首页 > 论文范文 > 自然科学论文 > 生物学论文 > 基于IWOA-PNN模型的生物组织变性识别方法

基于IWOA-PNN模型的生物组织变性识别方法

2024-07-09 18 上传者：管理员

摘要：为了提高高强度聚焦超声(HIFU)治疗过程中生物组织变性识别率,提出了一种基于改进鲸鱼优化算法优化概率神经网络(IWOA-PNN)模型的生物组织变性识别方法。首先通过改进收敛因子和加入自适应权重因子提高WOA优化算法的寻优速度和精度,然后利用IWOA算法优化PNN的平滑因子,以提高变性识别精度,最后以超声回波信号多尺度熵为特征参数输入IWOA-PNN模型,得出生物组织变性识别率。实验结果表明,与普通PNN和WOA-PNN模型相比,基于IWOA-PNN模型的生物组织变性识别率更高,更能精确地识别HIFU治疗过程中生物组织是否变性,指导临床医生进行准确的HIFU疗效评价。

关键词：
变性识别
改进鲸鱼优化算法
概率神经网络
生物组织
高强度聚焦超声
加入收藏

高强度聚焦超声(High intensity focused ultrasound,HIFU)治疗被称为继临床手术切除、放疗以及化疗之后的一种创新的肿瘤治疗“绿色疗法”[1,2,3]。在HIFU临床治疗过程中,能否准确、实时地识别HIFU治疗区域生物组织变性是确保HIFU治疗安全高效的关键,对指导临床医生进行准确的HIFU疗效评价具有重要意义[4,5,6]。

迄今为止,在生物组织变性识别问题上,一般采用超声手段对HIFU治疗过程中的生物组织进行损伤变性监测,因此超声领域相关研究人员开展了大量研究。如颜佩等[7]采用支持向量机(SVM)对HIFU治疗区域的超声时频域特征进行损伤变性识别;陈华等[8,9]基于超声图像特征和线性判别分析(LDA)对生物组织进行损伤识别;胡伟鹏等[10]和YAN等[11]结合聚类方法和HIFU辐照区域超声回波信号多尺度熵特征参数识别HIFU治疗区域生物组织是否变性。LIU等[12]采用概率神经网络(PNN)对生物组织超声回波信号多尺度熵特征进行变性识别,与上述其它方法相比,PNN因其具有训练速度快,识别率高的优点,在生物组织变性识别中取得了更好的识别效果。此外,PNN模型的平滑因子参数决定了样本分类的精确度[13],因此需要对PNN平滑因子参数进行寻优。然而未改进的粒子群算法(PSO)、鲸鱼优化算法(WOA)收敛速度慢,寻优结果不稳定,容易出现局部最优从而导致识别准确度较低[14,15,16]。为解决上述问题,本文提出了一种改进鲸鱼优化算法(IWOA)与PNN有机结合的生物组织变性识别方法。以超声回波信号多尺度熵为特征参数,采用IWOA对PNN的平滑因子参数进行自适应寻优,建立IWOA-PNN的生物组织变性识别模型,通过对比不同模型之间的识别率来验证本文所提方法的优势。

1、原理

1.1 概率神经网络

概率神经网络(PNN)是一种有监督的径向基网络分类器,具有训练速度快,识别率高的优点,因此常被用于各领域模式识别问题。PNN一般分为4层网络,第1层为输入层,主要功能是将输入向量归一化后输入模式层。模式层为PNN模型的第2层,通过权值链接输入层,然后根据式(1)计算输入向量与训练集不同分类模式之间的匹配程度:

其中:K表示输入层的输入向量;Wi表示权值;δ为平滑因子,该参数决定了样本分类的精确度,是PNN模型的核心参数,需要进行精确寻优。

PNN第3层网络为求和层,其功能是连接各模式层,然后通过线性求和计算各分类模式的初始概率和。PNN最后一层为输出层,根据求和层中各分类模式的初始概率和,对输入向量的分类模式进行判决。在本文中,生物组织非变性状态输出为离散值1,生物组织变性状态输出为离散值2。

1.2 WOA-PNN

鲸鱼优化算法(WOA)是通过模拟座头鲸捕食模式而形成的一种智能优化算法,其捕食行为主要分为3种模式:寻找猎物、包围猎物、捕食猎物。具有参数设置少,计算简单等优点,常被应用于各类寻优问题。

