基于鲸鱼哈里斯霍克斯优化的深度学习分类器用于MRI图像的脑肿瘤检测

沙特国王大学学报基于Whale Harris Hawks优化的深度学习分类器用于使用MRI图像D. Rammurthya，P.K.马赫什baNavodaya Institute of Technology，Navodaya Institute of Technology，Bijangere Road，Raichur 584103，IndiabATME工程学院Mysuru，ATME工程学院，13th Kilometer Mellahalli，Mysore-Malavalli Road，Mysore 570028，India阿提奇莱因福奥文章历史记录：收到2020年2020年7月20日修订2020年8月10日接受在线预订2020年保留字：脑肿瘤检测MR图像元胞自动机深度卷积神经网络A B S T R A C T脑癌的检测是一个必不可少的过程，这是基于临床医生的知识和经验。肿瘤自动分类模型对于放射科医师进行脑肿瘤的检测具有重要意义。然而，目前的模型的精度，应提高适当的治疗。在医学影像学的文献著作中提供了大量的计算机辅助诊断（CAD）模型，以帮助放射科医生关注他们的患者。本文提出了一种优化驱动的技术，即鲸鱼哈里斯霍克斯优化（WHHO）的脑肿瘤检测使用MR图像。在这里，分割是使用元胞自动机和粗糙集理论。此外，从片段中提取特征，包括肿瘤大小、局部光学取向模式（LOOP）、均值、方差和峰度。此外，使用深度卷积神经网络（DeepCNN）执行脑肿瘤检测，其中使用所提出的WHHO执行训练。WHHO是将Whale优化算法（WOA）和Harris Hawks优化算法（HHO）相结合而设计的。所提出的基于WHHO的DeepCNN优于其他方法，其最大准确度为0.816，最大特异性为0.791，最大灵敏度为0.974。©2020作者由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍肿瘤是癌细胞在身体任何部位不受控制的生长。根据肿瘤的特点和治疗方法的不同，将肿瘤分为不同的类型。在所有类型的肿瘤中，脑肿瘤被认为是最危险和最危险的疾病，这需要医务人员进行明确的分析，才能准确地对肿瘤进行分类。因此，智能数字化图像处理方法被广泛用于肿瘤图像的分类和检测阶段（Polepaka等人，2019年）的报告。利用磁共振图像对脑肿瘤进行分割和检测是医学治疗的重要组成部分。该过程提供了与解剖结构相关的信息，用于规划治疗。肿瘤分割可以用于大脑建模和构建*通讯作者。电子邮件地址：rammurthy.nit. gmail.com（D. Rammurthy）。沙特国王大学负责同行审查大脑地图集尽管在医学成像中有许多方法和它们的优异结果，但是由于肿瘤的不同位置、强度和形状，异常的精确描述和分割是主要问题和复杂任务（Khotanlou等人，2009年）。MRI是一种增强成像模式，用于分析脑图像中存在的肿瘤脑肿瘤在后期使用MR图像进行治疗MRI代表一种普遍存在的成像模态，其帮助医疗从业者诊断和治疗患者的状况MRI利用磁区、脉冲和计算机来可视化器官、骨骼和身体结构的区域大脑MRI分析是识别大脑中引起的疾病的过程脑MRI提供了可理解的图像与后脑脑干，是复杂的，而从CT扫描。分割在从复杂的医学图像中提取恶意区域中起着重要作用（Gopal和Karnan，2010）。近年来，在利用医学图像进行肿瘤分割诊断脑肿瘤的研究中进行了许多尝试脑肿瘤的自动分割在医学领域具有重要的意义，可以准确地检测出疾病。尽管自动肿瘤分割的有效性已得到公认，但尚无临床实践或提供脑肿瘤的自动分割任务的目的是检测https://doi.org/10.1016/j.jksuci.2020.08.0061319-1578/©2020作者。由爱思唯尔公司出版代表沙特国王大学这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.com3260D. 拉姆穆尔蒂峰Mahesh/ Journal of King Saud University通过采用数字图像处理方法从脑MRI中提取肿瘤区域，并使用对称性分析和全自动过程计算肿瘤区域（Roy和Bandyopadhyay，2012）。由于肿瘤的大小、深度和位置的不同，检测肿瘤的主要问题也随之增加。肿瘤的发现范围从时间到人类的相互作用。