《Frontiers in Human Neuroscience》：Hybrid deep learning and feature optimization approach for early detection of multiple sclerosis
编辑推荐：
本综述提出了一种创新的混合框架，将深度学习特征提取（VGG16）、元启发式特征选择（鲸鱼优化算法WOA）与多种机器学习分类器（ANN、SVM、RF、KNN、LR）相结合，用于脑部磁共振成像（MRI）中多发性硬化症（MS）的自动分类。研究通过对比度受限自适应直方图均衡化（CLAHE）对图像进行预处理，利用WOA算法从高维深度特征中筛选最具判别力的特征子集，显著提升了分类性能。实验结果表明，所提出的ANN+WOA模型分类准确率高达98%，为MS的早期、准确、自动化诊断提供了高效可靠的解决方案，具有重要的临床转化潜力。
引言
多发性硬化症（MS）是一种慢性自身免疫性疾病，主要损害神经纤维的髓鞘，导致脑白质病变形成。全球发病率约为3.59/10万，好发于20-45岁年轻成人，女性更为常见。早期诊断和准确分类对于延缓疾病进展、改善患者生活质量至关重要。磁共振成像（MRI）是目前检测和诊断MS最关键的影像学工具。然而，传统手动分析MRI图像耗时且存在主观差异。因此，开发自动化、高精度的MS辅助诊断系统成为研究热点。
动机和贡献
本研究旨在解决医学图像分析中高维特征选择的关键挑战，以提高MS检测的准确性并降低计算资源需求。传统方法难以处理MRI图像复杂的非线性特性。受座头鲸捕食行为启发的鲸鱼优化算法（WOA）为特征选择提供了有效途径。本研究的主要贡献包括：在独立的MS MRI数据集上进行了实验；提出了一种结合CNN特征提取与WOA特征选择的新型混合框架；利用WOA从CNN输出中识别最具信息量的特征，显著减少了特征空间并提高了分类精度；对多种机器学习分类器进行了全面比较，证明了所选特征能普遍提升模型性能。
相关工作
在医学图像分析领域，尤其是MS等疾病的诊断，从复杂数据中选择最相关特征至关重要。卷积神经网络（CNN）已广泛应用于从MRI图像中自动提取判别性特征。例如，有研究采用级联CNN系统进行MS病变检测和分割，也有工作提出多分支CNN架构用于MS病变分割。然而，CNN模型产生的高维特征向量可能会影响传统分类器的效率和精度。本研究通过结合CNN深度特征提取和WOA优化特征选择，为基于MRI的MS检测提供了一种独特的混合方法。
图像处理与技术
机器学习与人工智能的快速发展使得图像处理和分类技术能够用于神经系统疾病的自动检测。深度学习（DL）作为机器学习的一个分支，利用神经网络的层次结构自动学习检测疾病所需的重要特征。卷积神经网络（CNN）在图像分类、目标识别和分割等任务中表现出卓越性能。CNN通过分层连接、自动自训练和权重共享，为训练过程中的前向和反向误差传播提供了合适的环境。在本研究中，所有MRI图像均经过预处理，包括使用对比度受限自适应直方图均衡化（CLAHE）进行对比度增强、调整尺寸和归一化，以标准化输入维度并提高图像质量。
特征提取技术
特征提取在医学图像分析中起着至关重要的作用。在图像处理中，特征提取是指识别和量化图像中有助于分类和解释的重要模式或属性。传统方法侧重于与纹理、形状、强度和颜色相关的特征。本研究使用在ImageNet数据集上预训练的VGG16卷积神经网络（移除顶层分类层）进行深度特征提取。VGG16的卷积和池化层处理输入的MRI图像，自动学习并提取边缘、纹理和高级空间模式等显著特征。最后一个卷积块的输出被展平为一个特征向量，代表输入图像的深度学习属性。这些特征随后被输入优化算法进行特征选择或用于分类。该方法利用了高维、丰富的特征，而无需人工干预。
鲸鱼优化算法（WOA）
