的。的主要缺点是可以通过高速计算机解决维数,这是相对便宜的16]。整个大脑调查辛苦地依赖于正确的计算,它只能完成后由计算机研究员医生协助标签输入数据作为广告或HC。通常情况下,整个大脑检查标签整个大脑ROI,牵涉到两个阶段,即特征提取和分类。

学者们提出了不同的方法提取有效特征检测的广告和其他类型的病理大脑疾病。此外,分类模型和方法生存;然而,并不是所有的都适合,大脑的处理图像。根据最新的文献,我们发现与以前的工作两个缺点:(i)离散小波变换(DWT)通常用于特征提取。DWT有更好的方向选择性在水平、垂直、对角线方向和比傅里叶变换具有更好的图像表示,但其主要缺点是,它可怜的方向性,是敏感的变化,缺乏相位信息。(2)大多数先进的机制只考虑单一slice-based检测每个病人(SSD)。获得的片可能不包含疾病的病灶。

解决以上问题,我们提出了两个改进。首先,我们提出一个DTCWT图像处理具有吸引力的属性,包括移不变性和高方向性。其次,我们考虑为每个病人多片不同于之前的研究,因此,信息增益更一致,可靠和准确的。在医院,多个slice-based检测由于其inexpensiveness利用。研究已经清楚地表明,DTCWT更适合比传统小波域特征提取(17]。

我们贡献广告旨在介绍一种新的方法检测精度高于最先进的方法,基于DTCWT, PCA,安技术。此外,我们建立一个计算机辅助诊断(CAD)系统,可用于早期诊断AD-related大脑区域和主题。我们的目标是开发协助临床医生的工具。

所有的预处理方法用于获得好的结果。给我们提出了系统的有效性,我们评估性能措施,包括精度、灵敏度、特异性、精度和酒吧情节的比较该方法与现有的系统。本文安排如下。部分2在材料和方法提供背景知识。节3、实验结果和讨论。最后,给出了结论和未来的研究计划4。

2。材料和方法

2.1。材料

2.1.1。数据集

在我们的研究中,数据集从开放存取访问一系列成像研究(绿洲)。绿洲是一个项目,编译和共享大脑核磁共振数据集使这些数据可访问科学界。正在访问的数据http://www.oasis-brains.org。大脑先生的样本图像如图1。

提供了两种类型的数据:绿洲横向和纵向磁共振成像数据。在这项研究中,我们使用横断面MRI数据,因为我们打算开发一个自动检测系统的广告,这将不需要纵向数据被收集从AD患者在很长一段时间。

数据集由416名受试者的年龄在18 - 96之间。在我们的研究中,我们认为126个样本(包括28广告和98高碳钢)。表1显示了关于研究对象的统计信息包括在实验中。只有右撇子科目包括在这项研究中,由男性和女性组成。排除标准是病人不到60岁或任何他们的报告失踪。不平衡数据可能导致将来识别困难;我们调整成本矩阵来解决这个问题。

数据集包含有关病人的人口统计信息。人口特征包含性别(M / F),年龄,教育,社会经济地位,偏手性。迷你精神状态检查(MMSE) 35分是一个简短的问卷测试利用监控认知障碍和痴呆。患者的测试包括简单的问题在数字领域和问题:时间和地点,重复单词列表,算术,语言使用和理解,除了基本的运动技能。临床痴呆评定(CDR)是数值范围内测量痴呆症状的严重程度。病人的认知和功能表现在六个方面:访问内存,方向,判断和分析,社区事务,住宅和爱好,和个人护理。病人的CDR行列表中列出和教育水平2和3,分别。

2.2。该方法

该方法包括三个重要的阶段,即使用DTCWT特征提取,使用PCA特征降维,并使用前馈人工神经网络分类。建议方法的总体框图如图2。归一化的图像中包含预处理部分。所有这些已被证明优秀的个人技术,所以我们坚信,该方法也可以取得优秀的成果。

2.3。图像预处理和标准化

对于每一个病人,每个扫描会话涉及三个或四个t1加权图像扫描的先生。为了增加信噪比(信噪比),都表明MRI扫描与同一个人的相同的协议motion-corrected和空间coregistered Talairach坐标空间产生一个平均的图像,然后brain-masked。运动校正记录了所有的3 d图像扫描,然后开发初始平均三维图像采集空间。此外,扫描然后重新取样1毫米×1毫米×1毫米。收购获得的图像转换空间Talairach协调空间。最后,大脑提取。

