《Computers and Electrical Engineering》：Explainable brain tumor diagnosis with SHAP-enhanced graph wavelet features on FPGA
编辑推荐：
脑肿瘤分类中，基于图信号处理（GSP）的框架利用Spectral Graph Wavelet Transform（SGWT）结合Abspline和Mexican Hat小波核，提取融合空间邻域与频谱特征的多尺度特征，通过LightGBM和CategoricalBoosting分类器实现97.33%-98.11%高准确率，同时结合SHAP可解释性AI和Xilinx PYNQ-ZU FPGA平台部署，验证了实时低延迟（0.0144s）与轻量化（0.0031M参数）特性。
Suman Rekha Dip | Hemant Kumar Meena
电气工程系。印度拉贾斯坦邦斋浦尔的Malaviya国立技术学院
摘要
脑肿瘤是最具生命威胁的神经系统疾病之一，及时准确的诊断对于有效的治疗计划和提高患者生存率至关重要。尽管在自动脑肿瘤分析方面取得了显著进展，但由于复杂的空间依赖性、高度不规则的肿瘤结构以及传统模型无法充分捕捉的非欧几里得关系，从磁共振（MR）图像中进行可靠分类仍然具有挑战性。为了解决这些限制，本研究提出了一种基于图信号处理（GSP）的新框架，该框架将脑MR图像建模为图信号，从而能够联合表示空间关系、邻域连通性和光谱特征。使用带有Abspline和Mexican Hat小波核的光谱图小波变换（SGWT）提取判别特征，以捕获多尺度光谱信息。提取的图域特征通过Light Gradient Boosting Machine和Categorical Boosting分类器进行分类，实现了低计算复杂度的稳健性能。在Br35H和Kaggle-4600脑MRI数据集上的实验评估显示，分类准确率分别达到了97.33%和98.11%。为了提高透明度和临床信任度，引入了基于SHAP的可解释人工智能（XAI）来识别最具影响力的图衍生特征。此外，所提出的框架在Xilinx PYNQ-ZU FPGA平台上实现，实现了0.0144秒的实时推理和仅0.0031百万参数的紧凑模型大小。这些结果表明，所提出的方法准确、可解释且硬件效率高，适用于资源受限和物联网支持的医疗环境。
引言
脑肿瘤（BTs）是由于细胞生长控制紊乱而导致的脑细胞异常增生[1]。虽然存在超过150种肿瘤类型，但脑肿瘤大致分为原发性或转移性肿瘤，其中转移性肿瘤从其他器官扩散而来，而原发性脑肿瘤（PBTs）起源于大脑或周围组织[2]。根据印度医学研究委员会（2021年）的数据，脑肿瘤占所有癌症病例的1.6%。GLOBOCAN 2020报告记录了全球新增308,102例病例和251,329例相关死亡病例。根据肿瘤级别，脑肿瘤被分为恶性（III-IV级）或良性（I-II级），恶性肿瘤生长迅速且边界不明显[3]。尽管医学取得了进步，但脑肿瘤的五年生存率约为36%，这一比率随年龄显著变化——15岁以下儿童约为75%，而40岁以上个体仅为21%[4]。磁共振成像（MRI）[5]是脑肿瘤诊断的主要方法[6]；然而，手动解释受到肿瘤异质性、形态不规则、噪声和观察者间差异的挑战。这些限制突显了自动化计算机辅助诊断（CAD）系统的迫切需求，以实现快速、准确的检测和及时的临床干预。
