基于红外热成像技术与BP神经网络的心肌缺血预诊断方法研究 下载: 1365次封面文章
1 引言
医学上,心肌缺血(MI)是多种复杂心脏疾病的基础性疾病,多见于冠脉病领域。早期心肌缺血患者察觉不到身体状态异常,但若不及早发现和干预,很可能错过心脏疾病的最佳治疗时间,使病情恶化。随着医学技术的进步以及国内外研究人员对心肌缺血的深入探索,心肌缺血诊断技术日趋完善,尤其是冠状动脉造影、血管超声、双源电子计算机断层扫描(CT)以及磁共振成像(MRI)等先进技术的问世,对心肌缺血的诊断更加准确,其中三维血管超声可判定缺血心肌节段的分布范围,能够更加精准定位缺血部位。但是这些技术存在高消费、强辐射或有创等弊端,令其在临床体检中的应用受到约束,患者需要承担的压力以及风险极大,此外,这些诊断技术局限在心脏疾病发作期才能做出客观诊断,因此,一种客观、准确、无创、无辐射、低消费以及发病前期预警的诊断设备是心肌缺血领域极其需要的。
凌婷婷等[1]将心电图采集的ST段偏移信息按心脏结构多项量成像数学模型合成三维图像,辅助心肌缺血诊断;Ruzsics等[2]通过断层扫描心肌灌注成像的方法来查找局部缺血的冠状动脉,更为精准地定位到缺血位置;Weininger等[3]通过负荷动态CT对全心灌注成像,从而更进一步推进了心肌缺血的诊断技术。这些诊断方法操作复杂,在临床体检中很难应用,且依然局限在心肌缺血已发病人群中,错过患者的最佳治疗时间。
医用红外热成像技术(MITI)由于其无创、无辐射等优势被称作“热CT”,近年来其在国内外的发展呈现递增趋势,其工作原理是采集人体皮肤表面辐射出的红外信号,经去噪、归一化、伪彩色等处理,把温度场转换成二维彩色图像,医务人员可全局性观测人体温度的分布特性。而皮肤表面的温度分布是深层组织器官代谢向外辐射出热能的结果,也是代谢功能的热表达,因此,MITI与其他结构性检查设备的区别在于其是功能性检查。
健康人群人体表皮温度分布呈左右对称性[4-5]。当人体肌肉、神经、血管等存在异常时,导致血流散热失衡,并通过人体组织辐射到皮肤表面,利用MITI采集皮肤温度场,对比健侧与患侧的温度分布特性,对疾病做出客观分析被称作红外热不对称分析[6-7]。刘旭龙等[8]通过红外热成像对面瘫患者做出等级评估和疗效评价;唐先武等[9]通过红外热图像检测女性乳房局部病灶,并做出定性分析;Bagavathiappan等[10]通过红外热成像技术建立糖尿病人群患处神经性病变与足底温度之间的相关性;潘跃红等[11]应用红外热成像技术对冠心病患者心前区温度特性做了案例分析,但其依赖临床医师的主观判断。上述研究成果为本文研究内容提供了理论支撑。
人体组织器官炎性反应时,局部组织代谢加快,并散发大量热能,辐射到皮肤表面为高温区域,同理当人体组织器官劳损时,血液循环缓慢,热能辐射在体表为低温区域[12]。心前区的温度分布是心脏供血功能的热表达,当心脏血液循环障碍时,破坏心前区热平衡,心前区温度分布发生改变,因此,通过心前区温度分布特性可以分析心脏血液循环状态。
本文依据165位不同程度心肌缺血患者的红外热图像并提取心前区温差集合与卷积特征向量,利用反向传播(BP)神经网络对有标签数据做有监督训练,建立泛化模型,为新样本做出预测,为心肌缺血预诊断提供新思路。
2 材料与方法
2.1 实验对象与实验装置
实验数据来自陆军军医大学新桥医院疼痛科,专家依据世界卫生组织(WHO)心功能分级标准及三维心脏血管超声检测结果将受试群体划分为健康、轻微、偏重三类,同时剔除患有其他干扰性强疾病的患者。随机抽取三类患者各40例,共计120例,作为训练集,其中男性72例,女性48例,并随机抽取三类受试者各15例,作为测试集,其中男性27例,女性18例,经过统计学独立样本
实验设备为DH-2010-A型非制冷短焦距医用红外热像仪,热图像像素数为240×320,温度分辨率小于50 MK,室内温度为24~26 ℃,湿度为(60±5)%,且拍摄室内除参考黑体外无其他强辐射源。在采集患者图像前,均对热像仪做了30 ℃黑体校正,提高设备绝对温度的准确性。患者脱去衣物后静息10 min,保证裸露部位无汗液等干扰,人体距镜头水平距离3 m,按
2.2 实验方法
2.2.1 方法概况
计算机视觉虽然高速发展,但识别不规则形状的异常区域依然是一个极其困难的过程,因此本文从红外热图像的物理特性入手,即温度场。由于个体差异、传感器不同、参考黑体误差等因素的存在,传感器采集的绝对温度依然存在误差,根据健康人体的热对称性原理,对心前区两侧温度场求差,得到温差集合,可以最大限度地消除个体差异、黑体误差以及传感器对绝对温度造成的误差。
对心肌缺血的预诊断过程如
图 2. 基于红外热成像数据的心肌缺血预诊断方法流程图
Fig. 2. Process of myocardial ischemic pre-diagnosis based on infrared imaging data
2.2.2 心前区及对侧几何定位
人体心前区及对侧的几何定位是提取人体心前区温差集合的前提。本文心前区定位首先通过模板匹配法确定人体中线与颈肩水平线,根据一般人体几何结构,估算心前区距两条基准线的距离,从而得到人体心前区中心点坐标,再通过中线定位心前区对称点,即心前区对侧中心点坐标。
