神经网络提高肝细胞癌磁共振波谱诊断正确率
- 格式：pdf
- 大小：299.24 KB
- 文档页数：4
第８卷第２期 ２ ０ １ ０年６月 生物信息学
Ｃｈｉｎａ Ｊｏｕｒｎａｌ ｏｆ Ｂｉｏｉｎｆｏｒｍａｔｉｃｓ Ｖ０１．８ Ｎｏ．２
Ｊｕｎ．，２０１０
神经网络提高肝细胞癌磁共振波谱诊断正确率 王丽娟 ，刘毅慧 ，刘强 ，李保朋 ，成金勇 （１．山东轻工业学院信息科学与技术学院智能信息处理研究所，济南２５０３５３； ２．山东省医学影像学研究所，济南２５００２１）
摘要：通过评价 磷磁共振波谱（ Ｐｈｏｓｐｈｏｒｕｓ Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｓｐｅｃｔｒｏｓｃｏｐｙ， Ｐ—ＭＲＳ）来辨别三种诊断类型：肝细胞癌，正 常肝和肝硬化。运用反向传输神经网络（ＢＰ）和径向基函数神经网络（ＲＢＦ）分析 Ｐ—ＭＲＳ数据，分别建立神经网络模型，进 行肝细胞癌的诊断分类以期提高识别率。实验结果证明，应用神经网络模型后，”Ｐ—ＭＲ波谱对活体肝细胞癌的诊断正确率 从８９．４７％提高到９７．３％，且ＢＰ更优于ＲＢＦ。 关键词： 磷；磁共振波谱；肝细胞癌；反向传输神经网络；径向基函数神经网络 中图分类号：Ｒ４４５．２ 文献标识码：Ｂ 文章编号：１６７２—５５６５（２ＯＬＯ）一０２—１７１—０４５
Ｓｔｕｄｙ ｕｓｉｎｇ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ｉｍｐｒｏｖｅ ｔｈｅ ｄｉａｇｎｏｓｔｉｃ ａｃｃｕｒａｃｙ ｒａｔｅ ｏｆ ｍａｇｎｅｔｉｃ ｒｅｓｏｎａｎｃｅ ｓｐｅｃｔｒｏｓｃｏｐｙ ｉｎ ｈｅｐａｔｏｃｅｌｌｕａｒ ｃａｒｃｉｎｏｍａ ＷＡＮＧ Ｌｉ－ｊｕａｎ ，ＬＩＵ Ｙｉ．ｈｕｉ ，ＬＩＵ Ｑｉａｎｇ ，ＬＩ Ｂａｏ．ｐｅｎｇ ，ＣＨＥＮＧ Ｊｉｎ．ｙｏｎｇ （Ｊ．Ｉｎｓｔｉｔｕｔｅ ｏｆＩｎｔｅｌｌｉｇｅｒｉｃｅ Ｉｎｆｏｒｍａｔｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ，Ｓｃｈｏｏｌ ｏｆＩｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｓｈａｎｄｏｎｇ Ｉｎｓｔｉｔｕｔｅ ｏｆＬｉｇｈｔ Ｉｎｄｕｓｔｒｙ，Ｊｉｎａｎ ２５０３５３，Ｃｈｉｎａ；２．ＳｈａｎｄｏｎｇＭｅｄｉｃａｌＩｍａｇｉｎｇＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅ，Ｊｉｎａｎ ２５００２１，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔｈｒｏｕｇｈ ｔｈｅ ｅｖａｌｕａｔｉｏｎ ｏｆ ｔｈｅ Ｐｈｏｓｐｈｏｒｕｓ Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｓｐｅｃｔｒｏｓｃｏｐｙ（ Ｐ—ＭＲＳ），ｗｅ ｃａｎ ｄｉｓｔｉｎｇｕｉｓｈ ｔｈｒｅｅ ｔｙｐｅｓ ｏｆ ｄｉａｇｎｏｓｉｓ：ｈｅｐａｔｏｃｅｌｌｕｌａｒ ｃａｒｃｉｎｏｍａ，ｎｏｒｍａｌ ａｎｄ ｃｉｒｒｈｏｓｉｓ．