研究文章|开放获取
Manu Mital拉Pidaparti, ”乳腺肿瘤使用进化算法仿真和参数估计”,建模和模拟在工程, 卷。2008年, 文章的ID756436年, 6 页面, 2008年。 https://doi.org/10.1155/2008/756436
乳腺肿瘤使用进化算法仿真和参数估计
文摘
给出了估计方法来确定使用表面温度剖面的乳腺肿瘤参数可能获得的红外温度记录。估计方法包括进化算法利用人工神经网络(ANN)和遗传算法(GA)。安用于肿瘤的关系映射参数(深度、大小和热代)理想化的乳房的温度曲线模型。从安的关系相比,通过有限元软件。安培训/测试结果与有限元模型吻合良好。安验证后,遗传算法用于估计肿瘤参数通过最小化一个适应度函数涉及比较温度资料从模拟或临床数据获得的安。结果表明,可以确定深度、直径和热生成率从表面温度数据随机噪声(5%)2 d模型具有良好的精度。有10%的噪音,估计深部肿瘤恶化的准确性较低热量的一代。为了进一步发展这种方法用于临床场景,几个方面如乳房3 d几何和非均匀冷却的影响,应该考虑在未来的调查。
1。介绍
乳腺癌,这是常见的女性,是一个国际问题。每年约有200 000例,据估计,有超过100万名妇女和未被发现的乳腺癌。在各种技术检测乳腺癌、红外(IR)成像自1950年代末以来,得到了广泛的应用。一般来说,人体表面的温度取决于皮肤代谢活动,血液流动,周围环境的温度。组织中的任何异常,如肿瘤的存在,改变了正常的皮肤表面温度将增加肿瘤的代谢活动。因此,皮肤温度异常概要文件是乳腺炎等疾病的迹象,良性肿瘤,乳腺纤维囊性乳腺疾病和癌症。劳森(1)是第一个提出使用thermographic检测乳腺癌的,当他发现皮肤肿瘤的局部温度(约2 - 3度)均明显高于正常皮肤的温度。罗森和Chughtai [2)建立区域温差在嵌入式肿瘤是由于对流效应与血液灌注增加有关,肿瘤和提高新陈代谢。
温度记录,也被称为热或红外成像,是一个程序来确定异常存在于乳房组织表面温度分布。这温度分布的异常可能表明嵌入式肿瘤的存在。Amalu [3)和Keyserlingk et al。4)回顾了红外测温术的作用对红外成像的作用在乳腺癌的检测和风险指标。他们(3,4)得出的结论是,红外成像的一个重要的角色在乳腺癌筛查图像由于其能力乳腺癌和代谢方面的敏感性,特异性和预测。乳腺癌的红外成像技术的进一步的方面,从红外图像检测方法详细描述和编译在最近出版的一本由Diakides和布龙齐诺的5]。
为了补充乳腺肿瘤检测的红外成像技术,提出了模型估计温度分布在乳房有无肿瘤。例如,苏达山等。6]研究了温度分布在乳腺癌通过考虑一个二维模型首次提出由Romrel和乏味7]。在这个模型中,人们bioheat方程用来描述热能的流动。乳房模型由一个皮下脂肪层,其次是腺体层和深胸壁肌肉层相邻。使用这个模型中,肿瘤大小的影响,深度,表面温度上的血液灌注率大小和配置文件确定。进化算法,提出了基于神经网络和遗传算法来检测异常在多个应用程序(如心电图、x线断层摄影术,超声波);见,例如,Diakides和布龙齐诺[5]。最近,Mital和斯科特(8)开发了一种方法来确定参数的嵌入式热源代表肿瘤使用红外成像。看来,根据文献没有方法可用来估计肿瘤参数的基础上,从红外成像技术获得的温度分布。
本研究的目的是开发一个方法来估计深度、大小、和热生成率嵌入式肿瘤在乳房,基于表面温度曲线可以通过红外温度记录。本研究与乳腺癌相关的其他作品的不同之处在于,逆方法用于估计方法。演示的方法是用一个简单的模型来说明所涉及的程序的细节。几例各种嵌入式肿瘤条件提出来说明该方法的通用性。
2。评估方法和程序
估计方法包括进化算法利用人工神经网络(ANN)和遗传算法(GA),如图1。安用于地图肿瘤深度的关系,肿瘤大小,和热生成理想化的乳房的温度曲线模型。从安的关系进行比较和验证,得到标准数值模型有限元分析软件(ANSYS)。遗传算法被用来估计肿瘤参数(深度、大小和热代)通过最小化一个适应度函数涉及温度资料获得模拟或临床数据获得的安。适应度函数是作为广场的功能和相关的数据观察thermographic温度曲线为一个给定的温度剖面估计参数集。它被定义为
在哪里Y和T分别包含观察和估计温度向量,和上标T表示矢量的转置。观察到的温度向量Y包含表面温度,将获得从热成像实验。中包含的估计温度向量T得到的输出训练使用估计未知参数的神经网络模型(从吗人口池的GA)。向量含有未知参数的估计是用。在这项研究中,未知参数向量包含的深度、直径和源的热生成率。一旦目标函数制定,评估方案使用遗传算法被用来确定未知参数。
