[發明專利]基于2D CAM的大腦核磁共振異常圖像的可視化方法

有效

• 申請號: 201911130123.6
• 申請日: 2019-11-18
• 公開（公告）號: CN110992316B
• 公開（公告）日: 2023-05-30
• 發明（設計）人: 柯豐愷;劉歡平;趙大興;孫國棟;馮維
• 申請（專利權）人: 湖北工業大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/764;G06V10/82;G06N3/0464;G06N3/048;G06N3/082;G06N3/084
• 代理公司: 武漢開元知識產權代理有限公司 42104
• 代理人: 王和平;張繼巍

本發明公開了一種基于2D?CAM的大腦核磁共振異常圖像的可視化方法，采集患者的大腦核磁共振異常圖像作為訓練樣本?利用訓練樣本對二維類激活映射2D?CAM進行訓練，確定訓練后的網絡參數即系數矩陣W和偏倚向量b值?根據不同的磁共振圖像創建可視化熱度圖。在傳統CAM模型的基礎上對患者的大腦核磁共振異常圖像進行處理，實現自動識別檢測且可視化效果良好的，便于輔助醫學研究者定量分析和研究。

技術領域

本發明屬于核磁共振圖像病癥可視化技術領域，具體涉及一種基于2D?CAM的大腦核磁共振異常圖像的可視化方法。

背景技術

深度學習作為一個新興的機器學習領域，近幾年來逐漸在計算機視覺、音視頻處理、自然語言處理、精確導航等各個領域取得了巨大的成就，其主要出發點在于大致模擬人類的神經網絡系統，利用逐層的特征提取來完成相應的抽象信息歸納總結。相較于傳統的可支持向量機和最大熵而言，這些方法只能被稱之為淺層學習，淺層學習通常需要人工依靠數學推導等方式設計抽象特征，以此來完成相應的識別等應用。

學術界一直在研究神經網絡到底在學習到了什么東西，也就是所謂的特征，比如采用反卷積(Deconvolution)和導向反向傳播(Guided-back-propagation)。雖然能在這些反向傳播的圖像上看到一定的圖像類別的輪廓，但是基本看不到模型學到了什么東西。CAM是class?activation?map的縮寫，類激活映射網絡CAM模型通常與卷積神經網絡結合在一起使用，它將神經網絡經過多次卷積和池化之后的特征圖，進行了綜合，以單個神經元的形式進行配比，以熱度圖的形式顯示相應感興趣的區域。

發明內容

本發明的目的就是針對上述技術的不足，提供一種自動識別檢測且可視化效果良好的基于2D?CAM的大腦核磁共振異常圖像的可視化方法。

為實現上述目的，本發明所設計的基于2D?CAM的大腦核磁共振異常圖像的可視化方法如下：

1)采集患者的大腦核磁共振(MRI)異常圖像作為訓練樣本；

2)利用訓練樣本對2D?CAM模型進行訓練，得到訓練后的網絡參數，即系數矩陣W和偏倚向量b值；

21)構建2D?CAM模型，并隨機初始化網絡參數

構建2D?CAM模型，該2D?CAM模型包括輸入層、卷積層、池化層、全局平均池化層、全連接層及輸出層，并對2D?CAM模型初始化，即初始化所有隱藏層與輸出層所對應的系數矩陣W和偏倚向量b值，使系數矩陣W和偏倚向量b值為一個初始的隨機值；

22)2D?CAM網絡第一次正向迭代；

23)2D?CAM網絡第一次反向迭代；

24)循環步驟22)和步驟23)進行多次迭代，不斷更新神經網絡的參數，直至所有權重w^l，偏置b^l的變化值都小于停止迭代閾值ε時停止迭代，即確定了最終各隱藏層與輸出層的權重w^l和偏置b^l；

3)根據不同的磁共振圖像創建可視化熱度圖

31)提取訓練后2D?CAM模型中步驟229)的全連接層的所有權重w'；

32)提取訓練后2D?CAM模型中步驟228)的全連接層連接至一個個單一神經元的所有權重w”，即為w″₁、w″₂、...、w″_j；

33)將步驟228)全局平均池化后特征圖中乘以其步驟31)和步驟32)中相應的權重w'w”；

34)將得到多張熱力圖進行熱力圖歸一化，按第一維度展開成所需的患者的原大腦核磁共振異常圖像的大小，將切片特征圖相加，然后按進行圖像二維顯示，實現基于2DCAM的大腦核磁共振異常圖像的可視化。