我们使用MRIcro软件(可以从下载http://www.cabiatl.com/mricro/mricro/),从备份文件夹导入图像,然后提取每个主题的2 d图像片先生。在本文中,我们只选择32片从每个重要的中心主题手动基于我们的经验。这些片用于预处理。背后的原因选择中心片从所有片是它保留了更多关于大脑组织的相关信息与前片和后片组1 - 256片。片可能的方向可能是矢状,冠状或轴向。在这个研究中,我们选择了轴向方向的知识。相同的过程适用于所有科目(126包括广告和高碳钢)。所有图片是PNG格式的,和片的尺寸是176×208。图像的大小为256×256之前被用于进一步的处理。

2.4。离散小波变换

离散小波变换(DWT)是一种图像处理方法(18)使所述信号或图像的多尺度表示(19]。标准DWT无奈将方差问题,只有水平和垂直方向选择性[20.]。假设表示一个特定的信号,象征着采样点,和分别表示一个高通滤波器和低通滤波器和描述高通和低通子带的系数。我们有

的代表一个低通滤波器x设在和高通滤波器y设在。代表一个高通滤波器x设在和低通滤波器y设在。的代表低通滤波器沿着两个方向,沿着两个方向代表高通滤波器。

在这里,和垂直和水平方向有明确的。为,它结合了方向的共同和−45 + 45度,这源于利用DWT的实值的过滤器。这个组合也阻碍了方向检查(21]。

2.5。Dual-Tree复小波变换

dual-tree复小波变换(DTCWT)是一种传统DWT的修改版本。帮助提高DWT的方向选择性受损,DTCWT提出。传统的DWT转变变体因为大规模毁坏操作中使用的变换。因此,一个小的输入信号可以创建一个非常不同的小波系数组成的输出。它利用两个真正的dwt并行处理输入数据(22]。第一个DWT变换的象征着真正的组件,而第二个DWT描绘虚构的组件在一起形成一个复杂的变换。

DTCWT提供了一个解决方案,“移不变的问题”以及“在两个或多个维度的方向选择性,”都是缺点的普通DWT (23]。它获得定向选择性利用小波近似分析。它也有能力生产共有六个定向识别部分波段面向±15,±45岁和±75方向,真正的(R)和虚(I)部分。图3说明了DTCWT。让和在第一阶段过滤器如图3。让新kth阶段响应第一个过滤器银行和第二滤波器组 我们现在有以下结果的推论引理1。

推论1。假设一个是提供CQF型双 。为 当且仅当

一个2 d图像 由2 d分解DTCWT一系列相呼应和翻译的一个复杂的尺度函数和六个复小波函数 也就是说, 在哪里 给出了复小波函数的方向性。这是说的分解 利用DTCWT创建一个复杂的价值低通子带和六个复杂价值高通各级次能带的分解,在每一个高通部分波段对应于一个特定的方向。

进行的一项研究[24)比较DTCWT DWT的方向选择性。仿真结果表明,该边缘检测到DTCWT已经清晰的轮廓,和几乎所有的方向可以发现清晰而完美。然而,DWT不连续,检测到的边缘,只有水平和垂直边缘可以成功地检测到。验证结果的有效性在DWT DTCWT。利用DTCWT,我们从预处理的图像中提取DTCWT系数。附加功能包括病人的人口统计信息,如年龄、性别、构型、教育、SES和临床检查。偏手性特征不包括在工作以来所有的病人右利。

2.6。主成分分析

DTCWT加大的系数特征空间的维数,使分类的工作更加复杂。

此外,它会导致过度的计算开销和巨大的记忆存储。因此,它是至关重要的特性集的维数较低,提高分类结果的重要特性。过去二十年以来,一个名为PCA的方法赢得了更多的关注数据可视化和降低维数。系统项目的初始输入数据到一个低维空间,著名的作为主要的子空间通过一个正交变换,同时保留大部分的数据变化。说的可能相关的变量,这些转换的结果是一组值线性不相关的变量称为主成分(pc)。的所有步骤中演示了实现PCA算法1。附加信息对PCA和它的实现可以从文献[25,26]。

让我们考虑一组数据。PCA是用来找到一个线性减少低维的数据集。在这种情况下,构造的方差数据保存。PCA限制特征向量选择组件,导致一个有效的分类算法。实现PCA背后的主要思想是减少维数的DTCWT系数,从而更充分和准确的分类。

下面的算法是利用获得主成分从输入矩阵,最后喂前馈神经网络。现在,输入矩阵只拥有这些电脑。因此,矩阵的大小减少。因此,特征提取是在两个步骤完成:DTCWT提取小波系数,之后基本系数选择中描述的PCA算法1。

2.7。前馈神经网络

2.7.1。结构

前馈神经网络(FNN)是广泛应用于模式分类,因为他们不需要任何信息的概率分布或先验概率不同的类。神经网络(NN)利用权力从他们的密集平行结构和从经验中获取信息的能力。结果,他们可以利用输入数据的准确分类到不同的类,提供pretrained。多层前馈神经网络的体系结构如图4。

