国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

利用三維腦核磁共振圖像與RBF核支持向量機(jī)檢測人腦輕度認(rèn)知障礙

2015-03-11 03:49:18王水花張煜東楊建飛施建平
關(guān)鍵詞:張煜向量分類

王水花, 張煜東, 楊建飛, 施建平

(1.南京師范大學(xué) 計算機(jī)科學(xué)與技術(shù)學(xué)院,江蘇 南京 210023;2.南京大學(xué) 電子科學(xué)與工程學(xué)院,江蘇 南京 210046;3.江蘇省三維打印裝備與制造重點實驗室,江蘇 南京 210042)

0 引 言

阿爾茨海默病(Alzheimer disease,AD)是不可逆的神經(jīng)退行性疾病,目前無有效療法。隨著病程發(fā)展,AD患者病情逐漸惡化最終致死[1]。輕度認(rèn)知障礙(mild cognitive impairment,MCI)一般均視作AD的早期階段,第1年大約有12%的MCI患者轉(zhuǎn)化為AD,在第6年約80%的MCI患者轉(zhuǎn)化為AD。隨著我國社會的老齡化,及早發(fā)現(xiàn)MCI并給出早期診斷配合早期干預(yù),可降低AD患病率[2],提升老年人生活質(zhì)量[3]。

磁共振成像(magnetic resonance imaging,MRI)利用核磁共振原理,根據(jù)能量在不同物質(zhì)結(jié)構(gòu)中有不同的衰減,可通過外加梯度磁場檢測電磁波,從而描繪物體原子核的位置和種類,得到物體內(nèi)部的磁共振(magnetic resonance,MR)圖像[4-6]。目前,眾多學(xué)者陸續(xù)發(fā)現(xiàn) AD/MCI與腦的內(nèi)側(cè)顳葉、雙側(cè)海馬、杏仁核、內(nèi)嗅皮層、胼胝體、扣帶回等多個部位強相關(guān)[7-9],且其他部位亦可能與AD/MCI相關(guān)。因此,本文未選擇提取感興趣區(qū)域方法(region of interest,ROI),而是將整個三維腦MR圖像作為研究對象,保證信息的完整性。在技術(shù)上,通過50例MCI患者與50例正常對照組 (normal control group,NC)作為訓(xùn)練數(shù)據(jù),以支持向量機(jī)(support vector machine,SVM)作為模型,建立MCI的自動檢測器,從而實現(xiàn)AD的早期診斷。

由于三維腦數(shù)據(jù)量過大,采用主成分分析(principal component analysis,PCA)方法降低特征維數(shù),從而減輕后續(xù)計算量。提取的主成分(principal component,PC)表征了受退行性疾病影響的腦內(nèi)回路的自然屬性[10]。另外,將核技術(shù)引入SVM中,即采用核支持向量機(jī)(kernel support vector machine,kSVM)作為MCI與NC的二分類器,以在NC中檢測出MCI。同時為了增強檢測器的泛化性能,采用K折交叉驗證方法[11]。

1 數(shù)據(jù)獲取與預(yù)處理

本研究所用數(shù)據(jù)來源于互聯(lián)網(wǎng)上的公開數(shù)據(jù)庫Open Access Series of Imaging Studies(OASIS)(P50AG05681,P01AG03991,R01AG021910,P50 MH071616,U24RR021382,R01MH56584))[12-13]。該數(shù)據(jù)庫包含從18歲到96歲的NC/MCI/AD案例。從中選擇了50例NC與50例MCI患者。其中,NC與MCI的50例患者中,男女患者各為25例;NC的年齡范圍73.18±8.15,MCI患者的年齡范圍為74.57±6.64;NC的臨床失智評估為0,MCI為0.5;每個樣本均有獨立掃描的3或4次T1加權(quán)MR圖像。所有樣本均為右利手。

1.1 三維腦MR圖像及預(yù)處理

對每個樣本,所有的獨立掃描,均需經(jīng)過運動校正并配準(zhǔn)后,得到一幅均方平均的三維圖像。隨后,該三維圖像空間規(guī)范化至Talairach坐標(biāo)空間,并去除非腦部分。最后,所有圖像分割并平滑[14-15],得到一幅4灰度的三維圖像:0表示背景,1表示腦脊液,2表示灰質(zhì),3表示白質(zhì)[16]。

1.2 目標(biāo)數(shù)據(jù)

