文摘

病人在重症监护室需要快速和高效的处理,包括诊断服务。本研究的目标是产生一个计算机辅助系统,它可以帮助放射科医生分类类型的脑肿瘤病人遭受迅速和准确;构建应用程序可以确定脑部肿瘤的位置从CT扫描图像;和得到的结果分析系统的设计。分区与学习矢量量化算法的结合可以提高计算的速度和分类正常和异常的大脑,平均精度为85%。

1。介绍

病人在重症监护室需要快速和高效的处理,包括诊断服务。技术系统的发展在医学世界正在激增。建了很多应用程序,可以从模式处理医学图像结果如计算机断层扫描(CT)、磁共振成像(MRI),正电子发射断层扫描(PET)和x射线系统(1]。在医学界,CT扫描是广泛用于支持一种疾病的诊断,可以显示人体组织而不需要进行手术。

脑部肿瘤的检测有重要作用在生物医学领域的应用方面的医学图像诊断记录。识别的重要性脑瘤增加了近年来。大脑肿瘤分类开发帮助医务人员诊断这种疾病。在分类中,有一些需要执行的流程,例如,预处理,特征提取,分类。预处理的一部分执行处理图像特征提取之前能确定一个区域或对象。这个过程包括过滤、正常化和识别对象在提取阶段。特征提取是一个步骤的核心价值(特性)在图中显示图像的对象将被或区别于其他对象(2]。使用灰度共生矩阵法提取功能包括应用灰度共生矩阵建立()与一个矩阵大小为64×64像素(3),离散小波变换应用主成分分析(PCA) (4)或分区方法(5]。

分类是一个过程,确定函数,可以区分的概念,目的是估计未知的对象的类(6]。一个可用于分类的方法是学习矢量量化(LVQ)。LVQ分类方法,在监管层可以进行培训的一个版本Kohonen模型有一个简单的学习算法组成的一个输入和输出层(7]。

下面是一些研究之前进行脑部肿瘤的面积,包括软组织内脑CT扫描的分类基于wavelet-dominant灰度行程纹理特征(8]。本研究获得标准的准确性和大脑肿瘤98.00%的识别。脑部肿瘤的分类基于统计特性集使用支持向量机的准确性达68.1% (9]。

在这项研究中,我们使用与分区特征提取和分类方法与学习矢量量化(LVQ)技术。为每个样本数据已经通过图像预处理和特征提取过程,和肿瘤的位置将决定。

目标是产生一个计算机辅助系统,它可以帮助放射科医生分类类型的脑肿瘤病人遭受迅速和准确;构建应用程序的位置可以确定脑部肿瘤的CT扫描图像,并得到的结果分析系统的设计。从这项研究中获得的好处是帮助放射科医生诊断类型的脑肿瘤病人遭受快速、准确,特别是重症监护室的病人,而且,它变成了一个参考研究人员专注于计算机视觉技术在医学领域。

2。材料和方法

2.1。脑部肿瘤

大脑肿瘤tissuemass生长失控,并抑制其他健康组织。脑部肿瘤可分为良性(软)脑部肿瘤和恶性脑瘤(严重)。是临床上难以区分良性或恶性脑瘤,因为,症状也取决于肿瘤的位置,增长率和肿瘤质量对脑组织的影响(10]。

早期诊断是由获得病人的家庭健康数据的历史和身体检查。之后,神经学检查来确定执行心理状态、内存、脑神经功能,肌肉力量,和对疼痛的反应。下一步是通过图中放射学检查或MRI(磁共振成像)。

2.2。计算机断层扫描

计算机断层扫描(CT)扫描方法用于检查病人没有直接手术,但是使用x射线和一台电脑在轴向产生大脑图像片段(11]。图中产生的碎片的数量是由图中显示的规格使用。为了提高图像的质量在放射学检查,有时病人注射对比剂,以改善图像质量所需的器官。图中显示图像包含的范围的大小从1024−3071 + Hounsfield单位规模。Hounsfield本身是一个组织的密度测量,如图1和2。