此外，它基于观察者确定肿瘤细胞的位置、长度和形式的能力（Louis等人，2016年）。脑肿瘤的早期发现和分类是病例评估的重要任务，从而帮助选择治疗技术以挽救患者的生命。此外，在复杂的情况下，分类阶段对于医疗从业者来说可能是复杂的。在某些情况下，需要专家对肿瘤进行诊断和定位，将肿瘤组织与相邻区域进行比较，然后在图像上应用滤波器以去除图像中包含的噪声和伪影。MR图像可以用于使人的视觉更清晰，以用于检测肿瘤。然而，使用MR图像分割和检测脑肿瘤需要更多时间，因此需要使用计算机辅助诊断（CAD）系统在无人为干预的情况下早期检测脑肿瘤（Angelis，2017）。许多技术被设计用于使用不同的机器学习方法来进行脑肿瘤分类 ， 考 虑 到 成 像 模 式 ， 如 MRI 、 CT 等 。 在 Zacharaki et al.（2009a），开发了一种模型，用于使用KNN和SVM分类器对不同级别的神经胶质瘤进行分类。在El-Dahshan et al. （2010）用于将肿瘤区域分类为异常或正常图像，考虑离散小波变换（DWT）用于挖掘特征并使用主成分分析（PCA）降低特征的维度。将这些特征应用于KNN和ANN中，对图像进行了高精度的分类在Cheng等人（2015）中，设计了一种技术，通过使用图像膨胀观察肿瘤区域，然后划分区域以识别肿瘤，从而提高肿瘤分类的性能。在这里，三种方法 被 用 于 提 取 特 征 ， 涉 及 词 袋 （ BOW ） 和 灰 度 共 生 矩 阵（GLCM），并通过增强肿瘤区域，以提高准确性。此外，二进制分类器（Papageorgiou等人，2008）用于不同的类别，以使用SVM和GA确定肿瘤区域是恶性的、正常的还是良性的。在Abdolmaleki etal. （1997），设计了三层反向传播神经网络，用于使用不同特征区分良恶性肿瘤此外，在Papageorgiou等人（2008）中，基于模糊认知图（FCM ）分析肿瘤区域以区分高级别和低级别胶质瘤。在Zacharaki et al. （2009 b），设计了一种用于将肿瘤分类为不同类型如原发性神经胶质瘤、转移瘤和神经胶质瘤的方法。在Hsieh等人（2017）中，对CAD系统进行了建模，用于提取MRI的重要特征，以计算神经胶质瘤的生长。研究的目的是提出一种脑肿瘤检测方法，采用所提出的基于WHHO的Deep CNN的策略。该研究的主要贡献是使用一组统计和纹理特征检测肿瘤。这里，采用基于细胞的粗糙集理论来获得从其识别癌区域的片段。此外，还提取了均值、方差、峰度、肿瘤大小和LOOP特征等特征，用于确定肿瘤。此外，Deep CNN用于使用特征检测肿瘤。最后，通过WHHO训练Deep CNN，以最佳方式学习模型参数。WHHO算法继承了HHO算法的高全局收敛性，是本文提出的算法。因此，所提出的基于WHHO的深度CNN在促进脑肿瘤检测的同时提供了有效的准确性。 的使用所提出的WHHO算法来执行深度CNN的训练，该WHHO算法是WOA和HHO算法的集成。该研究的主要贡献是：提出的基于WHHO的Deep CNN用于脑肿瘤检测：通过使用WHHO算法修改Deep CNN的训练算法，提出了一种分类器，基于WHHO的Deep CNN，该算法是通过结合WOA和HHO算法新衍生的，用于优化权重和偏差。所提出的基于WHHO的深度CNN适用于从MR图像中检测肿瘤。论文的其余部分安排如下：第2节阐述了文献中使用的传统脑肿瘤检测策略的描述和面临的挑战，这被认为是开发所提出的技术的灵感。在第3节中描述了使用优化的Deep CNN进行脑肿瘤检测的拟议方法第4节描述了所提出的方法与其他方法的比较结果，最后，第5节给出了结论。2. 动机脑肿瘤是一种严重的癌症，可能会导致人体严重的并发症因此，准确和早期诊断脑肿瘤可以最大限度地提高生存率。然而，如何对不同的肿瘤病例进行准确的诊断是一个具有挑战性的问题.因此，使用优化算法产生有效的肿瘤表示是促进有效脑肿瘤检测的主要步骤在这里，现有的8种基于脑肿瘤检测的技术进行了分析，每种方法的局限性站的动机，设计一种新的脑肿瘤检测策略。2.1. 文献综述基 于使 用 MRI 图 像进 行脑 肿瘤 检 测的 八种 现有 方 法如 下：（Bhargavi和Mani，2019）利用卷积神经网络（CNN）检测肿瘤区域。在这里，MR图像被馈送到预处理阶段，以消除图像中包含的噪声和伪影。利用离散小波对像素进行分解，结合灰度共生矩阵（GLCM）和形态学运算提取纹理特征在这里，卷积神经社区分类器适用于检测肿瘤区域。