基于高斯模型的混合技术用于结核病诊断

沙特国王大学学报基于高斯模型的混合技术在结核病诊断K.S. Mithra，1，W.R.山姆·伊曼纽尔2部计算机科学，Nesamony纪念基督教学院，Marthandam，附属于Manonmaniam Sundaranar大学，Abishekapatti，Turunelveli，泰米尔纳德邦627012，印度阿提奇莱因福奥文章历史记录：2018年4月17日收到2018年7月18日修订2018年7月24日接受在线发售2018年保留字：结核病诊断痰涂片图像决策树深度信念网络高斯混合模型感染水平A B S T R A C T结核病（TB）是由结核分枝杆菌引起的，这是一种世界各地的常见疾病，如果在早期阶段没有诊断出来，可能是最致命的因此，需要一种准确有效的技术来诊断结核病。因此，提出了一种混合分类器，命名为，基于高斯决策树的深度信念网络（GDT-DBN）诊断结核病的感染水平从痰涂片显微图像。在这里，使用建议的GDT-DBN分类器执行两级分类，该GDT-DBN分类器是决策树（DT）、深度置信网络（DBN）和高斯混合模型（GMM）的组合。第一级分类依赖于将图像分类为三类，即很少的杆菌、没有杆菌和重叠的杆菌，而第二级分类发现存在的杆菌的数量，并且基于杆菌计数，测量密度比以确定感染水平。计算并比较了均方误差、缺失数和感染水平差的结果，优于现有方法。©2018作者制作和主办：Elsevier B.V.代表沙特国王大学这是一CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍影响数百万人的常见传染病和可怕疾病之一是结核病（TB），其由称为结核分枝杆菌的细菌传播。结核分枝杆菌通过血流和淋巴系统影响人体的任何器官，特别是肺。 基于针对特定个体收集的痰中分枝杆菌的数量，测量涂片和培养阳性的灵敏度，并且痰中杆菌的数量预测TB的严重性（Sheeba等人， 2015年）。当结核病患者打喷嚏、说话或咳嗽时，这种疾病通过空气传播观察到涂阳肺结核患者可以通过*通讯作者。电子邮件地址：ksmithra1@gmail.com（K.S.Mithra），sam_emmanuel@nmcc.ac.inW.R. Sam Emmanuel）。1名研究学者（注册号12323）。2 副 教 授 ， 系 Nesamony Memorial Christian College ， Marthandam ， Affliated toManonmaniam Sundaranar University，Tirunelveli，Tamil Nadu 627012，India.沙特国王大学负责同行审查制作和主办：Elsevier该疾病传播给他们所在地区的10个人（Rulaningtyas等人，2015年 ） 。 为 了 提 供 结 核 病 爆 发 的 详 细 和 最 新 估 计 ， 世 界 卫 生 组 织（WHO）发布了一份年度报告，以提高全球对结核病的认识和控制2013年，全球结核病控制报告表明，结核病仍然是一个主要的全球健康问题。据估计，有860万人患上结核病，130万人死于结核病，其中包括32万艾滋病毒阳性者（世卫组织报告，2018年）。结核病死亡的数量是不可接受的大，即使大多数是可以预防的（Costa Filho等人，2015年）。因此，及早发现结核病，从而开始适当的治疗，不仅可以挽救病人的生命，而且还可以防止结核病在附近地区流行。使用痰涂片诊断TB是从显微镜图像中的Ziehl-Neelsen（ZN）染色得到的结果例如，2015）（Steingart等人，2006年）。ZN染色产生红色和蓝色的图像，其中红色表示TB细菌的影响这里，最初，TB的存在是根据红色确定的，然后，基于细菌的形状。然而，痰涂片中的ZN染色可能产生复杂颜色的图像，这增加了临床医生手动分析载玻片的难度。尽管如此，在大多数国家中，TB检测是通过使用显微镜进行细菌计数来手动进行的（Rulaningtyas等人， 2017年）。虽然采用了几种技术来提高灵敏度，但结核病检测的质量取决于不同的标准，例如https://doi.org/10.1016/j.jksuci.2018.07.0081319-1578/©2018作者。制作和主办：Elsevier B.V.代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comK.S. 