式(2)为寻找和包围猎物阶段的数学模型:

其中:t代表模型当前的迭代次数;W(t+1)代表第t+1次迭代时鲸鱼的位置;W*(t)代表当前迭代次数下鲸鱼的最优位置;D′代表此时鲸鱼位置距离猎物位置的距离;l∈[-1,1],ρ∈[0,1],均由随机函数产生;b为常量。

式(3)为捕食猎物阶段的数学模型:

其中:Wrand为随机生成的鲸鱼位置矩阵;A,D为模型参数,参数A对模型的寻优范围影响较大,

其中,r为随机数,a代表收敛因子,一般为单调递减的线性函数。

1.3 IWOA-PNN

WOA的收敛因子为线性函数,导致算法收敛速度较慢,此外WOA算法容易陷入局部最优现象,导致PNN模型准确度降低。为了提高算法收敛速度和全局寻优能力,本文提出了改进鲸鱼优化算法(IWOA),并用于优化PNN模型平滑因子参数,其具体步骤如下:

(1)改进传统WOA算法的收敛因子。将线性函数调整为非线性函数,如式(5)所示为IWOA算法收敛因子的非线性函数。

图1 改进后收敛因子

其中:ainitial,afinal分别表示收敛因子范围的初始值和最终值;Tmax表示最大迭代次数。如图1所示为改进后收敛因子随迭代次数变化图,在迭代初期,收敛因子下降趋势缓慢,算法处于寻找和包围猎物阶段,迭代后期收敛因子下降迅速,能快速捕食猎物,提高模型收敛速度。

(2)加入自适应权重因子。向WOA算法中加入自适应权重因子,自适应调整鲸鱼位置矩阵,提高算法的全局寻优能力,如式(6)所示为IWOA算法的自适应权重因子数学模型。

其中:ω(t)表示第t次迭代时的权重值;ωmax,ωmin表示最大权重值和最小权重值。如图2所示为自适应权重因子随迭代次数变化图,在迭代初期,权重值随迭代次数变化趋势较小,注重全局寻优能力;迭代后期权重值下降迅速,能快速捕食猎物,实现全局寻优。

(3)根据式(2)、(5)和(6),得出IWOA算法更新鲸鱼位置的数学模型,如式(7)所示。

图2 自适应权重因子

1.4 多尺度熵

根据式(8),对数据长度为N的一维时间序列X={x 1,x 2,…,x N}进行粗粒化得到粗粒化序列y s (j)。

其中,s代表尺度因子,j=1,2,…,[N/s]。然后计算每个粗粒化序列的排列熵,得到s组排列熵熵值,形成多尺度熵。

2、识别方法与实验系统

2.1 生物组织变性识别方法

基于IWOA-PNN模型的生物组织变性识别方法具体步骤如下:

(1)设定IWOA算法初始参数,包括收敛因子初始值(ainitial)、收敛因子最终值(afinal)、最大迭代次数(Tmax)、最大权重值(ωmax)和最小权重值(ωmin)。

(2)对PNN模型平滑因子参数进行优化,当满足模型误差精度时停止迭代,输出当前PNN最优平滑因子参数。

(3)提取生物组织超声回波信号多尺度熵特征,并输入IWOA-PNN模型进行训练识别,得出生物组织变性识别率。

2.2 实验系统

HIFU辐照实验系统如图3所示。辐照实验前加入聚维酮去除水中的气泡,以免影响后续实验结果。然后,将新鲜离体猪肌肉组织(厚度:40 mm)固定在橡胶板上,并直接放置在HIFU换能器正下方,利用计算机控制HIFU系统调节HIFU换能器的辐照位置,HIFU换能器的辐照功率为210～300 W。完成辐照实验后关闭HIFU换能器,采用光纤水听器(FOPH2000,德国)接收B型超声回波信号,B型超声回波信号中心频率为3.5 MHz,然后使用数字示波器(Tektronix,MDO3032,美国)对接收到的超声回波信号采样平均50次以提高信噪比,最后完成模数转换存储在计算机中。此外,利用温度计测量HIFU辐照靶区生物组织的温度,获取生物组织损伤状态,本文从15例猪肌肉组织样本中共获得292个超声回波信号,其中非变性状态146个,变性状态146个。所有数据来源于湖南师范大学生物医学电子实验室[10,11,12]。