Ｂａｃｋ—ｐｒｏｐａｇａｔｉｏｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ（ＢＰ）ａｎｄ Ｒａｄｉａｌ Ｂａｓｉｓ Ｆｕｎｃｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ（ＲＢＦ）ａｙｅ ａｐｐｌｉｅｄ ｔｏ ａｎａｌｙｚｅ Ｐ—ＭＲＳ ｄａｔａ，ｄｅｖｅｌｏｐ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌｓ ｏｆ”Ｐ—ＭＲＳ ｆｏｒ ｔｈｅ ｄｉａｇｎｏｓｔｉｃ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｈｅｐａｔｏｃｅｌｌｕｌａｒ ｃａｒｃｉｎｏｍａ ｔｏ ｉｍｐｒｏｖｅ ｔｈｅ ｒｅｃｏｇｎｉｔｉｏｎ ｒａｔｅ．Ｔｈｅ ｒｅｓｕｌｔｓ ｓｕｇｇｅｓｔ ｔｈａｔ ＢＰ ｍｏｄｅｌｓ ｈａｖｅ ｂｅｔｔｅｒ ｐｅｒｆｏｒｍａｎｃｅ ｔｈａｎ ＲＢＦ ｍｏｄｅｌｓ． Ａｆｔｅｒ ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌｓ，ｔｈｅ ｄｉａｇｎｏｓｔｉｃ ａｃｃｕｒａｃｙ ｒａｔｅ ｏｆ ｈｅｐａｔｏｃｅｌｌｕｌａｒ ｃａｒｃｉｎｏｍａ ｉｓ ｉｍｐｒｏｖｅｄ ｆｒｏｍ ８９．４７％ｔｏ ９７． ３％． Ｋｅｙ Ｗｏｒｄｓ： Ｐｈｏｓｐｈｏｒｕｓ；Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｓｐｅｃｔｒｏｓｃｏｐｙ；ｈｅｐａｔｏｃｅｌｌｕｌａｒ ｃａｒｃｉｎｏｍａ；Ｂａｃｋ—ｐｒｏｐａｇａｔｉｏｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ（ＢＰ）；Ｒａ— ｄｉａｌ Ｂａｓｉｓ Ｆｕｎｃｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ（ＲＢＦ）
在临床工作中，对肝细胞癌和肝硬化的诊断时， 传统的方法需要进行活组织检查。这种常规的方法 需要大量的组织标本，并且不能监测早期或可逆性 细胞损伤中的轻微新陈代谢变化。 磷磁共振波谱 （ Ｐｈｏｓｐｈｏｒｕｓ Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｓｐｅｃｔｒｏｓｃｏｐｙ，。 Ｐ ～ＭＲＳ）技术 可以利用化学位移的微小变化采 集信息，测定人体能量代谢和体内化学物，是目前唯 一可以无创性在体研究生理病理代谢变化的新兴技 术。因此评价 Ｐ—ＭＲ波谱对疾病的诊治有重要临 床意义 。 人工神经网络（简称神经网络） 具有复杂模 式和进行联想、推理记忆的功能，它能够通过训练的 方式对复杂的模式进行识别和分类。