基于萤火虫牧羊人优化深度卷积神经网络的电阻抗断层成像系统用于乳腺癌检测

《Neurocomputing》：Electrical Impedance Tomography System Enabled Breast Cancer Detection using Firefly Shepherd Optimization based Deep Convolutional Neural Network

　　

摘要

乳腺癌是女性中最常见的癌症类型。尽管有多种检测方法，但利用电阻抗断层扫描数据准确识别乳腺癌仍是一项重大挑战。这一难题源于电阻抗断层扫描数据的复杂性，使得难以可靠地提取和解读特征以用于早期癌症检测。本研究旨在解决在早期阶段准确检测乳腺癌的问题，这对于提高患者生存率至关重要。为此，本文设计了一种基于萤火虫牧羊人优化算法的深度卷积神经网络来检测乳腺癌。萤火虫牧羊人优化算法是通过将萤火虫算法与混合牧羊人优化算法相结合而产生的。首先对图像进行分割，然后提取特征，最终利用深度卷积神经网络分类器进行癌症检测。通过提取图像级和分割级特征，降低了计算复杂度，从而提升了模型性能。此外，提取独特且重要的特征有助于分类器通过适应度衡量标准实现更高精度。基于萤火虫牧羊人优化的深度卷积神经网络在准确性、特异性和敏感性方面表现优异，数值分别为96.48%、97.93%和97.48%。

引言

乳腺癌是一种严重影响女性患者的常见癌症，全球约有15%到25%的女性在生命中的某个阶段会被诊断出患有此病[1]。然而，这种癌症的症状多种多样，因此很难仅依靠常规检查来发现。一旦怀疑患有乳腺癌，确定癌症类型并对其进行分级对于帮助医疗专家选择合适的治疗方案至关重要[1]。据报道，乳腺癌是全球女性中最常见的癌症类型[2]、[3]。因此，需要高精度的成像技术来在乳腺癌的早期阶段识别肿瘤，这不仅能避免不必要的活检，还能改善治疗效果并提高患者生存率。近年来，有研究分析了各种成像技术[3]。而乳腺癌筛查则是一种无症状的检查方法，旨在在癌症诊断的早期阶段发现病灶。早期发现和筛查癌症对于提高生存率具有重要意义。因此，有必要分析近几十年来用于癌症诊断和筛查的各类技术，以便进一步改进[4]。

目前用于检测乳腺癌的筛查方法主要包括乳腺X光摄影、磁共振成像、超声检查以及临床检查和自我检查等。不过，医疗专家无需通过手术即可通过图像结果来检查和诊断肿瘤。乳腺X光摄影是目前用于早期识别乳腺癌的常用方法[4]。此外，还有其他非破坏性、非侵入性的检测方法可用于发现乳房内的肿瘤。其中一种常用的非侵入性检测方法是近场检测法[5]。不过，传统的检测技术还包括乳腺X光摄影[6]、磁共振成像[7]、超声成像[8]等。但这些方法都存在一定的局限性，如辐射强度高、分辨率低或成本过高[3]。电阻抗断层扫描则是一种通过向电极注入电流，利用表面电极的电压特性来获取生物体内部电阻抗分布的成像技术[9]、[10]、[11]。由于具有非侵入性、便携性、低成本且不会造成损伤等优点，电阻抗断层扫描引起了人们的广泛关注，尤其在脑部成像和肺部监测领域得到了应用[1]。与其他成像技术相比，如计算机断层扫描[12]和超声检查[13]，电阻抗断层扫描具有更高的时间分辨率、更广泛的适用范围以及更低的成本[14]。