值得注意的是，肿瘤的测定是快速的，结果准确然而，该方法未能评估肿瘤的深度，大小和位置。Pandiselvi和Maheswaran （ 2019 ）开发了一种方法，即自适应凸区域轮廓（ACRC），用于使用MR图像检测肿瘤区域。在这里，SVM用于分类切片，以确定该区域是异常还是正常。在得到支持向量机的结果后，考虑异常切片对图像进行分割。此外，快速模式图像匹配（RMIM）算法用于建模的三维重建。使用MR图像扫描，利用3D模型该方法在检测肿瘤区域时具有较高的效率，但计算时间较长。Sultan等人（2019）使用CNN设计了深度学习模型，用于使用公共数据集对肿瘤进行分类。该模型被用于分类肿瘤，如垂体瘤，胶质瘤和脑膜瘤肿瘤。这些肿瘤被用来区分胶质瘤的等级此外，使用两个dropout层提供的方法●D. 拉姆穆尔蒂峰Mahesh/ Journal of King Saud University3261提高了准确性，但不适用于大规模的数据集。Abiwinanda等人（2019）利用CNN识别脑肿瘤MRI扫描中存在的肿瘤。CNN适用于识别肿瘤类型，包括垂体瘤、胶质瘤或脑膜瘤。利用CNN构成不同的层，如最大池化层、平坦化层、隐藏层和卷积层，用于识别肿瘤类型。然而，该方法未能考虑CNN中的颜色平衡步骤，以提高从脑MRI像素的分类准确性。Sajjad等人（2019）设计了一种基于CNN的多级脑肿瘤分类模型，用于检测脑MRI中存在的肿瘤区域。首先，使用深度学习方法分割MR图像中存在的肿瘤区域。其次，数据增强适用于训练系统进行分类检测多级脑肿瘤。然后，预训练的CNN模型经过微调，用于对脑肿瘤的严重程度进行该方法显示出增强的性能，但未能同时平衡效率和准确性Deepak和Ameer（2019）设计了一种分类模型，用于区分构成三种主要脑肿瘤的垂体瘤、神经胶质瘤和脑膜瘤。该分类模型解决了深度transfer学习的问题，并使用经过训练的GoogLeNet来提取大脑MRI图像的特征。该方法集成了用于对提取的特征进行分类的分类器模型。该方法在训练样本较少的情况下提高了精度。然而，该方法存在过拟合问题。Gumaei等人（2019）设计了基于正则化极限学习机（ELM）的混合特征提取方法，用于设计精确的脑肿瘤分类模型。ELM是一种分类和回归方法，由于其克服与反向传播方法相关的一些缺点的能力而用于许多应用ELM的训练速度和低复杂度使其优于其他分类器。脑肿瘤分类用于基于ELM分类器识别该方法首先采用特征提取策略对脑图像进行特征挖掘此外，协方差矩阵设计使用主成分分析（PCA）投影新的功能。此外，正则化的极端学习机（RELM）用于分类脑肿瘤。然而，该方法未能采用其他机器学习分类器来提高准确性。Kaur 和 Gandhi （ 2020 ） 开 发 了 一 种 方 法 ， 即 卷 积 神 经 网 络（CNN）用于MR脑图像分类。CNN通过直接从原始图像中提取图像特征来执行分类，以便它可以调整卷积层和池化层的参数。它可以一次执行多个分类，并可以定位图像中的对象，另一方面，它很难实现，它是更昂贵的。Swati等人（2019）采用基于预训练深度CNN的分块微调策略进行肿瘤分类。该方法使用增强的基准数据集分析T1加权对比度。该方法具有通用性强、预处理量少、精度高的特点。该方法优于现有方法，但不能增加正常脑CE-MR图像来区分肿瘤。Swati等人（2019 a）设计了对比增强磁共振成像（CE-MRI）。它可以为身体器官MRI图像和其他医学成像领域（如X射线，PET和CT）开发分类系统它具有很高的空间和时间分辨率，并且不涉及辐射。与其他方法（如X射线和CT）相比，它非常昂贵且耗时2.2. 挑战现有方法面临的挑战如下：尽管存在许多用于对脑肿瘤进行分类的方法，但是这些方法存在缺点，在执行脑肿瘤的分类和分割时应当考虑这些缺点。该模型的第一个缺点是其对肿瘤的二元分类，这对放射科医生产生了更多的模糊性。此外，缺乏数据是研究人员获得准确结果所面临的主要问题（Sajjad等人，2019年）的报告。由于两个问题，使用脑图像对肿瘤进行分类是一项具有挑战性的任务。第一个问题是，脑肿瘤在大小、强度和形状方面存在很大差异。第二个问题是肿瘤具有多种病理类型，表现相同（Deepak和Ameer，2019）。在Pandiselvi和Maheswaran（2019）中，设计了一种自适应凸区域轮廓（ACRC）技术，用于使用MR图像分割脑肿瘤。