它具有并行处 理、容错性、自学习功能有别于传统方法，已在模式 识别、自动化控制等领域取得了很好的效果．人工神 经网络是由大量简单元件广泛相互连接而成的复杂 网络系统，它反映了人脑功能的若干基本特征，但并 非神经系统的逼真描写，而只是一种抽象的数学模 型．其中ＢＰ网络是目前应用最为广泛的一种网络 模型，笔者运用反向传输神经网络（ＢＰ）和径向基 函数神经网络（Ｒｔ￣Ｆ）来分析和鉴别三个诊断类别： 肝细胞癌，正常和肝硬化。
１ 材料 ＭＲＳ技术要求采用１．５Ｔ以上场强的磁共振 仪，这种扫描仪采用的是心／肝光谱表面线圈。本次
收稿日期：２００８—１２—３０；修回日期：２００９—０４—０２． 资助项目：山东省自然科学基金（Ｙ２００６Ｃ９６），山东省自然科学基金（Ｙ２００８Ｇ３０），ＳＲＦ ｆｏｒ ＲＯＣＳ，ＳＥＭ． 作者简介：王丽娟，女，山东省济南人，硕士研究生，主要研究领域：生物信息学，模式识别，神经网络，ｂｅｔｔｙ１９８４１２１０＠１６３．ｃｏｒｎ 通迅作者：刘强，博士，副主任医师，主要从事影像诊断研究，Ｅ—ｍａｉｌ：２００２ｍｄ＠１６３．ｃｏｒｎ． １７２ 生 物 信 息 学 第８卷 研究选择的是１７个病例的７１个有效体素（有效体 素是指能完整显示七种磷化合物谱线的体素），其 中包括２２个肝细胞癌，４Ｏ个正常，９个肝硬化。正 常组是在既往的常规检查中没有肝病史的，所有肝 硬化和肝细胞癌患者在 Ｐ—ＭＲＳ研究后都是经过 病理组织活检证实的。 Ｐ—ＭＲＳ可测出七个共振峰（图１）：磷酸单酯 （ＰＭＥ）、无机磷（Ｐｉ）、磷酸二脂（ＰＤＥ）、磷酸肌酸 （ＰＣｒ）、三磷酸腺苷（ｄ—ＡＴＰ，Ｂ—ＡＴＰ， 一 ＡＴＰ） Ｊ。描述 Ｐ ＭＲＳ曲线的主要指标有：化学位 移，波峰积分面积，七个参数值的比值¨。。等。化学 位移指化合物波谱在曲线横坐标上的位置，以磁共 振频率的百万分之一表示（ｐｐｍ）。波峰积分面积 （线以下的区域）代表该化合物的浓度，与共振原子 核的数目成正比；峰值指曲线纵坐标上的高度，代表 化合物的信号强度单位。 后，神经元的激活值从输人层经各中间层向输出层 传播，在输出层的各神经元获得网络的输入效应，得 到输出向量。其中 ， ，…， ， 表示网络的输 入向量，对应２０个 Ｐ ＭＲＳ的数据参数，Ｙ ，Ｙ：，…， ）， ，ｙ『表示输出向量，对应实验中的３种诊断类型： 肝细胞癌，正常和肝硬化。除了输入层的输出等于 输人外，其它每个节点都具有图３所示的单元结构。 其中， ， ，…， 表示神经元的输入， 『２，… 表示相互连接的神经元之间的权值，０表示其阈值， Ｙ表示经过该神经元处理后的输出值。．厂（）为激活 函数。设第ｋ一１层中第ｉ个神经元的输人为ｙ ～， 输出为＿ｙ ，则输入与输出的关系为：
ｙ 砧＝ ’・ｙ ”＋ ］，
厂＝ 式中 ¨为第ｋ一１层第ｉ个神经元到第ｋ层 第ｊ个神经元的连接权值；Ｎ 为第ｋ层神经元的数 目；ｆ（ｘ）为神经元的传递函数。