图像处理方法进行处理和分析图像,产生图像按照需要使用图像感知和利用计算机艾滋病。图像可以被解释为一个函数,它有两个维度f(x,y),x和y坐标,f在每一个点(x,y)表达强度、亮度和灰度图像中。数字图像的研究是一个矩阵,其中有一个图像的元素,可以在一个离散的形式提供信息。数字图像是连续x射线和电视监视器。因此,转换过程需要执行所需的数字图像的信息。得到图像的特征信息,可以使用各种应用程序,其中一个是计算机视觉,发达的过程中把图像信息提取的形式特征,自动从图像本身。这一过程常被用来结合几个技术,如图像和信号处理、模式识别和多媒体,人类和计算机之间的相互作用。这个过程通常被称为CBIR(基于内容的图像)领域的图像处理(12]。

一些阶段CBIR中包含的过程包括以下:(1)预处理的目的是确定一个对象,该对象将使用在提取阶段(2)特征提取是一个过程来获得新功能的形式模式、形状和纹理

2.3。形成一个二进制矩阵(二值化)

在这个阶段,将形成黑白图像将灰度图像转换成一个二进制图像。这个过程需要每个RGB值的平均值,像素值高于阈值,它将代表aswhite如果得到的像素值小于阈值时,它将呈现为黑色(13]。阈值过程用于确定图像中的灰度的程度并确定阈值。确定的过程这个阈值使用以下方程: 在哪里T=阈值,f展=最大像素值fmin =最小像素值。

2.4。特征选择

特征选择是一个过程,确定模式获取值图像字符形式特征值。分类使用特征值识别输入单位从输出单位,这样他们可以很容易区分对象。

2.5。分区方法

分区方法是一种特征提取方法可以将人物分成N×米从每个区区域。特征值进行计算的特征值米×N区。在分类过程中,引入分区产生适当的和有效的特征提取方法。分区可以用来计算白色像素值的数量在一个特定的区域;从分区过程获得的值将被用作一个值为输入向量。分区的结果过程矢量特性,可以在分类阶段,进入如图3(14]。

2.6。定义的LVQ(学习矢量量化)

LVQ分类方法,在监管层在竞争层可以进行培训。这一层能够自动给定的输入向量进行分类。一些输入向量权重密切;因此,权重将连接输入层和竞争层。竞争层产生的类连接到输出层的激活函数。LVQ网络的体系结构和几个输入层单元和单元的输出层图中可以看到4(16]。

图4解释说,值X1到X2输入值,这个值将用于训练过程和测试过程。W1,W2作为权重向量可以连接每个输入层与输出层。W1,Wn用于得到权向量的距离最小的重量从输入值的计算。E1,E2作为输出层代表几类D1,D2作为输出层的输出值的测试过程。

的一些优势LVQ如下(16,17]:(1)能够产生一个最小误差值(2)在分类,舞台可以总结大型数据集成小向量(3)可以做一个逐步更新的模型

LVQ的缺点如下:(1)确定所有属性的距离,必须使用一个精确的计算。(2)计算所需的初始化和参数确定LVQ模型的准确性。(3)有困难在确定向量的个数在新问题进入使用LVQ分类过程的方法,首先进行培训过程简化类搜索,以便它可以执行的过程介绍基于输出的输入模式。LVQ可以执行输入模式识别如果权重向量和输入向量之间的距离是近的。

2.7。培训和测试

在LVQ),有两个阶段的训练和测试如下:LQV训练算法和测试的人工神经网络用于训练和测试过程。初始输入值的重量X1到Xn向输出层,代表全班,最大时代(MaxEpoch),学习速率参数(α),减少学习速率(Decα),最小误差(Eps)决定。

在训练阶段,LVQ计算结果用于获取重量值,将存储和使用的测试阶段。在测试阶段,新的输入数据分类的值通过计算每个重量的输入和选择最小的距离两个权重已经存储。距离值最小的重量将代表输入图像中的类。