在这里，SVM用于分类切片，以检测该区域是正常还是异常。同时，该方法还具有较好的性能，较好地解决了高维、小样本、非线性等问题.然而，这种技术需要大量的特征值，这可能会对分类结果造成干扰。在Sultan等人（2019）中，使用卷积神经网络设计了一种深度学习模型，用于对脑肿瘤的类型进行分类。尽管深度学习技术增强了肿瘤的分类，但它们需要大量的训练数据进行分析。此外，在执行分类时，计算成本和训练时间很高脑肿瘤从脑MRI中分割和确定肿瘤区域是一项复杂的任务，因为它需要大量的时间来分析肿瘤区域。此外，在检测脑肿瘤时，方法的准确性受到很大影响。3. 拟议的WHHO-DeepCNN用于脑肿瘤分类脑肿瘤被认为是一种严重的疾病，其中图像的准确性起着至关重要的作用。准确诊断脑肿瘤有助于精确检测受肿瘤影响的区域，从而最大限度地降低死亡率。因此，检测隐藏的图案对于实现改进的诊断和改进图像质量是必要的。然而，考虑到不同的病变情况，获得准确的诊断成为一个主要问题。为了克服传统技术的问题，提出了使用基于WHHO的深度卷积神经网络从肿瘤图像中自动检测脑肿瘤患者，其中提取统计和纹理特征以执行分类。最初，对输入的脑MR图像进行预处理，以使图像适合于随后的处理。预处理图像经过分割模块，其中预处理图像使用元 胞 自 动 机 和 粗 糙 集 理 论 进 行 分 割 （ Ramamurthy 和 Mahesh ，2019）。一旦获得片段，则考虑每个片段来执行特征提取。从每个片段提取统计特征和纹理特征，其涉及均值、方差、峰度、肿瘤大小和LOOP（Chakraborti等人，2017年）。从每个片段中提取的特征被公式化为特征向量。最后，用深度CNN进行脑肿瘤检测（Tu等人，2017; Babu等人，2016），其中使用所提出的WHHO来训练深度CNN。所提出的WHHO是标准HHO（Heidari等人， 2019年）和WOA（Mirjalili和Lewis，2016年），以继承这两种优化的优点，实现有效的训练，●●●●●3262D. 拉姆穆尔蒂峰Mahesh/ Journal of King Saud UniversityþFig. 1.用于脑肿瘤分类的所提出的基于WHHO的DCNN的示意图。分类器图1描绘了使用所提出的基于WHHO的深度CNN的脑肿瘤检测框架。假设数据库D具有g个MRI图像，并且表示为，D¼.I1;I2;. . . ;Ie;. . . ;Ig1其中，Ie表示第e幅图像，g表示数据库中包含的MR图像总数。3.1. 使用输入脑MRI图像的预处理的重要性在于能够更平滑地处理输入图像。预处理被认为是处理图像以使其适合于检测过程的重要步骤。此外，进行预处理以消除图像中包含的噪声和伪影。此外，预处理可以作为图像增强模块来辅助，其具有增强用于脑肿瘤检测的图像的对比度的能力。预处理后的图像同时被馈送到分割，用于提取适合于脑肿瘤检测的重要特征3.2. 分割预 处 理 后 的 图 像 经 过 使 用 元 胞 自 动 机 模 型 （ Ramamurthy 和Mahesh，2019）的分割模块，以生成片段。预处理的图像由不同的片段组成，每个片段代表单独的区域。在脑肿瘤检测方案中，应用了元胞自动机模型和粗糙集理论用每个片段找到癌变区域。CA使用三重函数来描述，即K;L;c，其中K表示状态，L表示邻域，c表示状态转换功能对于图像分割，K表示链接到每个像素的类标签。像素r的邻域L表示为，L¼Rr;t2其中，Rr;t表示在像素r处考虑的半径为tP1的圆。状态转移函数c表示单元在时间u的状态1考虑时间u的像元值：非统计工具粗糙集理论是用来对不精确的数据或不能在上、下界下刻画的数据进行分类和分析的。粗糙集由属于集合的下近似、可能属于集合的上近似和上、下近似之差的边界区域组成。基于元胞自动机和粗糙集理论，得到的段表示为S，S由下式给出，S1; S2;. ; S x;. . ; S ng33.3. 提取统计和纹理特征生成特征向量一旦获得了片段，则考虑预处理图像的每个片段来特征的提取保证了统计特征和纹理特征相适应的有效脑肿瘤检测。对于特征提取，每个片段以这样的方式进行适配，使得特征确保脑肿瘤检测中的提高的准确性。从片段中提取的特征包括统计特征，如均值、方差、峰度、肿瘤大小和纹理特征，如LOOP，其解释如下：a) 平均值：均值是MRI图像分割的主要类别。一种双层前馈神经网络●D. 