臨床失智評估(Clinical Dementia Rating,CDR)作為目標(biāo)數(shù)據(jù)。CDR是一項量化癡呆癥狀的標(biāo)準(zhǔn)[17],通過6個不同項目來評估患者的認(rèn)知與機(jī)能表現(xiàn),包括記憶、定向、判斷與問題解決能力、社區(qū)活動能力、家居愛好、自我護(hù)理等。本研究按照慣例,將CDR為0視作NC,CDR為0.5視作 MCI[18-19]。

2 算法流程

2.1 主成分分析

主成分分析是將原來的具有一定相關(guān)性的P個特征,重新組合成一組新的互相無關(guān)的綜合指標(biāo),以代替原來的指標(biāo)。PCA是一種有效的特征壓縮技術(shù),它能減少高維向量中的互相關(guān)成分,輸出一個只有很低維數(shù)且保持原信息的向量[20]。

過程如下:首先選擇新特征F1,即原始特征集合的第1個線性組合,計算其方差,記為Var(F1)。若其值越大,則表示新特征F1包含的信息越多。在所有的線性組合中選取的F1應(yīng)是方差最大的,故稱F1為第1主成分。若第1主成分不足以代表原來P個指標(biāo)的信息,再考慮選取F2,即選原始特征集的第2個線性組合。為有效反映原始信息,F(xiàn)1已有的信息就無需出現(xiàn)在F2中,即F1與F2必須滿足Cov(F1,F(xiàn)2)=0,則稱F2為第2主成分,依此類推可以構(gòu)造出第3、第4,…,直至第P 個主成分[21]。

2.2 支持向量機(jī)

SVM在解決小樣本、非線性的高維函數(shù)擬合與模式識別中表現(xiàn)出許多特有優(yōu)勢[22]。假設(shè)樣本集為{(xw,yn)|xn∈Rρ,yn∈{-1,+1}},n=1,…,N。其中,yn為輸出,對應(yīng)二分類問題;xn為輸入,是一p維矢量。假設(shè)在p維空間中存在一個超平面,可最大邊距分割為2類,該超平面可表示為:

需要選擇合適的w與b,使得:

實際中,由于范數(shù)運算涉及平方根運算,在不改變結(jié)果的前提下,(2)式可化為:

(3)式為二次規(guī)劃優(yōu)化問題,可用Lagrange乘子與標(biāo)準(zhǔn)二次規(guī)劃算法求解[23]。

2.3 核支持向量機(jī)

由于實際中的樣本數(shù)據(jù)具有非線性特征,2類樣本容易彼此糾纏在一起,此時超平面無法完美分類??蓪⑤斎胂蛄縳映射至高維向量空間Φ(x),從而使得2類樣本在更高維空間Φ(x)中分開。對于一般的多維輸入問題,難以事先確定映射x→Φ(x),為此引入核函數(shù):

Mercer定理證明了滿足Mercer條件的核函數(shù)能對應(yīng)于某一變換空間的內(nèi)積。

Mercer定理 令X是Rn上的一個緊集,K是X×X上的連續(xù)實值對稱函數(shù),則積分算子Tk半正定等價于K(·,·),可表示為X×X上的一致收斂序列,即(6)式。

其中,λi>0為Tk的特征值;φi(x)為對應(yīng)于λi的特征函數(shù);L2為二次可積函數(shù)空間。滿足 Mercer定理的核函數(shù)成為Mercer核[24]。由于RBF核具有優(yōu)秀的性能,目前已被廣泛應(yīng)用,因此本文選擇 RBF核[25]。

2.4 K折交叉驗證

如果訓(xùn)練集本身同時作為驗證集,則估計誤差是“樣本內(nèi)(in-sample)”誤差,無法反映模型對新的樣本的分類能力。為此,選擇交叉驗證方法,可估計“樣本間(out-of-sample)”誤差。K折交叉驗證將訓(xùn)練樣本平分為K個子集,使用其中K-1個子集進(jìn)行訓(xùn)練,剩下的單個子集作為測試。依此輪流,可得對K個子集分別進(jìn)行驗證的K個分類結(jié)果,綜合可得模型在整個樣本集上的分類結(jié)果。默認(rèn)情況下,K值為10。

K值一般不做優(yōu)化,有研究者將K在指定范圍(如3~20)內(nèi)變化,選擇分類器最小誤差所對應(yīng)的值為K值。事實上該法欠妥,這樣得到的結(jié)果無法反映模型本身的樣本間誤差[26]。

2.5 算法流程

本文算法流程如圖1所示。

圖1 本文方法流程圖

算法步驟如下:

