[發明專利]一種用于計算機輔助診斷的宮頸OCT圖像特征可視化方法

有效

• 申請號: 202110268171.2
• 申請日: 2021-03-12
• 公開（公告）號: CN113066054B
• 公開（公告）日: 2022-03-15
• 發明（設計）人: 馬于濤;余沁怡
• 申請（專利權）人: 武漢大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/44;G06V10/50;G06V10/764;G06V10/82;G06K9/62;G06N3/04
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 王琪

本發明公開了一種基于卷積神經網絡分類模型參數邊緣特征提取宮頸組織OCT圖像特征的可視化方法，可描述模型習得的宮頸組織特征的邊緣，從該角度提升模型可解釋性，從而更好地輔助醫生進行病變診斷。包括：1)采集宮頸OCT圖像訓練CNN分類模型2)在訓練好的宮頸組織分類模型參數上進行數據增強3)基于不同的宮頸組織分類結果在其激活的模型神經元上進行雙向梯度卷積，提取邊緣特征4)根據邊緣特征提取結果創建可視化熱度圖。

技術領域

本發明提供了一種用于計算機輔助診斷的宮頸OCT圖像特征可視化方法，屬于深度學習可解釋性領域和醫療影像領域。

背景技術

深度學習的快速發展，促進了各個行業人工智能化轉型，基于“深度學習+”的技術模式正興起于各大高新技術領域。在醫療影像領域，基于人工智能的輔助診斷技術以其優異的診斷水平，在科研領域和臨床診斷上大放異彩。

宮頸癌作為最常見的女性疾病之一，光學相干層析掃描是檢測宮頸癌的主要手段，能為醫生提供高分辨率的組織縱切圖像?，F今學界基于上述檢測流程特點，將深度學習的圖像分類模型架構到篩查流程中，加速了其診斷效率，檢測精度媲美人類頂尖水平。

然而深度學習算法作為典型的“輸入-輸出”模型，除去其能在數據集上達到的細致精度，算法本身在可解釋性上難盡人意，模型內部的“黑盒子”依然難以打開，無法向人類提供產生某種結果的依據。如果一個模型完全不可解釋，那么在很多領域的應用就會因為沒辦法給出更多可靠的信息而受到限制，我們希望知道模型究竟從數據中學到了哪些知識從而產生了最終的決策。

通過深度學習可視化算法，可以向使用者解釋模型產生該結果的原因。特別是醫療影像領域，正確的向醫生提供深度學習模型診斷的依據是一個必不可少的環節。然而宮頸切片圖像呈現出高度粒度化和灰度化的特點，使得傳統可視化算法在這個任務上難以滿足解釋性的需求，并且目前沒有針對宮頸組織切片OCT切檢測模型的可視化方法。

發明內容

基于上述背景和問題，針對宮頸切片OCT圖像高度粒度化和灰度化的特點，導致主流可視化算法效果欠佳的問題，本方法將計算出的特征數據進行雙向梯度卷積提取，本發明基于解釋深度學習模型習得特征邊緣，提供了一種用于計算機輔助診斷的宮頸OCT圖像特征可視化方法，包括：

1)采集女性宮頸組織OCT圖像作為訓練樣本

宮頸OCT圖像是通過光學相干斷層掃描技術或光學相干層析成像技術掃描，得到的宮頸組織二維或三維結構圖像；

2)利用訓練樣本對圖像分類模型進行訓練，確定訓練后的網絡參數，包括如下子步驟：

21)構建圖像分類模型，隨機初始化網絡參數

圖像分類模型是以卷積神經網絡為模型骨干的深度學習網絡，包括卷積層、池化層、全連接層、回歸分類層；參數為卷積層卷積核數據以及隱藏層與輸出層對應的權重和偏差向量；

22)反復迭代訓練網絡，更新圖像分類模型參數直至所有權重w和偏差向量b波動區間小于閾值ε；

3)根據輸入的宮頸組織OCT圖創建特征可視化熱度圖，包括如下子步驟：

31)提取訓練后模型在回歸分類層前的得分y^c，其中c為圖像分類模型決策的宮頸組織的類別；

32)提取需要被可視化的卷積層特征映射參數矩陣A^k，k為卷積層輸出的特征圖數；

33)計算每個特征映射得分梯度

34)對A^k進行參數增強操作，包括歸一化、閾值剔除、二值化降噪后進行雙向梯度卷積，得到特征映射矩陣A’^k；

35)將33)和34)對應的結果相乘后歸一化，通過ReLU函數后將所有結果累加后歸一化，作為宮頸組織特征參數值；