人工智能（AI）和计算机视觉的最新进展通过一系列机器学习（ML）和深度学习（DL）技术显著改变了脑肿瘤的诊断[7]，[8]。在大多数自动化诊断流程中，从MR图像中检测肿瘤通常包括预处理、特征提取和分类阶段。已经开发了许多基于ML的方法，这些方法利用预定义的描述符来描述手工制作的特征，如灰度共生矩阵（GLCM）[9]、局部二值模式（LBP）、灰度运行长度矩阵（GLRLM）[10]、定向梯度直方图（HOG）、局部Gabor XOR模式（LGXP）、中值二值模式（MBP）结合熵度量以及局部最优定向模式（LOOP）[11]，并将这些特征与K-最近邻（KNN）[12]和支持向量机（SVM）等传统分类器结合使用[12]。大多数自动化检测方法依赖于专家来提取用于检测算法的特征。此外，大多数基于ML的方法的成功在很大程度上取决于提取特征的质量，以确保高水平的区分度。因此，手工制作特征的质量将直接影响自动化检测结果的质量。
为了克服传统基于ML的脑肿瘤诊断模型的不足，当前研究越来越重视使用基于DL的方法[13]，[14]，[15]。基于DL的方法，如卷积神经网络（CNN）[16]，[17]，[18]，因其能够直接从MRI图像中自动学习分层和高级特征表示而受到广泛关注。例如，Gómez-Guzmán等人使用基于InceptionV3的CNN进行脑肿瘤分类[19]。Mondal和Shrivastava还提出了一个带有BMRI-Net激活函数的CNN模型，以抑制神经元死亡和偏差偏移，从而提高学习效率[20]。Bashkandi等人使用增强型政治优化算法优化CNN参数，以实现更好的分类结果[21]。尽管基于CNN的方法提供了良好的表示能力，但它们通常需要在大量标记的医学图像数据上进行训练，以生成稳健和具有区分度的特征表示。然而，带有注释的医学成像数据库的有限可用性对CNN的训练构成了重大挑战。因此，数据增强策略[22]，[23]，[24]以及使用预训练架构（如具有16层的视觉几何组网络VGG-16、VGG-19和具有5层的LeCun网络LeNet-5）[25]的迁移学习方法被广泛应用。
尽管在自动脑肿瘤诊断方面取得了实质性进展，但仍存在几个关键限制。现有方法大致分为传统的基于ML的方法和基于DL的框架，每种方法都有其固有的缺点。传统ML方法的主要局限在于它们基于手工制作的纹理和形状描述符。因此，传统ML方法只能捕获有限的空间依赖性，且无法从图像数据中定义新的特征表示，这严重限制了它们表征复杂和异质肿瘤形态的能力。另一方面，包括CNN[26]，[27]在内的DL方法通过从脑MRI图像中学习高级特征，实现了更高的分类准确率。然而，CNN是基于网格的，它们只提取局部像素级特征；因此，它们无法有效保留不规则肿瘤几何形状固有的邻域连通性和非欧几里得关系。结果，许多关键的肿瘤属性，包括空间相互作用、边界不规则性和大小变化，可能无法通过CNN得到充分表征。此外，虽然许多DL模型旨在从空间域信息中学习特征，但这些模型通常在寻找空间（邻域结构）和光谱（频率域）信息方面遇到困难。此外，虽然许多研究人员专注于提高分类准确率，但很少有研究人员关注模型的可解释性。缺乏透明的决策机制限制了临床信任度，并阻碍了采用，因为临床医生需要明确了解哪些特征影响诊断结果。由于物联网（IoT）[28]，[29]技术的迅速普及，医疗系统越来越依赖网络设备进行实时成像和远程诊断。虽然物联网支持的平台受到计算、内存、能量和延迟的限制，但高复杂度的DL模型可能不适合在边缘部署。尽管许多研究人员强调了在实时医疗物联网应用中开发模型时的准确性，但开发轻量级、节能且与硬件兼容的模型以适应实时医疗物联网应用的研究仍然很少。