(1)特征提取。對選擇的100例腦三維MR圖像通過PCA提取主成分,CDR作為目標(biāo)數(shù)據(jù)。

(2)K折交叉驗證。模型設(shè)置為RBF-kSVM,記錄每次的混淆矩陣。

(3)匯總樣本間誤差,以更準(zhǔn)確地評估模型性能。

3 實驗與討論

編程語言采用 Matlab2013a,在主頻為3GHz、CPU為Intel Core i3、內(nèi)存為2GB的HP Pavilion g6筆記本電腦上運行。

實驗程序可在任意一臺安裝Matlab的電腦上運行。

預(yù)處理的過程與結(jié)果如圖2所示。圖2b為經(jīng)過腦圖配準(zhǔn)與均方平均后的結(jié)果;圖2c為取腦掩模,即去除非腦部分后的結(jié)果;圖2d為分割結(jié)果。

圖2 三維腦MR圖像及其預(yù)處理

3.1 主成分分析

三維腦MR子圖像的PCA結(jié)果如圖3所示。選擇前90個主成分,相比于原始三維圖像的維數(shù)176×208×176=6 443 008,這90個PC僅占用90/6 443 008=1.397×10-5的特征,就可覆蓋98.406 1%的總方差。

圖3 三維腦MR圖像PCA結(jié)果

3.2 十折交叉驗證

選擇十折交叉驗證,將原始數(shù)據(jù)分為10折,每次選擇9折為訓(xùn)練集,剩余1折為驗證集。采用了分層(stratification)思想,即每折中 MCI與NC的分布為5/5,每折總患者數(shù)目為10。匯總所有折次的混淆矩陣結(jié)果,求和后即得到整體混淆矩陣。

3.3 模型比較

選擇 RBF-kSVM[27-28]作為本文模型,參數(shù)σ設(shè)為1.1,具體過程見3.5節(jié)。與前向神經(jīng)網(wǎng)絡(luò)(forward neural network,F(xiàn)NN)、決 策 樹 (decision tree,DT)、SVM、齊次多項式kSVM(homogeneous polynomial kSVM,HP-kSVM)、非齊次多項式 kSVM(inhomogeneous polynomial kSVM,IHP-kSVM)作比較。參數(shù)均通過試錯法選擇最優(yōu)參數(shù)。模型結(jié)果比較見表1所列。

表1 模型結(jié)果比較 %

由表1可知,RBF-kSVM敏感度為84%,遠(yuǎn)遠(yuǎn)高于其他方法,這表明該方法漏診率遠(yuǎn)遠(yuǎn)低于其他方法。盡管RBF-kSVM方法的特異度78%稍低,導(dǎo)致稍高的誤診率,但即使NC被誤診為MCI,后續(xù)可選擇其余輔助手段(如MMSE問卷評估等)進(jìn)一步確診。

3.4 運行時間分析

本文算法的每個步驟運行時間如下:預(yù)處理消耗時間最長,達(dá)到45min,原因是原始數(shù)據(jù)量較大,為48GB;PCA耗時35s;模型訓(xùn)練耗時2.1s;分類耗時0.1s。在實際臨床診斷中,由于分類器均事先設(shè)置好,所以對新病人僅需耗時0.1s即可完成自動輔助診斷。

對比別的算法發(fā)現(xiàn),分類器的訓(xùn)練,F(xiàn)NN耗時最長,為35.7s;DT次之,為11.2s;SVM 與3類kSVM耗時接近,均在2.0s左右。這是因為FNN訓(xùn)練的反向傳播(back-propagation,BP)算法速度較慢,而用于SVM訓(xùn)練的序列最小優(yōu)化算法(sequential minimal optimization,SMO)速度較快。

3.5 參數(shù)分析

如何設(shè)置模型的參數(shù)σ是一個難題。本文將σ的范圍從0.1至2.5逐步改變,步長設(shè)為0.1,考察十折交叉驗證結(jié)果的準(zhǔn)確度,選擇最優(yōu)準(zhǔn)確度所對應(yīng)的σ。

圖4顯示了這一過程,當(dāng)σ=1.1時,對應(yīng)得到最佳準(zhǔn)確度,由此可以確定σ=1.1對應(yīng)的RBF-kSVM模型最佳。若數(shù)據(jù)集改變或者擴(kuò)大,該參數(shù)可能需要微調(diào)。