三个因素需要考虑设计一个特定应用程序的安:(i)网络的拓扑结构,(2)训练算法,和(3)神经元激活函数。网络可能会有很多层的神经元,其完整的架构可能具有前馈或反向传播结构。一个multihidden-layer反向传播神经网络隐层神经元与乙状结肠的选择。同样,选择线性神经元为输出层。向量是提供给神经网络的训练,这是命令批处理模式(27]。神经网络是一个两层网络,其配置 代表输入神经元,是隐藏层,然后呢表明大脑观察HC或广告。

2.7.2。训练方法

数学家已经证明,共轭梯度(CG)算法,探索沿着共轭梯度方向,产生更快的收敛比最速下降方向。在CG算法中,按比例缩小的共轭梯度(SCG)方法是最强大的28]。因此,我们利用SCG训练网络。

让和是连接权重矩阵连接输入层和隐层,隐层和输出层,分别。以后,我们可以推断出培训过程由以下方程来改善这些加权值,可以分为四个后续步骤(29日]。(1)计算所有隐层神经元的输出是通过

在这里,代表了输入值,代表了隐层的输出,和指隐藏层的激活函数,通常观察乙状结肠函数: (2)所有输出层神经元的输出所述如下:

在这里,表示输出层的激活函数,通常是一个函数。起初,所有的重量都认可和随机值δ规则修改的基础上学习样本。(3)错误是铰接的MSE产出和目标值之间的区别(30.]。 在哪里描述了kth的价值已知名的用户和真正的标签表示数量的样品(31日]。(4)我们认为有样品;因此,可以写成的健身价值 在哪里指定的向量化( )。目标是最小化适应度函数 即迫使每个样本的输出值适当的目标值。

隐藏层和输出层描绘在图5。输入,输出层的加权和,和激活函数图所示5。输入层和隐层之间的连接权重和隐藏层和输出层如图6。连接权值也可以用矩阵表示形式称为连接权重矩阵。

3所示。实验结果和讨论

该方法是使用32位的Matlab实现2015 b环境对英特尔(R)的核心(TM) i3 - 2120,处理速度为3.30 GHz和2 GB的RAM运行微软Windows 7。读者可以重复我们的结果在任何计算机MATLAB是兼容的。

本文旨在开发一个广告大脑的CAD系统与更好的性能。伪代码是列在表中4。

3.1。参数估计的

它始终是个大问题,找到最优的价值分解水平。我们知道一个更小的年代提供更少的信息而更大分类器提供更多的信息。为了避免过度拟合的问题,一个更小的使用。在这里,我们改变的价值从1到5的增量1并检查相应的平均精度和模糊。的最高精度的最优值。

3.2。特征提取

在本文中,我们从输入图像中提取DTCWT系数。5日分辨率尺度的特点选择,因为他们提供更高的分类性能比其他分辨率水平尺度。DTCWT具有小波变换的多分辨率表示。疾病检测,最好使用一些中间尺度系数作为分类器的输入。最低的天平失去了良好的信号细节而最高度详细的鳞片都包含了很多噪音。因此,我们宁愿选择只有少数DTCWT中间尺度系数。这些系数作为输入发送到PCA。

3.3。功能降低

过度增加计算时间和内存存储特性。此外,他们有时使分类更加复杂,这被称为维度的诅咒。在本文中,我们利用PCA减少的数量特征。

因此,提取的特征从DTCWT减少发送到PCA的特性。对于每一个图像,有768个特性后第五层次的分解。为每个病人采用32片,成为32×768的总数特性。现在,改革成一个行向量图像1×24576。126名受试者的行向量排列成一个“输入矩阵”维度的126×24576。它仍然太大,计算。现在输入数据矩阵分解成主成分得分矩阵”和“系数矩阵。“分解后得分矩阵的大小是126×125。在这里,“得分矩阵”的行和列对应于对象和组件,分别。

方差与主成分的数量从1到18列在表5。尝试不同数量的主成分与个人电脑(PC)显示精度= 14提供最好的分类精度保留总方差的90.44%。的曲线累积方差之和与主成分如图的数量7。因为我们没有能量阈值设置为95%,将花费太多的特性,随着计算负担。

3.4。摘要利用培训

14个人电脑直接发送到摘要。因此,输入神经元的数量是14。然后,隐层神经元的数量()根据信息熵方法(1032]。因此,神经网络的架构就变成了14-10-1。SCG的方法是使用,因为它非常快于英国石油公司,MBP, ABP [28]。