正常人体心脏尺寸差异较小,对应图像覆盖像素区域较为固定。经实验验证心前区感兴趣区域(ROI)面积在20×20像素区间内,且符合人体测量学规范[13],因此取心前区20×20像素大小的温度集合作为研究对象。
颈肩部定位采用相关标准匹配算法做图像模板匹配,首先,依据人体颈肩部结构特异性,取得人体颈肩部矩形区域并二值化作为模板;其次,对匹配图像即彩色原图灰度化,根据阈值法获得二值图像;最后,通过相关标准匹配算法[14-15],计算相关度,并取相关度最大矩形区域作为模板匹配最终定位区域,如
图 3. 通过模板匹配方法对颈肩部定位流程图
Fig. 3. Neck and shoulder positioning process is performed by template matching method
图 4. 随机抽取6位受试者心前区定位结果
Fig. 4. Randomly selected 6 subjects' precardiac localization results
心前区坐标定位是根据模板匹配结果,取矩形框上边界与颈部左右交点的中点作为人体中线,矩形框下边界作为肩部水平线,通过人体中线和颈肩水平线位置,根据人体测量学,估算心前区中心点位置,并根据指定ROI面积得到心前区及对侧温度集合。
2.2.3 心前区温差集合及特征值提取
依据心前区及对侧ROI区域内提取出的温度集合,按镜像求差法提取心前区温差集合。如
为降低神经网络训练误差,对温差集合增加卷积操作,为突出温度横向与纵向差异,本文选用核尺寸为3×3与5×5的Sobel算子、拉普拉斯算子、高斯核分别对温差集合卷积,步长分别取3和5,设计多组实验,温差集合边界复制扩展,最终得到卷积结果作为神经网络输入[16-17]。
2.2.4 BP-神经网络交叉验证
传统神经网络样本集打乱,随机取70%的样本集作为训练集,剩下的作为测试集,这种训练方式往往会出现多种训练结果,且分类准确率差异很大,过拟合现象严重,模型泛化能力差。采用交叉验证方式,将样本分为训练集、验证集和测试集,验证集使用留一法交叉验证,每迭代一次训练,计算一次验证集误差,根据验证集误差平方和的均值调整网络参数,增强网络模型准确率,抑制过拟合现象,最终通过测试集计算网络模型的分类准确度。
本文神经网络的拓扑结构如
步骤1:训练网络初始化。根据提取的特征向量维数给定输入节点的数
步骤2:隐含层输出。样本特征向量为
式中
步骤3:输出层预测。依据
步骤4:预测误差。依据
步骤5:权值数组的逆向更新。依据
式中
步骤6:阈值数组更新。依据
步骤7:终止条件最大迭代次数,若未满足,返回步骤2继续训练直到训练结束。
特征向量维数
式中
3 结果与分析
由卷积运算原理可知,对两组数据先卷积后加减运算和先加减运算后卷积得出的结果一致[16]。为观察不同卷积算子不同卷积尺寸对同一数据卷积处理后的对比效果,对同一组心前区红外热成像数据做不同卷积处理后的结果如
图 7. 核尺寸3×3不同卷积核运算结果。(a)原图;(b) Sobel算子处理;(c) Laplace算子处理;(d)高斯算子处理
Fig. 7. Core size 3×3 different convolution kernel operation results. (a) Original image; (b) Sobel operator processed; (c) Laplace operator processed; (d) Gaussian operator processed
图 8. 核尺寸5×5不同卷积核运算结果。(a)原图;(b) Sobel算子处理;(c) Laplace算子处理;(d)高斯算子处理
Fig. 8. Core size 5×5 different convolution kernel operation results. (a) Original image; (b) Sobel operator processed; (c) Laplace operator processed; (d) Gaussian operator processed
Sobel算子是一阶差分运算的边缘提取算子,但其对数据主体与背景运算无差异,并不能突出数据主体信息,由
卷积算子尺寸直接影响运算复杂度,若卷积步长一致,则卷积算子尺寸越大,数据运算复杂度越高,同时,卷积核尺寸增加后,更多信息将会丢失[17]。
不同卷积实验通过BP神经网络在测试集上的分类准确率结果如
确定卷积核函数为3×3高斯核后,将卷积结果输入BP神经网络,完成训练与交叉验证,确定网络模型层数、节点数、学习速率和最大迭代次数等参数,得到训练集误差曲线,如
图 9. 3×3高斯卷积核处理后训练集误差曲线
Fig. 9. Training set error curve processed by 3×3 Gaussian convolution kernel
表 1. 不同卷积实验在BP神经网络分类器测试集准确率