拉姆穆尔蒂峰Mahesh/ Journal of King Saud University3263X1j j.ðÞ¼2jdSn j247该网络能够预测肿瘤生长，均方误差为16%。通过计算图像中包含的像素的平均值来计算平均值，jdSnjl¼×dS n4比传统的LBP算子更不易受噪声影响。在这里，LDP是一种增强的局部模式描述符，它引入了具有Kirsch罗盘核的方向分量。与LBP算子相比，该描述符不易受噪声的影响。LBP是另一种众所周知的描述符，其捕获图像的局部强度变化并提出改进的辨别特性。怎么--然而，自民党和自民党面临的主要问题是，其中，n是总的片段，dSn表示每个片段的像素值，并且d Sn表示包含在片段中的总像素。b) 方差：方差是对数据集中数字之间的分布的度量。也就是说，它测量集合中的每个数字距离平均值有多远，因此距离集合中的每个其他数字有多远。变异可以识别大脑中变异的原因，它有助于检测大脑个脑袋方差特征r基于均值值表示为PjdSnjjSn-lj¼二值化权重的dominized序列，其向方向添加依赖性。这导致我们建议通过将二值化权重分配给对应于像素方向上的Kirsch输出强度的每个相邻像素来合并信息。为了解决这个问题，LOOP适于提供尺度独立性。考虑k o表示图像I在像素位置处的强度，并且kj=0;1;. . ;7是除中心像素k o外的像素在像素ko 的x3 × 3 像 素 范 围 内 的 强 度。这些像素中的每一个都被分配一个指数xj（0和7之间的数字）。The LOOP（Chakraborti等人，2017）特征表示为，rn1dSnð5ÞL<$LOOPuo;vo<$Xzkj-ko2xjð8Þc) 峰度：这是一分布。它测量尾部的极值。具有高峰度的分布显示尾部数据超过正态分布的尾部峰度是一个衡量j¼0z s1If sP00否则ð9Þ一个实值随机变量的概率分布的形状。它可以识别肿瘤的形状，可以通过使用感兴趣区域（ROI）来识别。它可以检测良性和恶性脑病变。峰度j表示均匀度，其定义了峰峰度的内涵在于它描述了对象形状基于算术值。峰度表示概率分布的相对峰值。因此，LOOP描述符将旋转不变性编码到主公式中。3.3.1. 特征向量的形成当量（10）演示了统计特征和纹理特征的集合因此，从每个段提取的特征被给出为，J/fl;r;j;Q;Lg=10K¼F“的。Y-1-4#FhY-l4il4. 我的天FY-1ð6Þ其中，J指示使用每个分段t、l、r、j提取的特征向量，并且e指示平均值、方差、峰度、肿瘤大小等。而“大”，就是“大”，就是“大”。特征向量被提供给DCNN，DCNN对图像上的输入图像进行其中，l4表示中心矩，r是标准偏差。d) 肿瘤大小：可以提取特征，以便在脑部MRI图像中识别肿瘤。从MR图像中分割肿瘤涉及不同的覆盖病理学、MRI材料学、放射科医师的识别以及考虑强度和形状的图像分析。脑肿瘤可以是任何大小，可以具有各种各样的形状，可以出现在任何区域，并且可以以不同的图像强度显示。面积特征是指被肿瘤覆盖的边界，并且表示为Q。pQ¼长×宽×宽7厘米其中，L表示长度，W是肿瘤尺寸的宽度。e) LOOP：LOOP提供了LDP和LBP的非线性组合，在保护各自优势的同时解决了问题。LBP是一种流行的描述符，它捕获图像的局部强度变化模式，并具有良好的区分特性。LDP是一种改进的局部模式描述子，它利用Kirsch-compass核引入了方向分量.它被证明是提供的功能的基础，并派生类标签。分类器导出类别标签并对与输入图像相对应的癌性和非癌性进行分类。3.4. 基于WHHO的Deep CNN用于脑肿瘤分类在这里，提出了使用所提出的WHHO方法的脑肿瘤检测，并且使用特征向量进行检测 使用DCNN（Tu et al.，2017; Babu等人，2016），分类器的训练是通过所提出的训练算法完成的，称为WHHO，它是WOA与HHO的集成。建议WHHO的目标是从输入图像中检测的基础上提取的特征的癌症区域。WOA（Mirjalili 和Lewis，2016）算法是基于鲸鱼的社会行为而引入的。WOA算法提高了收敛速度，获得全局最优解. WOA能够解决具有困难的未知搜索空间的现实问题。另一方面，HHO（Heidari等人，2019年）的灵感来自哈里斯的老鹰的乐于助人的行为和追逐风格。该方法是有效的，在解决不同的优化问题，能够提供有效的解决方案。此外，HHO还能够解决搜索空间的复杂性，考虑欺骗性最优解，局部最优解和多模态问题。