使用的数据是40个数据存储在h·亚当·马利克综合医院的医疗记录患者40到60岁男性60%,女性40%,所有的匿名。

2.8。输入大脑的图像

前的图像输入过程是进行图像分类过程。在这项研究中使用的图像数据是轴向片大脑从CT扫描获得的图像数据。所使用的图像是一个灰度图像测量512×512。

2.9。预处理

在预处理阶段,如图5几个阶段进行,方便下一个过程;包括灰度、二值化预处理阶段流程。阶段二值化,图像转换为灰度图的形式,然后,阈值将灰度图像转换成一个二进制的形式,已值1和0(白色和黑色)。在这个阶段,阈值用于确定在每幅图像的二进制值。如果由此产生的值大于阈值,像素值更改为白色;如果结果值小于阈值,像素的值将会变成黑色的。这是显示在图6。

2.10。特征提取

在接下来的过程中,经过预处理、特征提取步骤是由分区方法得到一个好的特性值在脑瘤的形象。此外,特征值获得的方法将使用LVQ分类学习矢量量化()方法。

分区是一个方法,可以分几个区域,每个区域会产生一个特征值通过计算最高的白色像素的数量。在这个阶段,图像大小为512×512将被分为8列和8行,得到64区,有64个特征值。下面的过程提取特征图中可以看到7可以看到,而分工的区域在图8。

分区的过程方法肿瘤CT脑图像如下:(1)白色像素的数量统计每个区域Z1到Z512年(2)这是确定哪些区域最多的白色像素(3)特征值(锌每个区)的计算Z1到Z512年

使用以下公式: 在1≤n≤512。

特征值(锌)是通过比较获得的白色像素的数量从一个区域的区域获得过程2号。分区方法计算的例子如下:(1)白色像素的数量在每个区域Z4 = 40,Z12 = 30,Z40 = 70,Z53 = 50(2)欧元区最高的白色像素的数量Z40 = 70(3)每个区包括特征值Z1 = 40/70 = 0.57Z12 = 30/70 = 0.42Z40 = 70/70 = 1Z53 = 50/70 = 0.71Z60 = 20/70 = 0.28

特征提取过程的分区方法将生产64功能的功能将被用作一个输入值在第二阶段,也就是使用LVQ分类过程,图中可以看到9。

2.11。分类

分类是一个训练过程和测试功能的价值产生了通过特征提取过程使用分区方法和分类学习矢量量化(LVQ)。在分类阶段,有两个过程,即训练过程和测试过程,训练过程是用来训练记忆学习矢量量化(LVQ)在测试过程中测试的价值功能,从来没有训练(15]。

2.12。培训过程

在训练阶段,LVQ算法将在64年接收过程输入值输入向量特征类中,然后,所有向量的向量来计算的距离代表类。

应用的过程算法学习矢量量化(LVQ)培训如下(18]:(1)初始过程LVQ算法的初始化阶段来确定初始重量,最大迭代,最小误差和学习速率。(2)输入和目标的输入值初始化。(3)下一步确定初始条件时代= 0和错误= 1。(4)当时代小于最大的时代,每个重量值计算,然后,最短的距离,重量设置值被设置。(5)下一步是更新权重值,如果目标类和重量是一样的在使用以下方程: (6)相同的计算是对每个输入重复使用更新后的重量。(7)输入的计算完成后,的价值α减少和α迭代,直到接近最大值。价值决定,这样的错误成为一个最小值。

2.13。系统测试和ROC分析

测试过程采用LVQ被训练识别测试数据,从未受过训练的。测试过程是一样的训练过程中,在分类计算每个重量输入和选择最接近的值之间的距离两个权重。当LVQ使用训练数据进行了测试,测试执行,看看LVQ发展经历的记忆培训过程,因为案件包括之前已经被研究过。

测试过程的结果的样本将调整列联表的敏感性,特异性,和列联表的准确性,可以看到在桌子上1。成功的概率的计算有四个可能性。四种可能如下:(1)如果医生诊断大脑肿瘤和形象积极图像分类识别的肿瘤,然后真阳性(TP)计算(2)如果医生诊断大脑肿瘤和形象的图像被列为负面发现的肿瘤,然后假阴性(FN)计算(3)如果医生诊断一个健康的大脑和大脑图像分类为负的,真阴性(TN)计算(4)如果医生诊断一个健康的大脑图像和图像划分为积极的,计算肿瘤为假阳性(FP)

