利用基于Parrot优化算法的、可解释的广义加性神经网络（Interpretable Generalized Additive Neural Network），提高MRI图像中脑肿瘤的检测效果

《Knowledge-Based Systems》：Enhanced Brain Tumour Detection from MRI Images utilizing Interpretable Generalized Additive Neural Network optimized with Parrot Optimization

　　

桑迪娅女士（Ms. S. Sandhya）| 森蒂尔·库马尔（M. Senthil Kumar）| 苏西·S·K（Susee S. K）

助理教授，信息技术系，SRM Valliammai工程学院，Kattankulathur，603 203，印度

摘要

脑肿瘤被认为是最危及生命且最痛苦的疾病之一，会显著缩短患者的寿命。为了制定能够延长患者生命的治疗计划，需要对脑肿瘤进行准确诊断。因此，本文提出了一种基于可解释的广义加性神经网络（IGANN）并结合鹦鹉优化算法（Parrot Optimization, PO）的改进方法（BTD-MRI-IGANN-PO），用于从MRI图像中检测脑肿瘤。首先，从MRI数据集中收集图像。然后使用贝叶斯边界趋势滤波（BBTF）对图像进行预处理，以提高图像质量并调整图像大小。接着，将预处理后的图像输入到可分离同步提取变换（SSET）阶段，该变换能够提取出强度、纹理、形状和频域特征等相关特征。随后，这些特征被输入到IGANN中以检测脑肿瘤，并将其分类为胶质瘤、垂体瘤、脑膜瘤或无肿瘤。鹦鹉优化算法（PO）用于优化IGANN的权重参数。通过一些性能指标（如准确性、计算时间、精确度、特异性、F值、召回率和混淆矩阵）评估了BTD-MRI-IGANN-PO的有效性。与现有的基于卷积神经网络的脑肿瘤检测方法（MRI-BTD-CNN）、利用卷积神经网络的脑肿瘤MRI检测方法（BT-MRI-CNN）以及利用深度神经网络进行脑肿瘤早期诊断的方法（ED-BT-DNN）相比，BTD-MRI-IGANN-PO在准确性方面分别提高了24.39%、35.71%和25.55%；在精确度方面提高了20.73%、13.79%和16.47%；在召回率方面提高了14.24%、24.18%和14.34%。

引言

在医学术语中，肿瘤被称为良性或恶性新生物，有超过200种不同类型的肿瘤可能危害人类[1]。根据美国癌症协会的说法[2,3]，脑肿瘤是一种由于脑组织异常生长而抑制脑功能的严重疾病。根据国家脑肿瘤基金会的数据[4]，在过去30年里，因脑肿瘤死亡的人数增加了30倍。如果不进行治疗，脑肿瘤可能是致命的。脑肿瘤的复杂性给医疗专家在诊断和治疗方面带来了困难[5]。脑肿瘤的预后很大程度上取决于早期诊断和治疗开始的时间。脑肿瘤活检比身体其他部位的活检更具挑战性，因为需要进行手术[6]。因此，开发多样化的非手术诊断方法至关重要。目前最有效且广泛使用的预测脑癌的技术是MRI。近年来，机器学习（ML），尤其是深度学习（DL）的发展使得从医学影像中寻找和分类模式成为可能[7,8]。该领域的一个主要成就是能够从数据中获取知识，而无需依赖专家或其他科学文献[9]。疾病诊断、分子和细胞结构的检测、器官分割、图像分类等领域都显示出了算法学习作为提高效率的有效工具[10]。如今，卷积神经网络（CNN）在图像处理中应用最为广泛，因其具有多层结构和较高的诊断准确性，尤其适用于处理大量输入图像。神经网络还被应用于无监督学习方法——自编码器中，以促进表示学习[11,12]。令人惊讶的是，多种ML-DL方法也被用于识别和诊断心血管狭窄和恶性肿瘤，包括肺肿瘤[13,14]。此外，性能评估表明这些方法在诊断方面表现出色。许多研究项目探讨了使用不同技术检测脑肿瘤的方法[15]。然而，这些研究存在局限性，例如没有提供所提出方法与传统ML方法之间的性能比较。从科学角度来看，通过医学影像诊断肿瘤的准确性不高，且很大程度上依赖于放射科医生的经验[16]。由于病理学的巨大多样性和人类专家的疲劳，研究人员可以从计算机辅助干预中受益[17,18]。以计算智能为导向的方法有助于医生定位脑肿瘤。特别是深度学习，是用于分析、分类和分割癌症图像（尤其是脑肿瘤）的ML技术的重要组成部分[19][20][21]。