电阻抗断层扫描常与名为T-SCAN的传统成像设备一起用于监测乳腺癌[15]。关于利用电阻抗断层扫描技术进行乳腺癌成像的方法可见于[16]，该研究通过手持电极测量的电压和电流数据来计算乳房内部的3D电阻抗分布。不过，电阻抗断层扫描的重建结果并不稳定，存在诸多逆问题，如不适定性、非唯一性、不稳定性和分辨率限制等。由于电阻抗断层扫描的结果直接与数值测量及建模误差相关，因此需要采用正则化处理，近几十年来也出现了多种相关技术[42]、[43]。大多数电阻抗断层扫描重建方法都是针对二维几何结构开发的[17]，而横截面只能获取真实三维物体的一部分数据，这限制了电阻抗断层扫描的应用能力[14]。目前也有多种机器学习技术被用于乳腺癌检测，如k最近邻算法、贝叶斯网络、随机森林和支持向量机[18]、[19]。不过，这些监督式机器学习方法主要适用于癌症的预后分析和诊断[20]。

本文的主要贡献如下：

• •
  本研究提出了一种基于萤火虫牧羊人优化算法的深度卷积神经网络，用于乳腺癌检测。

• •
  该模型的癌症检测部分由经过萤火虫牧羊人优化算法训练的深度卷积神经网络完成，而萤火虫牧羊人优化算法则是萤火虫算法与混合牧羊人优化算法的结合体。
• •
  文中还采用了FLICM算法将图像分割成不同区域，以便提取与图像相关的特征。

文章结构如下：第2节回顾了现有的各类乳腺癌检测方法，第3节介绍了基于萤火虫牧羊人优化算法的深度卷积神经网络的方法论，第4节展示了该算法的检测结果，最后第5节总结了研究结论。

章节要点

研究动机

本节介绍了各种传统检测方法及其优缺点，这些因素促使人们需要开发基于萤火虫牧羊人优化算法的深度卷积神经网络来检测乳腺癌。

用于乳腺癌检测的基于萤火虫牧羊人优化算法的深度卷积神经网络

电阻抗断层扫描是一种利用电压和电流来近似描述物体电学特性的成像技术。由于其安全性高、不使用电离辐射、便于携带且成本较低，因此在医学领域具有很大应用潜力。

• •
  基于萤火虫牧羊人优化算法的深度卷积神经网络包含多个步骤，包括图像重建、感兴趣区域分割、特征提取以及乳腺癌检测。
• •
  首先，利用广义牛顿求解器将输入的电阻抗断层扫描数据重建为图像。
• •
  重建得到的图像会被进一步分割成

结果与讨论

本节展示了通过改变训练数据后，基于萤火虫牧羊人优化算法的深度卷积神经网络的检测结果。

结论

本文提出了一种基于萤火虫牧羊人优化算法的深度卷积神经网络，用于利用电阻抗断层扫描数据检测乳腺癌。由于输入数据为电阻抗断层扫描数据，因此需要先将其转换为图像，于是通过图像重建过程将电阻抗断层扫描数据转化为图像。由电阻抗断层扫描数据生成的图像为二维图像，随后可利用FLICM算法对该图像进行感兴趣区域分割。完成感兴趣区域分割后，再通过特征提取步骤获取具有代表性的特征。

代码可用性说明

所提出的基于萤火虫牧羊人优化算法的深度卷积神经网络模型的源代码已公开发布，地址为“https://github.com/priyah-rgb/FSO-based-Deep-CNN/commits/main/”。

CRediT作者贡献说明

Priya Tushar Hankare：负责撰写论文初稿。Harshawardhan P. Ahire：负责指导工作。Cheeran Dr. Alice N.：也负责指导工作。

利益冲突声明

作者声明不存在任何利益冲突。

Priya Tushar Hankare于2001年从希瓦吉大学桑格利分校的沃尔昌德工程学院获得电子工程学士学位，并取得优等成绩。之后她通过GATE考试进入该校继续深造，于2007年再次获得电子工程硕士学位，同样成绩优异。2023年6月，她通过质量提升项目在孟买马图恩加的维玛塔·吉贾拜技术学院完成了电子工程博士学位。目前她正在从事

Priya Tushar Hankare|Harshawardhan P. Ahire|Alice N. Cheeran

马哈拉施特拉邦孟买市孟买大学EXTC系