3所示。人工神经网络模型映射乳房的温度变化情况
一个多层前馈神经网络反向传播学习算法开发代表表面温度的乳房深度的函数,直径和热生成率的肿瘤。网络开发与MATLAB神经网络工具箱使用“newff”功能。学习速率是设置合理低0.05来保证算法的收敛。有许多在MATLAB软件转移函数可用。经过几次试验,“logsig”传递函数被选中隐藏层和输出神经元,由于自然所需的输出。一个网络的示意图如图2。三个参数的网络有三个输入节点,和31个输出节点定义一个对称的一半在皮肤表面温度曲线。有两个隐藏层网络中,以21个节点的第一个,第二个有19个节点。这个配置了几单隐层网络的迭代后证明给不到足够的结果。两层嵌套很深的循环使用穷举搜索的不同神经元的数量在第一和第二个隐藏层,并找到适当的组合(21-19)最好的训练网络。因此,3-21-19-31神经网络架构开发和训练和测试来验证模型。关于神经网络及其概念的更多细节可以在罗素和Norvig [9]。
在这项研究中,一个简化的二维截面的模型使用的乳房类似Sudershan et al。6被认为是,如图3。的人们bioheat方程必须解决估计乳房的温度分布模型。由于乳房几何形状的复杂性,没有已知的bioheat方程解析解。因此,获得的解决方案通常是使用有限元法等计算技术。创建有限元模型使用商用有限元软件包,ANSYS,解决了人们bioheat方程发现表面温度,和这些信息用于培训/验证ANN模型。在这项研究中,乳房被假定为半径0.072米的半球形形状,皮下脂肪层0.005米的均匀厚度,其次是腺,肌肉,和胸壁。肿瘤位于腺体层中的对称和简单认为是圆的形状。注意,整个乳房是建模,即使2 d几何是对称的Y轴。这是为未来的研究做了一个离心肿瘤位置可能被考虑。每一层的传热是由(1)。导热系数的值,代谢热生成率,和每一层的灌注源项,采用从维尔纳和Buse [10),展示在表1。胸壁被认为是维持在一个恒定的体温37°c .基于估计奥斯曼和Afify11),乳房表面受到总传热系数(对流、辐射和蒸发)为13.5- k,一个合理的价值没有强制对流。临床环境下thermographic测量是由被认为是在一个恒温的21°C。
|
||||||||||||||||||||||||||||||||
使用有限元分析的模型,共有17个不同情况下进行了分析和用于训练安。比例在0和1之间使用的输入参数为每个参数的上界和下界。肿瘤是允许不同的直径0.005和0.015米,这样就在乳腺区域。深度的范围是0.014和0.041 m(基于假设肿瘤最有可能出现在腺)。上下边界对肿瘤的热生成率(14000 W / m的20倍3(70000 W / m)和100倍3正常组织的)。网络的输出表面温度是按比例缩小的值在0和1之间,使用一个26的下限°C和33的上限°c . 400时代的网络训练或培训周期使用数据生成的有限元分析结果。三种不同的情况下被用于验证训练网络。
4所示。遗传算法参数估计在乳腺肿瘤
在遗传算法的实现,潜在的解决方案(染色体)包含的深度、直径和肿瘤热生成率为3基因和10位是用来代表的价值基因在二进制格式。因此,每个染色体有30位。的人口尺寸已经被选为20。最初的人口池使用随机数生成器生成。
中包含的参数染色体从他们的二进制表示浮点表示使用(的我th参数)在哪里P我的十进制值吗我th参数,一个和b上下极限的搜索区间,分别注是用于表示参数的比特数(例如,10在这种情况下),然后呢米的十进制值参数以二进制形式。下限一个和上限b为每个前面提到的三个参数。
的健身每一个染色体评估使用的平方和的目标函数(2)。的健身f的染色体相关的平方和函数使用在哪里任意选择的是10所以它总是大于最大值的平方和,然后呢年代的平方和生成使用一组参数(染色体)。
的健身确定每个参数组(染色体),然后排名。染色体更高的健身更有可能选择的复制和贡献他们的遗传物质到下一个吗一代。的概率突变(随机变化的染色体)0.10的概率交叉(形成孩子们)= 0.90被用于确定如何的成员人口会带来下一个繁殖一代。解决方案的流程图方法呈现在图4。关于遗传算法程序和应用程序的更多细节可以在戈德堡(12和戴维斯13]。
(一)
(b)
几例模拟以验证的能力估计过程准确预测深度、大小和热生成率的嵌入肿瘤。对于每一个参数集,2分的遗传算法进行噪声通过引入5%和10%在仿真数据预测乳腺肿瘤的敏感性参数。
5。结果与讨论