2.14。形象准备

这一部分论述了大脑图像分类的过程,总计40图像。在培训过程中,10大脑图像确定为肿瘤,和10健康的大脑训练过程包括大脑被确定为肿瘤的图像,和10是正常的。图中显示大脑图像数据获得h·亚当·马利克总医院医疗记录的患者年龄在40年到60年。在这个阶段,它旨在显示测试过程学习矢量量化的结果。作者构建这个应用程序使用java编程。

CT图像数据用于支持本研究的发现可能会发布在应用神经学部门,亚当·马利克医院,棉兰,来华朝贡,先后,印度尼西亚,在伊丽娜可以联系的人。kemala usu.ac.id(在)。

2.15。规格图中显示的飞机使用

图中飞机使用规范如下:(1)品牌:通用电气光速16片CT(2)旋转:0.5秒(3)切片厚度:5毫米(4)Kv: 120千伏

3所示。结果与讨论

3.1。预处理

初始过程进行脑部肿瘤的分类通过图像的预处理阶段将被转换成黑白全球化过程之前。在这项研究中,128年使用一个阈值,确定阈值是用来获取图像中灰度值的脑部肿瘤。这个过程的结果图中可以看到10。

二进制图像后,下一步是使用分区特征提取方法。除了确定的值分区方法,特性也被用来确定肿瘤的位置。相同大小的几个区域的一个部门是为了得到执行的CT扫描结果脑肿瘤图像值。这个特征提取阶段的目的是要找到一个集合的特征在大脑的角色形象。

3.2。培训过程

形象培训流程使用数据的形式20脑CT扫描图像组成的10正常图像和可疑图像。脑CT扫描图像是512×512用于存储在本地硬盘大小,和分类过程使用一个人工神经网络LVQ(学习矢量量化)。培训可以看到图11训练数据,而从脑部CT图像中可以看到表2。

从表2,体重值在每个训练数据。重量值是在测试过程中使用的最终值,重量值从LVQ获得计算过程。让介绍图像的值通过计算每个重量的输入和选择距离最小的重量。距离值最小的重量将代表输入图像中的类。

3.3。图像测试过程

在测试阶段,20个图像输入数据被使用,组成10正常的大脑图像和疑似脑图像。显示应用程序的脑部肿瘤的分类分区使用学习向量量化图中可以看到12可以看到,测试的结果在表3。

从表3,data-12中的输入值显示图像的正常范畴,但系统显示了怀疑;这是因为学习矢量量化方法有一个弱点重量变化的敏感值。如果输入值的位置的形式特征值改变,体重值也会变化。

3.4。使用LVQ方法分类结果

测试数据的结果在脑肿瘤分类的应用程序是用学习矢量量化的方法获得的平均分类结果的85%,这样的结果准确性使用学习矢量量化可以计算通过使用以下方程:

得到准确的结果,有必要进行ROC基于LVQ分类结果的分析方法;LVQ方法的结果如表所示4。

本研究也有一些局限性。CT成像技术在重症监护室的使用非常有限现在由于放射线技师的存在的必要性分析和诊断的病人,有时在不定期的时间内。CT数据的可用性,因此,非常有限,尤其是在手册阅读作为金标准,研究流程图(图中解释5)。在这项研究中,只有20个图像从40数据图像用于训练,剩下的20个图像是用于测试目的。这种分裂的部分训练和测试应用为了得到证明的概念和在未来可以扩展。

4所示。结论

分区与学习矢量量化算法的结合可以提高计算的速度和分类正常和异常的大脑,平均精度为85%。最优识别的图像数据可以实现学习向量,因为它适用于医院的重症监护室。

量子化方法快速计算引入一个适当的字符,这样没有错误在测试数据。本研究发展的建议是比较学习矢量量化方法与支持向量机方法,以便它可以产生最好的方法分类的大脑图像。分区的使用和学习矢量量化方法可以应用于进一步研究通过添加方法来确定大脑图像异常的程度。

数据可用性

所有的脑部CT图像数据用于支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究是完全资助的研究,技术,和高等教育,印度尼西亚,通过意大利来华朝贡先后金融2019年基于合同编号。11 / E1 / KP。PTNBH / 2019日期为2019年3月29日。