鲸鱼优化算法（WOA）是一种受座头鲸气泡网捕食策略启发的元启发式算法。该算法模拟了座头鲸通过创建螺旋形气泡网来包围和捕获猎物的行为。WOA主要包含两个核心阶段：探索和利用。在探索阶段，鲸鱼进行全局搜索以定位潜在猎物；在利用阶段，它们使用螺旋气泡网运动向已识别的目标收敛。算法通过三个关键阶段运作：定位猎物、包围猎物和执行攻击。数学上通过收敛系数a的线性递减来控制探索与利用的平衡。WOA被应用于从CNN提取的高维特征中选择最优特征子集，从而降低维度，提高分类性能，并减少计算负担。
分类
分类模型是基于图像的分析，尤其是像MRI扫描疾病诊断这样的医学诊断中的关键组成部分。图像分类通过利用先进的机器学习技术有效分析和解释复杂的医学图像，在诊断各种疾病，特别是影响大脑的疾病方面显示出巨大潜力。卷积神经网络使用掩蔽的MRI切片自动训练分层的、空间不变的特征检测器（边缘→纹理→病变）。最终卷积+全局平均池化特征向量记为z，通过具有权重w和偏置b的最终密集层，并应用Sigmoid函数将logit转换为扫描结果为MS的概率。本研究比较了多种机器学习分类器的性能，包括人工神经网络（ANN）、支持向量机（SVM）、随机森林（RF）、K近邻（KNN）和逻辑回归（LR）。这些分类器使用经过WOA优化选择后的特征集进行训练和评估。结果表明，结合WOA的ANN分类器取得了最佳性能。
结果与讨论
为评估所提方法的有效性，使用了来自Kaggle的包含3,427张与多发性硬化症相关的脑部MRI图像的数据集。数据集分为四个类别。对图像进行了预处理以确保尺寸和对比度的一致性。数据按80%训练集和20%测试集划分。训练集用于特征提取和模型学习，测试集用于评估分类准确性。首先使用CLAHE增强图像对比度，然后使用CNN（VGG16）模型进行特征提取，接着使用鲸鱼优化算法选择最相关的特征。将所提出的深度学习框架（集成VGG16和WOA）应用于整个MRI扫描，意味着它同时评估了显著（病变）和非显著（正常组织）区域。先进的CNN如VGG16其内在结构能够在训练过程中专注于图像最关键的部分，即卷积层次结构中的空间注意力机制。VGG16的卷积层逐步学习识别局部特征（如边缘、纹理和强度变化），更深层则提取更复杂的语义细节（如组织不规则性）。因此，疾病相关模式变得更加明显，而不太相关的背景信息（如标准灰质和白质）被自然淡化。通过应用WOA进行特征选择，可以进一步优化该方法，分离出最能增强分类的关键特征。即使没有初始分割，该策略也有效，因为WOA能有效消除健康组织区域中常见的冗余数据点。该策略通过结合深度神经网络和优化方法的优势，拓宽了框架，最终实现了更精确的多发性硬化症检测。评估指标包括准确率、精确率、召回率和F1分数。实验结果表明，与WOA集成的ANN模型在整体性能上优于其他分类器。训练精度和验证精度之间的紧密一致性证实了模型对未见数据的良好泛化能力。基于深度CNN的特征提取、CLAHE预处理和自然启发式特征选择的综合效应显著促进了高分类性能。
结论
为提高MS检测的准确性并支持早期临床干预，本研究通过一个强大的混合分类框架解决了医学成像中的关键挑战，如计算效率、泛化能力和有效特征提取。所提出的系统集成了基于CLAHE的对比度增强、使用VGG16的深度特征学习以及基于生物启发的鲸鱼优化算法（WOA）进行最优特征选择。该方法显著提高了模型识别脑部MRI扫描中疾病相关模式的能力。该模型表现出卓越的性能，特别是ANN+WOA分类器，取得了98%的分类准确率，优于SVM和RF分类器。基于WOA的特征选择有效降低了维度，同时保留了判别信息，从而提高了分类精度，即使在中等规模或不平衡数据集上训练也减轻了计算负担。这支持了该系统在未来扩展和定制用于实时临床应用的潜力。此外，强大的基于CNN的特征提取与智能优化的结合，通过受控的探索和精确的利用达到了优化目的，使模型既稳健又高效。提取的特征有助于改进决策，并可以帮助医疗专业人员更准确、更早地诊断MS。WOA的使用有效地选择了最优特征子集，改善了模型性能并减少了冗余。所提出的混合CNN-WOA框架不仅提高了诊断准确性，而且证实了其作为MS检测的强大可靠决策支持系统的潜力。因此，这项工作贡献了一个可扩展、准确、智能的MS分类模型，能够推动人工智能驱动的医学成像领域的发展。