密特拉，W.R.Sam Emmanuel/ Journal of King Saud University989设备差、工作量大、工作人员经验不足等。因此，从痰涂片图像检测TB的研究集中在自动方法上（Makkapati等人，2009年）。痰涂片染色图像的自动化处理，减轻了技术人员的工作量，减少了人工处理的误差，提高了处理的灵敏度，具有重要的临床意义。计算机硬件的发展，人工智能（Albuquerque等人， 2017）（Marinho等人， 2017），图像处理技术（Rodrigues等人，2017）等为开发几种计算机辅助系统来检查结核病铺平了道路。设计用于TB诊断的大多数自动技术结合了用于图像处理和模式识别的技术（Van Deun等人， 2002年）。本文采用了一个自动结核病识别和定量系统，使用所提出的GDT-DBN分类器，它发现痰图像是否属于类，少数杆菌，1级分类中无杆菌或重叠杆菌，2级分类中有杆菌计数。根据2级分类的输出，识别感染级别。本文提出了一种新的结核杆菌分类器GDT-DBN，用于结核杆菌的分类，以确定结核病的感染程度。提出的GDT-DBN分类器是DT和DBN的组合，并使用高斯模型融合两个分类器的结果，使得分类器能够有效地处理非线性数据。对痰涂片图像进行颜色空间变换阈值分割后，提取颜色直方图、LDP、长度、密度、面积等特征。本文的主要贡献是：介绍了GDT-DBN分类器，它是利用三个模型，即DT，DBN和GMM开发的，这样DT和DBN的结果融合基于融合过程的GMM。此外，一个两级分类进行使用建议的GDT-DBN分类器，以确定从图像中的患者的感染水平本文的结构如下：第一部分介绍了结核病的诊断。第2节讨论了文献中的各种技术，第3节提出了为分类而开发的建议GDT-DBN分类器。在第4节中，所提出的技术的结果进行了演示，第5节总结了论文。2. 背景本节介绍了几种现有的结核病诊断技术及其局限性。M. I. Shah等人，基于具有各种预处理技术的分水岭分割方法，使用照相机使能的SmartphoneZN染色图像（Shah等人，2016年）。该方法 对 于 过 染 色 和 噪 声 较 大 的 图 像 效 果 较 差 . G. E. Sugirtha 和 G.Murugesan（Sugirtha和Murugesan，2017）介绍了一种基于颜色分割和分类的结核分枝杆菌自动检测方法。在这里，候选杆菌分割的图像特征的基础上，并进行分组的基础上连接组件分析。Jun-Jun Yeh（Yeh，2017）设计了一种技术，用于预测初始抗酸杆菌痰涂片阴性的患者中的涂片阳性活动性肺结核。该技术是基于高分辨率计算机断层扫描。通过使用神经网络开发了用于诊断肺TB的自动检测方法（SouzaFilho等人，2016年）。它采用多层感知器（MLP）和启发自适应共振 理 论 来 检 测 涂阴 肺 结 核 ， 但 实 验 只 使 用 少 量 患 者 样本 进 行SelenAyas和Murat Ekinci提出了一种技术，随机森林（RF）使用显微图像对结核分枝杆菌进行分类（Ayas和Ekinci，2014）。所采用的RF可以识别像素是否是候选TB杆菌像素。它提供了显著的准确性，但灵敏度较低。对于TB的诊断，Swai，Hedwiga F et al. 引入了一种算法，其中使用两个因素进行分析 ，即灵 敏度和 选择性（ Swai 等人 ， 2011 年） 。 RethabileKhutlang等人开发了两类像素分类器，以通过分割候选芽孢杆菌，使用ZN染色的痰涂片图像来诊断结核分枝杆菌（Khutlang等人，2010年）。Isaac Mutingwende等人 已经引入了一种名为NWU-TB的系统，用于诊断结核分枝杆菌并研究了其性能（Mutingwende等人， 2015年）。从皮肤镜图像中提取不同的形状、颜色和纹理定向的特征用于识别皮肤病变（Oliveira等人，2016 b）（Ma和Tavares，2017）（Oliveira等人，2018年）。基于从医学图像中提取的特征来分析人体组织密度（Filho等人， 2017年）。对计算机辅助自动3D肺结节检测的分割算法进行了综述（Valente等人，2015）、动脉粥样硬化斑块检测（ Jodas 等人， 2015 ）、 女性盆腔检测（ Ma 等人，2010）、色素性皮肤病变（Oliveira等人，2016 a）（Filho等人，2015）、帕金森病（Souza等人，2018）和耳部图像中的异常识别（Ferreira等人，2014年）。