圖4 確定最優(yōu)σ的值

4 結(jié)束語

本文提出了一種基于RBF-kSVM的MCI檢測系統(tǒng),該系統(tǒng)首先讀取三維腦MR圖像并預(yù)處理,其次通過PCA降低特征維數(shù),隨后采用RBF的核支持向量機(jī)作為分類模型。十折交叉驗證顯示該系統(tǒng)的敏感度為84%、特異度為78%、準(zhǔn)確度為81%,優(yōu)于現(xiàn)行的其他方法。

今后的研究方向主要是:① 在預(yù)處理過程中加入圖像去噪、圖像復(fù)原[29]、圖像增強[30]等步驟,以增強圖像信噪比;② 嘗試運用其他分類與檢測方法,如深度學(xué)習(xí)、集成學(xué)習(xí)等;③ 考慮AD患者的檢測,將二分類問題擴(kuò)展至三分類問題;④ 通過各種途徑獲得更多樣本案例,以進(jìn)一步檢驗算法的可靠性。

[1] Hahn K,Myers N,Prigarin S,et.al.Selectively and progressively disrupted structural connectivity of functional brain networks in Alzheimer's disease:revealed by a novel framework to analyze edge distributions of networks detecting disruptions with strong statistical evidence[J].Neuro-Image,2013,81:96-109.

[2] 李 昕,童隆正,周曉霞,等.基于MR圖像三維紋理特征的阿爾茨海默病和輕度認(rèn)知障礙的分類 [J].中國醫(yī)學(xué)影像技術(shù),2011,27(5):1047-1051.

[3] Alexander G E,Bergfield K L,Chen K,et.al.Gray matter network associated with risk for Alzheimer's disease in young to middle-aged adults[J].Neurobiology of Aging,2012,33(12):2723-2732.

[4] Brookes M J,Vrba J,Mullinger K J,et.al.Source localisation in concurrent EEG/fMRI:applications at 7T [J].NeuroImage,2009,45(2):440-452.

[5] Zhang Y,Wang S,Ji G,et.al.Genetic pattern search and its application to brain image classification [J].Mathematical Problems in Engineering,2013,2013:580876.http://dx.doi.org/10.1155/2013/580876.

[6] Zhang Y,Wang S,Ji G,et.al.An MR brain images classifier system via particle swarm optimization and kernel support vector machine [J].The Scientific World Journal,2013,2013.doi:10.1155/2013/130134.

[7] Kubota T,Ushijima Y,Nishimura T.A region-of-interest(ROI)template for three-dimensional stereotactic surface projection(3D-SSP)images:initial application to analysis of Alzheimer disease and mild cognitive impairment[J].International Congress Series,2006,1290:128-134.

[8] Pennanen C,Kivipelto M,Tuomainen S,et.al.Hippocampus and entorhinal cortex in mild cognitive impairment and early AD [J].Neurobiology of Aging,2004,25(3):303-310.

[9] López M M,Ramírez J,Górriz J M,et.al.SVM-based CAD system for early detection of the Alzheimer's disease using kernel PCA and LDA [J].Neuroscience Letters,2009,464(3):233-238.

[10] Wang S,Dong Z.Classification of alzheimer disease based on structural magnetic resonance imaging by kernel support vector machine decision tree[J].Progress in Electromagnetics Research,2014,144:171-184.

[11] 張煜東,吳樂南,王水花.專家系統(tǒng)發(fā)展綜述 [J].計算機(jī)工程與應(yīng)用,2010,46(19):43-47.

[12] Ardekani B A,F(xiàn)igarsky K,Sidtis J J.Sexual dimorphism in the human corpus callosum:an MRI study using the OASIS brain database [J].Cerebral Cortex,2012.doi:10.1093/cercor/bhs253.

[13] Ardekani B A,Bachman A H,F(xiàn)igarsky K,et.al.Corpus callosum shape changes in early Alzheimer's disease:an MRI study using the OASIS brain database [J].Brain Structure and Function,2014,219(1):343-352.

[14] 張煜東,吳樂南,韋 耿.基于粒子群神經(jīng)網(wǎng)絡(luò)的細(xì)胞圖像分割方 法 [J].電 子 測 量 與 儀 器 學(xué) 報,2009,23(7):56-62.

[15] 張煜東,吳樂南,韋 耿.基于PCNN的改進(jìn)Split-merge圖像分割 [J].數(shù)據(jù)采集與處理,2010,25(3):353-357.

[16] Jacova C,Schulzer M,Money J,et.al.Cross-sectional validation of a new instrument for the measurement of treatment response:the Clinical Meaningfulness in Alzheimer Disease Treatment(CLIMAT)scale[J].Alzheimer's and Dementia,2009,5(4):184.