图3 HIFU辐照实验系统

3、主要结果

生物组织超声回波信号的时域图与频谱图如图4所示。根据文献[10,11,12],本文以超声回波信号多尺度熵特征作为特征参数。随机选取192个超声回波信号(包含96个非变性状态和96个变性状态)作为训练集输入IWOA-PNN模型进行训练,剩余100个超声回波信号(包含50个非变性状态和50个变性状态)作为测试集。设定初始种群数量为50,最大迭代次数Tmax为500,收敛因子初始值ainitial为2,收敛因子最终值afinal为0,最大权重值ωmax和最小权重值ωmin分别为0.8和0.1。WOA和IWOA优化PNN模型时的迭代曲线图如图5所示。由图5中可知,IWOA相较于WOA,可用更少的迭代次数实现快速收敛,算法收敛速度更快,这意味着收敛因子的改进可以有效提高WOA算法收敛性。

图4 生物组织超声回波信号的时域图与频谱图

图5 WOA和IWOA优化PNN模型的迭代曲线图

普通PNN模型默认平滑因子参数为1.5,WOA-PNN平滑因子参数优化为0.016 6,IWOA-PNN平滑因子参数优化为0.268。如图6所示为普通PNN,WOA-PNN以及IWOA-PNN的生物组织变性识别图,其中横坐标为预测样本编号,纵坐标“1”代表非变性状态,纵坐标“2”为变性状态。可以发现普通PNN模型变性识别结果存在8个误识别样本,WOA-PNN模型存在6个误识别样本,而IWOA-PNN模型只有1个误识别样本,且50个非变性状态超声回波信号全部识别正确。如不同模型变性识别结果对比表1所示。由表1可知IWOA-PNN模型相较于WOA-PNN以及PNN模型变性识别率更高,达到99%,IWOA寻优结果更佳。此外,IWOA-PNN模型运行时间低于WOA-PNN,这意味着IWOA优化算法相较于传统WOA优化算法寻优速度更快,效率更高。

图6 普通PNN,WOA-PNN以及IWOA-PNN的生物组织变性识别图

表1 不同模型变性识别结果比较

4、结论

本文提出了一种基于IWOA-PNN模型的生物组织变性识别方法。该方法以超声回波信号多尺度熵特征作为特征参数,将收敛因子调整为非线性函数,提高算法的收敛速度;通过加入自适应权重因子,提高算法全局寻优能力。实验结果表明,相较于其余两种模型,IWOA-PNN模型的生物组织变性识别率更高,达到99%;与WOA-PNN模型相比,IWOA-PNN模型收敛速度更快,运行时间更短。该模型能完成PNN平滑因子参数的自适应寻优,降低人为因素的影响,能够较为准确地识别HIFU治疗过程中生物组织是否变性,为后续HIFU疗效评价提供理论参考。

参考文献:

[6]刘备,胡伟鹏,邹孝,等.基于变分模态分解与多尺度排列熵的生物组织变性识别[J].物理学报, 2019, 68(2):259–267.

[7]颜佩,丁亚军,钱盛友,等.基于小波系数Hu矩的生物组织损伤监测方法[J].电子测量与仪器学报, 2016, 30(7):1 062–1 067.

[8]陈华,钱盛友,谭乔来,等.基于超声图像特征参数检测高强度聚焦超声引起的组织损伤阈值[J].中国医学物理学杂志, 2016, 33(11):1 144–1 148.

[9]陈华,赵新民,谭乔来,等.基于线性判别分析与超声图像特征的组织损伤检测方法[J].中国医学影像技术, 2016,32(11):1 757–1 760.

[10]胡伟鹏,邹孝,刘备,等.基于多迭代变分模态分解与复合多尺度散布熵的生物组织变性识别方法[J].传感技术学报, 2019, 32(12):1 856-1 863.

[15]王鑫,张菁.混沌鲸鱼优化算法在WSNs覆盖优化中的应用[J].传感器与微系统, 2022, 41(6):157–160.

基金资助:国家自然科学基金(U2031112); 湖南省自然科学基金青年项目(2020JJ5396); 湖南省教育厅科学研究项目优秀青年项目(20B405); 湖南文理学院博士科研启动项目(20BSQD06);

文章来源:曹菁,贺绍相,陈光强,等.基于IWOA-PNN模型的生物组织变性识别方法[J].湖南文理学院学报(自然科学版),2024,36(03):24-29.