Table 1. Accuracy of different convolution experiments in BP neural network classifier test set
|
本文算法较文献[ 11]的传统红外热像心脏功能评估手段更为快捷、准确且能避免因临床医师水平差异带来的诊断误差。本文方法结合临床医师加以分析,能够将分类错误样本校正,因此,该模型能够辅助临床医师,但依然不可替代临床医师。
4 结论
通过采集不同程度心肌缺血患者的红外热图像,按人体几何定位提取心前区左右两侧温差集合,并通过卷积运算提取特征向量,在BP神经网络训练与交叉验证下,建立分类模型,测试集分类准确率达95.56%,新样本可以通过该模型得到准确的分类结果,辅助医生早期发现患者是否存在心肌缺血征兆。但由于样本集数量较少且样本数男性大于女性,测试集规模较小,分类准确率受单个错位样本影响较大,后续研究可以增加样本集,并均衡男女样本比例,得到更稳定分类模型。所提出的基于红外热成像技术与BP神经网络的心肌缺血预诊断方法可以作为心肌缺血早期发现及预诊断的客观辅助检查,并为心肌缺血诊断提供了新的思路,较传统红外热成像心功能评估方法更加快捷。
[1] 凌婷婷, 王联发, 黄猛珣, 等. 三维彩色显像仪对心肌缺血诊断的价值[J]. 安徽医科大学学报, 2015, 50(12): 1813-1816.
[2] Ruzsics B, Lee H, Powers E R, et al. Myocardial ischemia diagnosed by dual-energy computed tomography[J]. Circulation, 2008, 117(9): 1244-1245.
[4] 刘旭龙, 洪文学, 宋佳霖, 等. 红外热不对称分析用于面神经功能损伤的客观评估[J]. 光谱学与光谱分析, 2012, 32(3): 647-650.
[5] 吴振英, 刘旭龙, 洪文学, 等. 面瘫健患侧穴位温度不对称性与面瘫严重程度相关性研究[J]. 中国针灸, 2010, 30(11): 953-956.
[7] 肖子健, 万颖文, 李凯扬. 乳腺热图像不对称性分析的临床应用价值探讨[J]. 中华现代影像学杂志, 2010.
[8] 刘旭龙, 洪文学, 刘杰民. 基于红外热成像与形式概念分析的面瘫病情客观评估方法[J]. 光谱学与光谱分析, 2014, 34(4): 932-936.
[9] 唐先武, 丁海曙, 腾轶超. 用于显示乳房局部病灶组织红外热图像的伪彩色方法[J]. 光谱学与光谱分析, 2009, 29(3): 611-615.
[11] 潘跃红, 陈文良, 许少波, 等. 红外热成像技术筛查心供血不足、冠心病患者的临床价值探讨[J]. 中医临床研究, 2018, 10(13): 111-113.
[12] 方镇洙, 舒帆, 袁绍忠, 等. 红外热成像技术在临床疼痛评定标准中的应用进展[J]. 中国医学影像学杂志, 2011, 19(12): 931-934.
[15] ParamanandC, Rajagopalan AN. Efficient geometric matching with higher-order features[C]∥19th International Conference on Pattern Recognition, 2008: 1- 4.
[16] 陈洋, 范荣双, 王竞雪, 等. 结合最小噪声分离变换和卷积神经网络的高分辨影像分类方法[J]. 激光与光电子学进展, 2017, 54(10): 102801.
[17] 徐岩, 孙美双. 基于多特征融合的卷积神经网络图像去雾算法[J]. 激光与光电子学进展, 2018, 55(3): 031012.
[18] 钱牧云, 余有龙. 基于逆传播神经网络的光纤布拉格光栅触觉传感[J]. 中国激光, 2017, 44(8): 0806001.
[19] 哈根, 德姆斯, 比勒. 神经网络设计[M]. 戴葵, 等, 译. 北京: 机械工业出版社, 2002.
Hagan MT, Demuth HB, Beale MH. Neural network design [M]. Dai K, et al. Transl. Beijing: China Machine Press, 2002.
宓保宏, 洪文学, 宋佳霖, 吴士明, 孟辉. 基于红外热成像技术与BP神经网络的心肌缺血预诊断方法研究[J]. 激光与光电子学进展, 2019, 56(1): 011101. Baohong Mi, Wenxue Hong, Jialin Song, Shiming Wu, Hui Meng. Myocardial Ischemia Pre-Diagnosis Method Based on Infrared Thermal Imaging and BP Neural Network[J]. Laser & Optoelectronics Progress, 2019, 56(1): 011101.