[17] Williams M M,Storandt M,Roe C M,et.al.Progression of Alzheimer’s disease as measured by Clinical Dementia Rating Sum of Boxes scores[J].Alzheimer's & Dementia,2013,9(1):S39-S44.

[18] Marcus D S,Wang T H,Parker J,et.al.Open access series of imaging studies(OASIS):cross-sectional MRI data in young,middle aged,nondemented,and demented older adults[J].Journal of Cognitive Neuroscience,2007,19(9):1498-1507.

[19] Melissant C,Ypma A,F(xiàn)rietman E E E,et.al.A method for detection of Alzheimer's disease using ICA-enhanced EEG measurements [J].Artificial Intelligence in Medicine,2005,33(3):209-222.

[20] 張煜東,吳樂南,吳含前.工程優(yōu)化問題中神經(jīng)網(wǎng)絡(luò)與進(jìn)化算法的比較 [J].計算機(jī)工程與應(yīng)用,2009(3):1-6.

[21] 汪海波.特征提取與主成份分析的合成孔徑雷達(dá)圖像的分類方法研究 [J].計算機(jī)應(yīng)用與軟件,2012,29(12):298-301.

[22] De Brabanter K,Karsmakers P,De Brabanter J,et.al.Confidence bands for least squares support vector machine classifiers:a regression approach[J].Pattern Recognition,2012,45(6):2280-2287.

[23] Ortiz A,Górriz J M,Ramírez J,et.al.LVQ-SVM based CAD tool applied to structural MRI for the diagnosis of the Alzheimer’s disease[J].Pattern Recognition Letters,2013,34(14):1725-1733.

[24] 涂 歆,嚴(yán)洪森.基于擴(kuò)展的徑向基函數(shù)核支持向量機(jī)的產(chǎn)品銷售預(yù)測模型 [J].計算機(jī)集成制造系統(tǒng),2013,19(6):1343-1350.

[25] 張煜東,朱 慶,王水花,等.一種徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的參數(shù)求解方法 [J].計算機(jī)測量與控制,2010,18(12):2812-2814.

[26] 張煜東,霍元鎧,吳樂南,等.降維技術(shù)與方法綜述 [J].四川兵工學(xué)報,2010,31(10):1-7.

[27] 李 琪,盧榮勝,陳 成.基于1-分類支持向量機(jī)的機(jī)器視覺缺陷分類方法 [J].合肥工業(yè)大學(xué)學(xué)報:自然科學(xué)版,2012,35(10):1311-1315.

[28] 畢衛(wèi)華,譚曉慧,王 偉,等.RBFN及SVM在邊坡穩(wěn)定可靠度分析中的應(yīng)用 [J].合肥工業(yè)大學(xué)學(xué)報:自然科學(xué)版,2011,34(7):1035-1039.

[29] 張煜東,吳樂南.用改進(jìn)的Paik型Boltzmann機(jī)實現(xiàn)圖像復(fù)原 [J].光學(xué)精密工程,2009,17(7):1737-1744.

[30] 張煜東,吳樂南,李銅川,等.基于PCNN的圖像直方圖均衡化增強 [J].東南大學(xué)學(xué)報:自然科學(xué)版,2010,40(1):64-68.

猜你喜歡
張煜向量分類
Distributed dynamic event-based finite-time dissipative synchronization control for semi-Markov switched fuzzy cyber-physical systems against random packet losses
老家的院子和池塘
向量的分解
分類算一算
江門市新會區(qū)大鰲鎮(zhèn)特沙小學(xué)作品集
ViVi美眉(2021年12期)2021-05-30 10:48:04
聚焦“向量與三角”創(chuàng)新題
分類討論求坐標(biāo)
“貪玩”的老媽
數(shù)據(jù)分析中的分類討論
教你一招:數(shù)的分類
404 Not Found

404 Not Found


nginx
沧州市| 阿勒泰市| 吴旗县| 南安市| 神池县| 昭觉县| 旌德县| 盐山县| 齐河县| 阜新| 崇明县| 和平县| 云龙县| 张北县| 邯郸市| 海淀区| 汉沽区| 鞍山市| 鄂尔多斯市| 南康市| 丰原市| 丽江市| 祁东县| 建昌县| 八宿县| 东平县| 突泉县| 永昌县| 宁明县| 道真| 涡阳县| 元谋县| 沙洋县| 富平县| 富阳市| 安宁市| 商都县| 汽车| 丹凤县| 丰原市| 沈丘县|