论文部分内容阅读
核磁共振成像(MRI)是医学临床中常用的一种检查手段。MRI对脑部疾病的早期发现和治疗有很重要的作用。但是MRI是一种三维成像技术,图像中包含丰富的信息,需要专业的医生才能分析解读。人工分析不仅会消耗大量的时间,而且不可避免地会出现错误。随着计算机视觉和人工智能算法的发展,病脑自动检测技术的研究越来越受到关注。病脑自动检测系统可以根据人脑MRI图像快速自动地诊断识别脑部是否患病、患有哪种疾病,为医生提供一个参考意见,提高诊断正确率,减轻病人的痛苦。最近十年,许多学者提出了他们的病脑自动检测算法,推动技术的发展。本文提出一种新的基于人脑MRI的病脑自动检测算法。首先,本研究对MRI样本进行二重二维离散小波变换(DWT),再从得到的小波子带中提取7个香农熵,组成图像的特征向量,名为小波熵(WE)。本文选择单隐层网络作为分类器,并使用极限学习机(ELM)算法来训练网络。不同于传统的网络训练算法,ELM不需要进行迭代循环,通过随机赋值与广义逆矩阵的求解,便可以完成训练,因此收敛速度极快。最后,本文采用蝙蝠算法(BA)对ELM的参数进行优化,进一步提高诊断的泛化性能和鲁棒性。实验中,本文使用了从哈佛大学医学院网站上获取的132个人脑MRI样本对算法性能进行评估。本文所有实验数据都是通过10次10折交叉验证采集的。实验结果显示,本文提出的WE+BA-ELM病脑自动检测算法可以达到98.33%的正确率,99.04%的灵敏度,和93.89%的特异度。本文还将WE+BA-ELM与其他5种最新的病脑检测算法进行 了比较,包括:DWT+PCA+RBFNN、WE+RBFNN、WE+KELM、WE+OS-ELM 和 FRFE+MLP+ST-Jaya,发现WE+BA-ELM的分类性能最优。本文提出的WE+BA-ELM可以精确地进行病脑诊断,正确率达到先进水平。WE可以用一个7×1的特征向量来描述原始大小为256×256像素的MRI图像,减少内存占用的同时还降低了计算复杂度。作为一种群智能优化算法,BA可以有效地对解空间进行搜索,并跳出局部最优解,找到全局最优解,消除了随机参数的影响,提高了 ELM的鲁棒性。未来,本研究会结合深度学习算法对病脑检测进行研究,具体方向包括:对病脑具体所患的疾病种类进行识别诊断;对病脑的病灶进行精确定位。