２ ｆ 图１肝细胞癌组织的 Ｐ波谱示意图。ＰＭＥ一一磷酸单酯， Ｐｉ一无机磷，ＰＤＥ一磷酸二脂，ＰＣｒ一磷酸肌酸、 —ＡＴＰ：ｄ一三磷酸 腺苷，ｐ—ＡＴＰ：ｐ一三磷酸腺苷， 一ＡＴＰ： 一三磷酸腺苷。 Ｆｉｇ．１ Ｐ ＭＲＳ ｏｆ ｈｅｐａｔｏｃｅｌｌｕｌａｒ ｃａｒｃ［ｎｏｌｎａ ｔｉｓｓｕｅ．ＰＭＥ—ｐｈｏｓｐｈｏｍｏｎｏｅｓｔｅｒ． １ Ｐｉ—ｉｎｏｒｇａｎｉｃ ｐｈｏｓｐｈｏｒｕｓ，ＰＤＥ—ｐｈｏｓｐｈｏｄｉｅｓｔｅｒ，ＰＣｒ—ｐｈｏｓｐｈｏｃｒｅａｔｉｎｅ， ｐ—ＡＴＰ：ｐ—ａｄｅｎｏｓｉｎｅ ｔｒｉｐｈｏｓｐｈａｔｅ，０【一ＡＴＰ：ｄ—ａｄｅｎｏｓｉｎｅ ｔｒｉｐｈｏｓｐｈａｔｅ， 一ＡＴＰ： 一ａｄｅｎｏｓｉｎｅ ｔｒｉｐｈｏｓｐｈａｔｅ． ２
２方法
２．１反向传输神经网络（ＢＰ） ＢＰ网络¨卜” 是一种有监督式的学习，也就是 说它可以学习样本。学习或训练之后，训练完的值 就被用作 Ｐ—ＭＲＳ的分类。ＢＰ网络是一种层状结 构的前馈神经网络，网络分为输入层（ｉｎｐｕｔ ｌａｙｅｒ）、 隐含层（ｈｉｄｄｅｎ ｌａｙｅｒ）、输出层（ｏｕｔｐｕｔ ｌａｙｅｒ），其结构 如图２所示。网络上下层之间实现全连接，而每层 神经元之间无连接。当一对学习样本提供给网络
图２ ＢＰ的网络结构 Ｆｉｇ．２ Ｓｔｒｕｃｔｕｒｅ ｏｆ ＢＰ ｎｅｕｒ￣ｎｅｔｗｏｒｋ
图３单个神经元 Ｆｉｇ．３ Ｓｔｒｕｃｔｕｒｅ ｏｆ ｓｉｎｇｌｅ ｎｅｕｒｏｎ
－１ 对于ＢＰ神经网络，隐含层的神经元数目选择 是一个很复杂的问题，三层网络中，隐含层神经元个 数和输入层神经元个数之间有以下近似关系： 凡２＝２ｎｌ＋１ 第２期 王丽娟，等：利用神经网络提高肝细胞癌磁共振波谱诊断正确率 １７３ 因此，输入层神经元个数２０个，隐含层神经元 个数近似为４１个，通过实际训练实现了ＢＰ神经网 络模型的分类。 ２．２径向基函数神经网络（ＲＢＦ） 在人的大脑皮层区域中，局部调节及交叠的感 受野（Ｒｅｃｅｐｔｉｖｅ Ｆｉｅｌｄ）是人脑反应的特点。基于感 受野的这一特点，Ｍｏｏｄｙ和Ｄａｒｋｅｎ＿】 ， 提出了一种 神经元网络结构，即径向基函数神经网络（Ｒａｄｉａｌ Ｂａｓｉｓ Ｆｕｎｃｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＲＢＦ）。ＲＢＦ神经网 络由三层组成：输人层，隐含层，输出层。其结构如 图４所示，输入层节点只传递输入信号到隐含层， 隐含层一般采用高斯函数作为激励函数，隐含层第ｉ 个节点的输出可表示为Ｇ（ ， ）＝Ｇ（１ｌ — ｌ】）
：ｅｘｐ（一 ， １，２，…，＝ Ｌ一————－＝■ ———一， ＝ｌ， ，…，ｎ ＺＯ＂Ｔ
式中Ｇ（Ｘ，Ｔ／）为隐含层第 个单元的输出，