基于上述限制，本研究提出了一种基于图信号处理（GSP）[30]，[31]，[32]的新框架，用于从MRI图像中进行脑肿瘤分类，可以有效解决研究空白。与在规则网格上操作的CNN不同，所提出的方法将MRI图像建模为图，从而能够明确保留邻域关系和结构依赖性。这种基于图的表示特别适用于处理不规则的肿瘤形状和异质纹理。尽管GSP已成功应用于脑电图（EEG）和功能性MRI（fMRI）等与大脑相关的信号的功能连接性分析[33]，[34]，但其应用于脑肿瘤检测和分类的研究仍然很少。据我们所知，本研究是首次系统地整合光谱图小波变换（SGWT）进行脑肿瘤特征提取，并结合可解释AI和为医疗物联网环境量身定制的硬件高效部署的研究之一。
本研究提出了一个统一且轻量级的框架，用于准确、可解释且兼容物联网的脑肿瘤分类。所提出工作的关键贡献和创新点总结如下：
- •
基于图的特征提取：引入了一种新的基于SGWT的特征提取框架，利用图拉普拉斯特征基联合捕获局部空间邻域结构和全局光谱特征，从而能够稳健地表征不规则的肿瘤几何形状。
- •
高效的图构建技术：
提出了两种不同的图像图构建技术——二值加权和二值阈值处理——在保持计算效率的同时保留像素级邻域连通性。
- •
光谱滤波器的比较分析：
对Abspline和Mexican Hat光谱小波滤波器进行了全面评估，以分析它们在捕获肿瘤特定空间-光谱模式方面的有效性。
- •
可解释的模式识别：
集成SHAP（SHapley Additive Explanations）方法，通过量化每个基于图的特征对最终分类决策的贡献，提供透明的、与模型无关的可解释性。
- •
面向物联网的硬件部署：
为了解决医疗物联网环境中的计算限制，采用了基于图的集成分类器，并在Xilinx PYNQ-ZU FPGA平台上实现了整个流程，证明了实时可行性、低延迟和节能的部署。
本文的组织结构如下。第2节回顾了与脑肿瘤分类相关的工作。第3节描述了所提出的方法。第4节展示了实验结果和比较分析。第5节讨论了优势和局限性，第6节总结了所提出的工作并指出了未来的研究方向。
相关工作
相关工作
本节简要回顾了使用MRI的现有自动脑肿瘤筛查方法。相关工作大致分为两类：（i）基于手工特征的脑肿瘤检测和（ii）基于DL的脑肿瘤检测。
方法论
图1展示了所提出的脑肿瘤分类流程，包括几个关键阶段：MRI图像采集、预处理、特征提取、特征采样和分类。为了了解哪些特征对模型的高准确率贡献最大，我们引入了可解释AI技术。特别是使用SHAP来评估特征的重要性。
实验结果和讨论
方法在Jupyter环境中使用PYNQ-ZU硬件和Python 3.10.12软件进行评估。该设置配备了运行速度为2.10 GHz的12代Intel? Core? i7-12700 CPU和16 GB RAM，以及64位操作系统，为评估脑肿瘤检测算法的有效性和性能提供了强大的平台。
优势和局限性
GSP技术，特别是SGWT的主要优势在于它们能够捕获医学图像中的复杂空间关系和结构依赖性。通过将脑MRI图像建模为图，所提出的框架有效地表示了像素之间的邻域相互作用，比传统的基于网格的方法更精确地描述了结构连通性。一旦转换到光谱域，SGWT可以识别出具有临床意义的特征结论和未来展望
本研究提出了一种基于SGWT的创新特征提取框架，用于准确分类MRI图像中的脑肿瘤特征。通过使用二值加权和二值阈值方法构建图像图，并应用特定的Abspline和Mexican Hat小波作为光谱滤波器，该框架有效地捕获了与肿瘤区域相关的局部空间信号变化。提取的特征通过SMOTE技术进行了平衡，并通过
CRediT作者贡献声明
Suman Rekha Dip：原始草稿的撰写、软件编写、论文的审阅和编辑、结果的获取。Hemant Kumar Meena：监督、交叉检查、编辑。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