一个收敛的神经网络的均方误差输出在训练如图5。一般来说,从安训练获得的结果是在良好的协议与有限元分析模型。安训练后,网络验证了三种不同的情况下,如图6。从图可以看出6对于每个验证情况,神经网络模型的输出与仿真结果显示了很好的一致性值为0.936、0.982和0.988,分别。安进一步验证结果,温度资料获得某一特定情况下的3(深度0.029米,直径0.008米,和热代30000 W / m3与有限元相比)和ANN模型如图7。再一次比较好。
(一)
(b)
参数估计的深度、直径和热生成率的肿瘤4例,随机噪声对应于5%和10%在皮肤表面的温度上升,呈现在表2和3,分别。MATLAB建立在功能”兰德”是用于生成随机噪声在皮肤表面的温度上升。对于每一个情况下,遗传算法运行两次不同的随机初始种群产生相似的结果。有5%的随机噪声,结果表明好的协议实际和预测参数。在这种情况下,绝对误差在深度和大小在0.001 m,在热生成率和绝对错误在3000 W / m3。有10%的噪音,估计参数的准确性的深层肿瘤恶化热生成率较低。在这种情况下,绝对误差在深度0.005米内,误差大小在0.002 m,在热生成率在4870 W / m3。
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
6。结论
估计methodology-based进化算法开发了利用神经网络和遗传算法来估计乳腺肿瘤参数基于表面温度剖面,可以通过红外温度记录。演示的方法是用一个简单的模型来说明所涉及的程序的细节。为案例研究,仿真结果表明,可以确定深度、直径和热生成率从表面温度数据随机噪声(5%)简化二维模型具有良好的精度。有10%的噪音,估计参数的准确性恶化为深部肿瘤热生成率较低。与红外图像的准确性的最新进展和降噪技术,它可能会减少噪音在可接受的水平(5%)的方法是有效的。一般来说,乳房形状复杂,这对于现实的研究应该考虑。然而,评估方法一般,甚至可以应用到现实的乳房几何。这可能会增加计算时间,但可以很容易地扩展的方法。为了进一步发展提出的方法,可用于临床的情况下,乳房等几个方面复杂的3 d几何和非均匀冷却的影响,应该考虑在未来的调查。
引用
- r·n·劳森”影响的表面温度在乳腺癌的诊断,“加拿大医学协会期刊,卷75,不。4、309 - 310年,1956页。视图:谷歌学术搜索
- r·n·劳森和m . s . Chughtai乳腺癌和体温。”加拿大医学协会期刊卷,88年,第70 - 68页,1963年。视图:谷歌学术搜索
- w . c . Amalu“乳房温度记录的审查,”2003年,国际学院临床热学。视图:谷歌学术搜索
- p . j . Keyserlingk Ahlgren,大肠,n . Belliveau和m .信息”功能红外成像的乳房,“IEEE,生物医学工程杂志,19卷,不。3,30-41,2000页。视图:出版商的网站|谷歌学术搜索
- n . a . Diakides和j . d .布龙齐诺的医学红外成像美国佛罗里达州,CRC出版社,波卡拉顿,2007。
- n·m·苏达山,e . y . k . Ng, s . i格兰”表面温度分布的乳房没有肿瘤,”计算机在生物力学和生物医学工程的方法,卷2,不。3、187 - 199年,1995页。视图:出版商的网站|谷歌学术搜索
- l . j . Romrell k . i平淡,“解剖乳房、腋窝、胸壁和转移相关的网站,”乳房:一个全面管理的良性和恶性疾病桑德斯,p。22日,费城,宾夕法尼亚州,美国,1991年。视图:谷歌学术搜索
- m . Mital e·p·斯科特,“热使用红外成像检测嵌入肿瘤,”生物力学工程杂志,卷129,不。1,33-39,2007页。视图:出版商的网站|谷歌学术搜索
- p . Russell和p . Norvig人工智能:一种现代方法普伦蒂斯霍尔,上台北,美国,1995年。
- j·沃纳和m . Buse温度剖面不均匀性和人体的几何,”应用生理学杂志,卷65,不。3、1110 - 1118年,1988页。视图:谷歌学术搜索
- m·m·奥斯曼和e . m . Afify”热建模的正常女人的乳房,“生物力学工程杂志,卷106,不。2、123 - 130年,1984页。视图:谷歌学术搜索
- d·e·戈德堡遗传算法在搜索、优化和机器学习美国,addison - wesley,阅读,质量,1989年。
- l·戴维斯手册的遗传算法Van Nostrand Reinhold,纽约,纽约,美国,1991年。
版权
版权©2008马努Mital和m . Pidaparti拉。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。