由于脑肿瘤发病率的上升，采用可靠的MRI成像诊断方法进行早期识别变得至关重要。当前的手动分析程序繁琐且容易出错，导致诊断和治疗延误。本研究旨在利用先进的ML方法开发自动化系统，以准确检测和分类磁共振成像（MRI）中的脑肿瘤，从而提高临床效果并帮助医疗专业人员更快、更可靠地做出判断。

本文的主要创新在于创建了BTD-MRI-IGANN-PO集成框架：IGANN网络通过其加性结构实现清晰的肿瘤特征识别，而PO优化器通过逐步的自适应方向更新来调整参数，从而提升模型性能。这种可解释的神经架构和智能优化策略相结合，提供了一种新颖的、可解释的、自适应调节的MRI肿瘤检测方法。

本文的主要贡献包括：

• •
  提出了一种基于可解释的广义加性神经网络（IGANN）并结合鹦鹉优化算法（PO）的改进方法（BTD-MRI-IGANN-PO），用于从MRI图像中检测脑肿瘤。
• •
  使用BBTF提高MRI图像的质量和清晰度，从而在后续处理阶段实现更准确的肿瘤可视化。
• •
  通过提取肿瘤颜色、形状和大小等重要参数，确保仅处理相关数据，从而提高分类性能。
• •
  IGANN模型的可解释性对于临床应用至关重要，它不仅能将脑肿瘤分类为胶质瘤、垂体瘤、脑膜瘤或无肿瘤，还具有其他临床意义。
• •
  通过优化IGANN参数，PO提高了分类能力并减少了处理时间，从而优化了诊断过程。

本文的结构如下：第2节为文献综述，第3节介绍所提出的方法，第4节展示结果和讨论，第5节给出结论。

章节摘录

文献综述

文献中提到的许多关于基于DL的脑肿瘤分类的研究都依赖于MRI；这里回顾了一些最新的研究：

Saeedi等人[22]提出了一种基于卷积自编码器的框架，并结合机器学习分类器进行肿瘤检测，虽然在准确性方面取得了良好结果，但由于架构较深，计算时间较长且召回率较低。该研究并未关注可解释性或参数效率。

提出的方法

BTD-MRI-IGANN-PO方法分为四个自动阶段来检测MRI图像中的脑肿瘤。首先，使用BBTF通过边界感知平滑去除噪声，保留肿瘤边缘以保持结构完整性。然后，SSET利用图像分解从不同域提取多种特征，以识别肿瘤的强度、纹理、形状以及频率模式等异质性。

结果与讨论

这里展示了BTD-MRI-IGANN-PO的实验结果。实验使用TensorFlow 2.13和CUDA 12.0在NVIDIA RTX 3050 GPU上进行，计算机配置为12GB RAM和Intel ?core (7M) i3-6100 CPU @ 3.70GHz处理器，在相同条件下对所有模型进行了测试。现有方法也在相同条件下进行了实验。表2显示了超参数设置，图4展示了实验结果。

结论

在本研究中，成功实现了提出的BTD-MRI-IGANN-PO。根据实验结果，BTD-MRI-IGANN-PO在所有指标上均表现优于现有方法（MRI-BTD-CNN、BT-MRI-CNN和ED-BT-DNN）。与这些方法相比，BTD-MRI-IGANN-PO在准确性方面提高了24.39%、35.71%和25.55%；在精确度方面提高了20.73%、13.79%和16.47%；在召回率方面提高了14.24%、24.18%和14.34%。

作者贡献

桑迪娅女士（Ms. S. Sandhya）- 概念化方法、原始草案准备 森蒂尔·库马尔博士（Dr. M. Senthil Kumar）- 指导 苏西·S·K博士（Dr. Susee S. K）- 指导

作者贡献声明

桑迪娅女士：撰写原始草案。森蒂尔·库马尔博士：指导。苏西·S·K：指导。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。