因此，在HHO中结合WOA产生具有改进的性能的更好的解决方案，的n1RR4¼3264D. 拉姆穆尔蒂峰Mahesh/ Journal of King Saud University--WRRωp1f;pX1¼错误FGgFf¼Ff¼f;p;m;n：Fm;n##p;wRuf;p#ÞeF¼u下面描述DCNN的架构和所提出的WHHO的算法步骤3.4.1. DeepCNN的架构Deep CNN的结构设计（Tu et al.，2017; Babu等人，2016年）在本节中使用图2 描绘。深度 CNN 由池化（ POOL ）层，卷积（conv）层，和全连接（FC）层，其中每一层都负责其中，Tu是输入，Tu-1是输出，并且函数是指第u层中的全连接层：从池化中并且将CONV层作为全连接层的输入给出，以启动对象分类。从全连接层生成的输出表示为，WP-1 Wp-1Wp-1苏兹带u的uX1X2第1页X3 .Vu- 是的Tu-1特征图被进一步向下采样并被馈送到池层。ers，这是Deep CNN的第二层。最后，FC层领先uf;p;m;n表示连接第p个特征中的m;n的分类过程。在Deep CNN中使用大量的卷积层，分类的准确性得到了显着提高卷积层：卷积层用于生成特征，并提供从分割对象生成的特征向量的模式提取。神经元与可训练的权重相关联，并且这些训练的权重使用输入进行卷积以构建特征图。然后，将结果馈送到非线性激活函数，以减轻输入和响应变量之间的复杂函数映射。卷积层的输入是作为火花过程的结果生成的分割图像，并且Deep CNN中的卷积层的数量为，T¼ fT1;T2;：;Th;：;Ti g11其中，i表示Deep CNN中的conv层的总数，Th表示Deep CNN中的第hconv层。单位位于导出输出，表示为，图层使用地图1和第f个单元在层u中。使用所提出的随机CCO算法的权重进行优化调整。3.4.2. DeepCNN的训练DCNN的训练（Tu等人，2017; Babu等人，2016）使用所提出的WHHO算法来执行，该算法旨在确定用于调整用于脑肿瘤检测的DCNN分类器的最佳权重。简要说明了在执行建议的WHHO算法时执行的算法步骤本文介绍最佳权重是根据所提出的WHHO算法设计的，这有助于调整DCNN以获得最佳分类结果。脑肿瘤检测采用所提出的基于WHHO的DCNN通过设计最佳分类来对输入图像进行分类，并且能够处理来自分布式源的新图像。拟议WHHO的算法步骤如下所示第一步：初始化：第一步是初始化解决方案及其相关参数。.Th. thp1uX1X1p 1zX2 .XuΣ公司简介.Th-112A ¼ fA1; A2;.. . ; A;. . ; Ag15其中，Ae是第e个解的位置，f是其中，指定conv运算符，其使得能够从从相邻conv层获得的输出中提取图案，溶液第2步：错误评估最佳解决方案是在.Tu-1战斗机m/z;r/s表示固定特征图，Wp-1表示适应度函数的基，这被称为最小化问题因此，产生较小均方误差（MSE）的解决方案是特征图的总数，以及。Xuz;s表示权重被选为最佳解决方案。这里，MSE计算如下，使用所提出的随机CCO进行训练。修正线性单元（ReLU）和池化（POOL）层：ReLU是用于确保有效性和简单性的激活函数，GMSge¼1hF-Fωi2ð16ÞReLU层的重要性在于，Deep CNN与ReLU一起更快地处理大型网络。ReLU层的输出在输入特征图时为，很有趣。Tu-1战斗机其中，Fg是预期输出，Fωg是预测输出，g指定数据样本的数量，其中1e6g。<第3步：更新权重：WOA用于解决实际问题，它们通过探索全局最优值来避免局部最优值探索搜索空间。WOA算法是高效的，图二. Deep CNN的架构。式中V执行一项独特的任务。卷积层的目的是建立考虑分割图像的特征图，m²1n² 1Þp;w ¼ru sz;s ωpz;wsð公司简介D. 拉姆穆尔蒂峰Mahesh/ Journal of King Saud University32651-v1-v我知道了ðÞ12ΣΣðþÞðÞ12ðþ ÞΣΣ¼þðÞ1/4。þΣðÞ在评估解时提供了更好的性能，并且由于其简单的算法结构，所需的微调参数较少，并且采用了WOA算法根据WOA算法（Mirjalili和Lewis，2016），解决方案更新表示为，阿兰特-不列颠哥 伦比亚省17岁其中，Arand表示一个随机数，B表示系数向量，C表示第e鲸到猎物的距离。