3.5。性能的措施

有几种技术来评估分类器的效率。性能计算整体混淆矩阵的本质。它拥有正确的和不正确的分类结果。表6显示了二进制分类混淆矩阵,,,,描绘真阳性,真阴性、假阳性和假阴性,分别如表中所示7。

这里,广告的大脑认为持有价值“true”和数控的认为持有价值“false”后正常的惯例。

精度是最接受实证测量访问分类器的有效性。这是规定

灵敏度是衡量正确分类的真阳性的比例,和特异性的底片的比例是衡量正确分类。这些都是计算

的精度和召回的配方

3.6。统计分析

为了执行一个严格的统计分析,分层交叉验证(SCV)。我们应用一个10倍的简历技巧在这个实验中,因为两个原因:(1)之间做出平衡可靠的估计和计算成本,(2)提供一个公平的比较,因为常见的惯例是采取的价值K等于10 [33]。

10倍的简历意味着我们必须将数据集随机地分为十个相互完全折叠的大致相等的大小和分布几乎相同。在每次运行9子集将被用于训练,剩下的人会被用于验证。这个过程被重复10次,其中每个子集都是用于验证一次。10倍的简历重复50次;即实现50 x 10倍的简历。

精度、敏感性和特异性得到50分的10倍的简历表8。我们的方法达到90.06±0.01%的精度,灵敏度为92.00±0.04%,特异性为87.78±0.04%,89.6±0.03%的精度。

3.7。相比其他的方法

进一步确定的有效性提出“DTCWT + PCA +模糊神经网络,“我们与七个最先进的方法在表8。这些方法利用不同统计设置,使直接比较困难。结果在表8研究表明,(34- - - - - -37没有现在的标准差(SD)的三个标准。的特异性研究[34- - - - - -36)低于证明了其他方法。因此,这三种方法不值得进一步研究。同样,研究[37)获得100%的分类特征。尽管高特异性、准确度和灵敏度通过这个算法很穷。因此,这种方法也不被认为是进一步研究。其他三个方法报道平均值和标准偏差值。他们也取得了令人满意的结果。研究[38)取得可喜的成果,因为分布形态测量学(VBM)。事实上,VBM经常被用来研究大脑的变化。研究[37)表明,一个出租车司机通常会有一个更大的部分,后海马。研究[39)认为,全球灰质减少线性年老但全球白质仍然相同。然而,VBM需要一个精确的空间归一化,或者分类精度明显降低。研究[40)是基于一个叫做位移场的新方法(DF)。本研究测量和估计各种片之间的位移场广告和HC科目。有其他方法从HC杰出的广告;然而,他们处理图像由其他形式:宠物,SPECT, DTI,等等。因此,他们也不认为在这个研究。

最后,提出“DTCWT + PCA +模糊神经网络”实现90.06±0.01%的精度,灵敏度为92.00±0.04%,特异性为87.78±0.04%,89.60±0.03%的精度。对分类准确性,我们的方法优于其他五个方法和几乎等于剩下的两个方法的精度,不占均值和标准差。我们还取得了一个有前途的敏感性和一个有前途的特异性。因此,我们的结果优于或类似的其他方法。酒吧图算法的比较如图8。缩略词列表中描述表9。

4所示。结论和未来的研究

我们提出了一个自动和精确的方法来识别广告基于DTCWT,主成分分析和模糊神经网络。结果表明,该方法实现了90.06±0.01%的精度,灵敏度为92.00±0.04%,特异性为87.78±0.04%,精度为89.6±0.03%,超过7最先进的算法。

我们未来的研究将集中在以下几方面:(i)测试等先进的小波变异3 d-dtcwt,小波包分析,分数微积分;(2)利用不同特性减少技术,如独立分量分析(ICA) [41),线性判别分析(LDA) (42),概率主成分分析(43),或sparse-autoencoders [44];(3)测试数据用最小二乘技术(45),内核支持向量机(k-SVM),如模糊支持向量机(46),径向基函数神经网络(时滞)大小47),深度学习方法如卷积神经网络(CNN) (48),和其它另类模式识别分类的工具;(iv)利用先进的群体智能技术,如粒子群优化(49),人工蜂群(50)、遗传模式搜索(51[],蚁群优化52),和biogeography-based优化(53)找到最佳的内核;(v)上测试该方法获得的图像从不同的形式,如计算机断层扫描(CT) (54),超声波,光谱成像(55),和3 d核磁共振;(vi)利用其他促进图像预处理技术来提高分类性能,如图像去噪,图像增强,图像分割;(七)分类可能进行稀疏域。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究受到了大脑研究项目通过韩国国家研究基金会资助的科学,ICT和未来规划(nrf - 2014 m3c7a1046050)。这项研究是由朝鲜大学研究基金的资助,2017年。