为ｑ维输入矢量，本实验中ｇ即对应 Ｐ ＭＲＳ数据的 ２０个参数， 为隐含层第ｉ个单元高斯函数的中 心， 为第ｉ个隐节点的归一化参数，即宽度， 为 隐含层节点数。该网络中需要学习的参数有三类， 即ＲＢＦ的中心Ｔ／，宽度 和连接权重ｗ 输出层 的输人为各隐含层神经元输出的加权求和，由于激 励函数为纯线性函数，因此输出为： Ｙ ＝：２１ ×ｗ２ 图４径向基函数神经网络结构。 是输入层的输入向量， １是输入层与隐含层之间的权值， ２是隐含层 与输出层间的权值，ｒ：为隐含层神经元的输出 Ｆｉｇ．４ Ｓｔｒｕｃｔｕｒｅ ｏｆ ＲＢＦ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ．ｘｑ ｉｓ ｔｈｅ ｉｎｐｕｔ ｖｅｃｔｏｒ ｏｆ ｉｎｐｕｔ ｌａｙｅｒ，ｗｌ ｉｓ ｔｈｅ ｗｅｉｇｈｔ ｂｅｔｗｅｅｎ ｉｎｐｕｔ ｌａｙｅｒ ａｎｄ ｈｉｄｄｅｎ ｌａｙｅｒ ｗ２ ｉｓ ｔｈｅ ｗｅｉｇｈｔ ｂｅｔｗｅｅｎ ｈｉｄｄｅｎ ｌａｙｅｒ ａｎｄ ｏｕｔｐｕｔ ｌａｙｅｒ， ｒｑ ｉｓ ｔｈｅ ｏｕｔｐｕｔ ｏｆ ｈｉｄｄｅｎ ｌａｙｅｒ ｎｅｕｒｏｎｓ ＲＢＦ网络的训练过程分为两步：第一步是要确定训 练输入层与隐含层间的权值ｗｌ；第二步是确定训练 隐含层与输出层间的权值 ２。本实验中，在ＲＢＦ 网络的训练过程中，网络的输入层神经元个数为 ２０，对应输入的 Ｐ ＭＲＳ数据的２０个特征，输出神 经元为３，分别代表三种诊断类型：肝细胞癌，正常 和肝硬化。其中，隐含层神经元数量的确定是关键， 本实验利用ＭＡＴＬＡＢ中函数ｎｅｗｒｂｅ创建一个精确 的网络时，从０个神经元开始训练，通过检查输出误 差使网络自动增加神经元，重复此过程直到达到误 差要求或最大隐含层神经元数为止。 ３实验结果分析 本实验选取 Ｐ ＭＲＳ数据的２１个特征，选择 ＰＤＥ／ＰＤＥ作为对照数据（它的结果＝１），可以忽略 这个参数。选择每一组剩下的２０个参数（即ＰＭＥ、 Ｐｉ、ＰＤＥ、ＰＣｒ、ｏ【一ＡＴＰ，Ｂ—ＡＴＰ， 一ＡＴＰ的化学位 移及峰下面积，ＰＭＥ／ＰＤＥ、Ｐｉ／ＰＤＥ、ＰＣｒ／ＰＤＥ、仅一 ＡＴＰ／ＰＤＥ，Ｂ—ＡＴＰ／ＰＤＥ， —ＡＴＰ／ＰＤＥ）。采用交 叉验证规则中的“留一法”，它是ｋ重交叉验证法的 极端情况，这是因为实验样本数少，利用交叉验证技 术利于解决有限样本建模以偏概全的缺陷。交叉验 证是：随机留下一部分数据作为测试，然后用剩下的 数据建立一个神经网络。采用“留下一个”的方法， 分别从正常组织，肝硬化组织和肝癌组织中拿出１ 个样本不做训练，每一类中剩下的样本作为训练样 本。对于基于ＢＰ网络和ＲＢＦ网络的实验，分别运 行２０次，有６８个样本（２１个癌症，３９个正常和８个 肝硬化）作为训练样本，剩下的３个样本（１个癌症， １个正常和１个肝硬化）不作训练。本实验测试所 有的样本，包括训练样本和非训练样本。 在基于ＲＢＦ的实验中，利用Ｍａｔｌａｂ提供的ｎｅ． ｗｒｂｅ（）和ｓｉｍ（）函数分别来设计径向基函数网络 和仿真。ｎｅｗｒｂｅ（）函数可以创建一个精确的神经 网络，该函数在创建ＲＢＦ网络时，自动增加隐含层 的数目，使得误差为０。但是该函数的参数ｓｐｒｅａｄ （径向基函数的分布）的取值直接影响到网络的拟 合和泛化能力。这里，通过实验和计算，选取ｓｐｒｅａｄ 为３时网络的性能最佳。