为了提高算法的性能，优化问题，采用HHO算法。根据HHO（Heidari等人， 2019），则更新方程表示为，表1所提出的WHHO算法的伪码输入：鲸鱼种群A，迭代b，#参考系数向量，最佳解Aω输出：最佳搜索代理开始初始化鲸鱼位置A计算每个搜索代理的错误，而<对于每个搜索代理更新编号如果r0： 5<使用等式更新当前搜索代理的位置。（27）如果Ab1A兰德 — v1jA 兰德 — 2对2Abj 18检查是否有任何搜索代理超出搜索空间的范围，假设ArandP0： 5Ab1Arand-v1Arand2v1v2Ab19Ab1Arand1-v1 2v1v2Ab20Arand¼1½Ab1 -2v1v2Ab]21将等式（19）代入等式（19）。（十五）、Ab11½Ab1 -2v1v2Ab]-BC22计算每个搜索代理更新A的误差，如果存在最佳解决方案b = b + 1end while返回Aω以迭代方式导出最优权重，直到达到最大迭代次数。所提出的WHHO算法的伪代码如表1所示。4. 结果和讨论Ab1Ab1-2v1v2Ab-BC23基于准确度、灵敏度和简体中文1-v1说明了特异性参数。此外，通过使用BRATS和Sim改变训练数据百分比来执行分析。Ab1Ab12v1v2Ab-BC24Brats数据集。-4.1. 实验装置A b1111-v1Ab11-v1-12vvA B¼ - 2019年12月25日，2v1v2Ab-BC26所提出的方法的执行在PYTHON中使用具有Windows 10操作系统、2GB RAM和Intel i3核心处理器的PC完成。1-v1A b1-v11-v11-2vvAb¼ -2017年12月27日，4.2. 数据集描述对用于实验的数据库进行了模拟取自BRATS 2014的BRATS（数据集3）和BRATS数据集（数据集4）（Menze等人， 2015年），有两个严重程度的大脑Ab1v12v1v2AbBC281-v1因此，最终的更新方程表示为，肿瘤图像BRATS利用多机构术前MRI扫描，重点关注本质异质性脑肿瘤（即神经胶质瘤）的分割。BRATS一直是侧重于评估最先进的方法，为seg-Ab1一对一。2v1v2AbBC Ab1脑肿瘤（MRI）扫描。的临床相关性Þ ¼ v11-v1BRATS还专注于通过放射组学特征和机器学习1对1 2v1v2AB.B.C.29v11-v1由方程式(29)当迭代计数器增加时，探测和利用被平衡以突出搜索空间的利用建议WHHO开发和勘探阶段之间的权衡，以确定最佳的解决方案，并收敛到全局最优。步骤4：重新计算误差使用等式中给出的解重新计算误差（十四）、产生最小误差的算法用于训练DCNN以检测脑肿瘤。步骤5：使用所提出的WHHO训练算法确定最佳权重：每个解决方案的误差使用所提出的WHHO算法重新计算，并以这样一种方式进行评估，即具有较小误差的解决方案用于训练DCNN。第六步：终止算法最后，BRATS打算通过实验评估肿瘤分割的不确定性。SimBrats数据集是一个多通道MR强度，可以检测脑肿瘤的MR图像。目前医学领域中使用的SimBrats算法的准确性和鲁棒性较差。在此，分割问题可以形式化为将体素样本分类为背景、水肿或肿瘤核心的多类分类。这里，每个患者的图像被累积为四种模态，如T1、T1C、T2和FLAIR。在该数据集中，每个数据集通过一到四个速率手动分割，其追求由合格医生同意的类似注释协议。4.3. 实验结果图3阐述了使用Brats和SimBrats数据集的WHHO-DeepCNN的实验结果。从Brats和SimBrats数据集收集的原始图像表示为3266D. 拉姆穆尔蒂峰Mahesh/ Journal of King Saud Universityþ图三.使用Brats和SimBrats数据集的WHHO-DeepCNN的实验结果，考虑a）原始图像b）分割图像c）循环应用图像（d）地面实况。图3a）.在这里，分割是使用基于粗糙集理论的细胞自动机。一旦执行分割，所获得的分割图像在图3b）中表示。利用这些片段，提取特征，其中在图3c）中给出了LOOP应用图像，并且最后使用图3d）检测肿瘤区域。在图3d）中，白色区域表示必须被诊断的癌性区域。4.4. 评估指标所提出的WHHO-DeepCNN的性能用于分析方法，包括准确性，灵敏度和特异性。4.4.1. 