医学图像分割算法主要基于阈值和模式识别（Ma例如，2009）以及存在物体的物理原理（Goncalves等人，2008）和点分布模型（Vasconcelos和Tavares，2008）。使用 Fissure 分割进行肺癌鉴定（Neto 等人， 2016 ）和 Health ofthings algorithms（Rodrigues et al.，2018年）。使用主动轮廓方法从肺部图像发现肺部异常（Ramalho等人，2014）（Filho等人，2014）（Filho等人， 2016）和最优路径森林分类器（Filho等人，2017年）。3. 该方法本节详细阐述了所提出的GDT-DBN分类器，该分类器被开发用于识别TB的感染水平。它被设计通过结合两个分类器，即DT和DBN，以及融合两个分类器的结果的高斯模型。图1描绘了基于DT-DBN的TB级别识别的框图。如图所示，最初，痰涂片图像是输入，其经历颜色空间变换，随后进行阈值化，用于图像的分割。一旦图像被分割，重要的特征，如颜色直方图，LDP，长度，密度和面积，从分割的区域中提取。基于提取的特征，一个两级分类使用建议的GDT-DBN分类器。将提取的特征输入到GDT-DBN分类器，在第一级分类器中可以得到3个类别，即少杆菌、无杆菌和重叠杆菌。在第二级分类中，所提出的GDT-DBN分类器根据前一级分类的输出生成杆菌计数。最后，使用基于图像中的杆菌的数量和面积计算的密度比来确定感染水平。3.1. 彩色空间变换和阈值分割在痰涂片图像所提出的技术的分割采用阈值，这是执行后的颜色空间转换的输入RGB图像到CIE l*u*v颜色空间。设B为数据库，由痰涂片图像的数量组成，如等式2所示。（1）、990K.S. 密特拉，W.R.Sam Emmanuel/ Journal of King Saud UniversityXð -Þ.其中，J×ð ÞP图1.一、所提出的基于GDT-DBN的TB级别识别的框图B¼ fXig;1i6T1<其中，T是数据库中的图像总数。数据库中的每幅图像都经过l*u*v颜色空间变换，从中选择“u”空间进行进一步处理。在变换后的图像的u空间上，采用Otsu阈值法进行分割。最后，通过形态学开运算来消除阈值处理所产生的噪声。因此，通过颜色空间变换阈值分割的输入图像表示为等式（1）。（二）、Xlnsio;1j6N2<掩码，表示为M0-M7。这里，找到顶部的“k”个方向，并将其分配为值1，并且将8k比特设置为0，如在Eq. （三）、7Du c;vcfMm-Mk：2m3m¼of y1;if yP 00;否则由方程式 表示中心像素的LDP。Ij其中，si表示第i个图像的第j个片段，N是第i个图像中的片段总数。3.2. 特征提取特征提取在图像处理中起着重要的作用，因为它有助于减少冗余信息，从而降低数据的维数，使其适合于分类。在本节中，解释了特征提取过程，其中提取了基于LDP、直方图、长度、密度和面积的特征3.2.1. 局部方向图LDP描述符（Chakraborti等人， 2017）通过考虑图像的边缘值而不是像素在各个方向上的强度来提供不变的局部特征。因此，LDP即使图像有噪声并且具有照明，然后，从获得的LDP中提取直方图特征（Sergyan，2008）通过绘制颜色通道的灰度值与像素总数的关系，得到LDP的直方图。图像的性质可以从直方图形状识别。直方图概率使用Eq. （四）、我的天啊其中，Ar表示灰度级r处的像素的数量，P是等于维度U的像素的总数V分割的图像。所获得的直方图特征的大小为1× 8，其中8是箱的数量。3.2.2. 颜色直方图特征使用颜色特征可以使分类有效。在R，G和B通道中的颜色直方图是单独提取的，如等式所示。（五）、YR¼ARr9>=¼ ð Þ变化，提供相同的模式。LDP生成一个二进制代码，通过计算，利用Kirsch方法对一个像素在八个方向上的边缘响应进行了分析YG AG rYB¼ABr>;;16r62555K.S. 密特拉，W.R.Sam Emmanuel/ Journal of King Saud University991ð Þ ð Þ×.Σ一一其中，R、G和B带中的像素的数量表示为ARr，Agr和ABrr以及YR、YG和YB是颜色直方图概率。因此，图像的颜色直方图由等式给出（六）、给出了面积，这有助于分类。将提取的特征连接起来，35获得对于图像的每个片段，作为特征的维度公司简介YBð6Þ面积、密度和长度为1× 1，用公式表示（10），F¼ f F1;.. . ; F b;. ; F35 g; 1

下载后可阅读完整内容，剩余1页未读，立即下载