精度准确度被描述为在最佳脑肿瘤检测中估计值相对于其原始值的接近程度，并且其被表示为，TpTn准确度<$TpTnFpFn30其中Tp表示真阳性，Fp表示假阳性，Tn表示真阴性，Fn表示假阴性。4.4.2. 灵敏度该度量被描述为被分类器正确识别的阳性的比率，并且其被表示为，TpSensitivity¼TpFn314.4.3. 特异性该度量被定义为分类器正确识别的否定的比率，并被公式化为。Tn专属性<$TnFp324.5. 比较方法用 于 分 析 的 方 法 包 括 ： 支 持 向 量 机 （ SVM ） （ Pandiselvi 和Maheswaran，2019），深度神经网络（Sultan等人，卷积神经网络（ CNN ） （ Bhargavi 和 Mani ， 2019 ） ， 并 提 出 了 WHHO-DeepCNN。4.6. 性能分析使用准确性、灵敏度和特异性评估基于所提出的WHHO-Deep CNN算法的性能分析。通过改变训练数据来执行分析。此外，所提出的WHHO-Deep CNN的训练数据是不同的，以证明所提出的技术使用BRATS和SimBRATS数据集的效率。4.6.1. 使用BRATS数据集使用具有准确度、灵敏度和特异性参数的BRATS数据集进行实验。分析是通过改变隐藏的神经元和层数来完成的。a) 基于隐神经元的分析图4描绘了使用具有不同隐藏神经元的BRATS数据集对所提出的WHHO-Deep CNN的分析。所提出的具有精度参数的WHHO-DeepCNN的分析如图4a）所示。对于90%的训练数据，具有隐藏神经元100、隐藏神经元200、隐藏神经元300和隐藏神经元400的WHHO-Deep CNN的准确度分别为0.810、0.819、0.812和0.805。具有灵敏度参数的WHHO-Deep CNN的分析如图4b）所示。对于90%的训练数据，具有隐藏神经元100、隐藏神经元200、隐藏神经元300和隐藏神经元400的WHHO-Deep CNN的灵敏度分别为0.756、0.727、0.765和0.754。具有特异性参数的所提出的WHHO-Deep CNN的分析如图4c）所示。对于90%的训练数据，所提出的具有隐藏神经元100、隐藏神经元200、隐藏神经元300和隐藏神经元400的WHHO-Deep CNN的特异性分别为0.958、0.967、0.968、0.967、0.968和0.967。0.945和0.952。b) 基于层数的分析图图5描绘了使用具有不同隐藏神经元的BRATS数据集对所提出的WHHO-Deep CNN的分析。具有准确度参数的所提出的WHHO-DeepCNN的分析在图5a）中示出。对于90%的训练数据，所提出的WHHO-Deep CNN的层1数量、层2数量、层3数量和层4数量的准确度分别为0.812、0.813、0.818和0.822。所提出的具有灵敏度参数的WHHO-Deep CNN的分析如图所示。 5 b）。对于90%的训练数据，所提出的WHHO-Deep CNN的灵敏度与D. 拉姆穆尔蒂峰Mahesh/ Journal of King Saud University3267图四、使用BRATS数据集分析具有隐藏神经元的WHHO-Deep CNN，包括a）准确性b）灵敏度c）特异性。图五、使用Brats数据集分析所提出的WHHO-Deep CNN的层数，包括a）准确性b）灵敏度c）特异性。3268D. 拉姆穆尔蒂峰Mahesh/ Journal of King Saud University层1、层2、层3和层4的数目分别为0.769、0.783、0.792和0.800。所提出的具有特异性参数的WHHO-Deep CNN的分析在图5c）中示出。对于90%的训练数据，所提出的WHHO-Deep CNN的层数1、层数2、层数3和层数4的特异性分别为0.938、0.940、0.941和0.942。分别为0.9504.6.2. 使用SimBRATS数据集使用具有准确度、灵敏度和特异性参数的SimBRATS数据集进行实验分析是通过改变隐藏的神经元和层数来完成的。a) 基于隐神经元的分析图6描绘了使用具有不同隐藏神经元的SimBRATS数据集对所提出的WHHO-Deep CNN的分析。所提出的具有精度参数的WHHO-DeepCNN的分析如图6a）所示。对于90%的训练数据，具有隐藏神经元100，隐藏神经元200，隐藏神经元300，和隐藏神经元400是0.803,分别为0.806、0.808和0.811。具有灵敏度参数的WHHO-D