[发明专利]基于2D CAM的大脑核磁共振异常图像的可视化方法

说明书

本发明公开了一种基于2D CAM的大脑核磁共振异常图像的可视化方法，采集患者的大脑核磁共振异常图像作为训练样本‑利用训练样本对二维类激活映射2D CAM进行训练，确定训练后的网络参数即系数矩阵W和偏倚向量b值‑根据不同的磁共振图像创建可视化热度图。在传统CAM模型的基础上对患者的大脑核磁共振异常图像进行处理，实现自动识别检测且可视化效果良好的，便于辅助医学研究者定量分析和研究。

技术领域

本发明属于核磁共振图像病症可视化技术领域，具体涉及一种基于2D CAM的大脑核磁共振异常图像的可视化方法。

背景技术

深度学习作为一个新兴的机器学习领域，近几年来逐渐在计算机视觉、音视频处理、自然语言处理、精确导航等各个领域取得了巨大的成就，其主要出发点在于大致模拟人类的神经网络系统，利用逐层的特征提取来完成相应的抽象信息归纳总结。相较于传统的可支持向量机和最大熵而言，这些方法只能被称之为浅层学习，浅层学习通常需要人工依靠数学推导等方式设计抽象特征，以此来完成相应的识别等应用。

学术界一直在研究神经网络到底在学习到了什么东西，也就是所谓的特征，比如采用反卷积(Deconvolution)和导向反向传播(Guided-back-propagation)。虽然能在这些反向传播的图像上看到一定的图像类别的轮廓，但是基本看不到模型学到了什么东西。CAM是class activation map的缩写，类激活映射网络CAM模型通常与卷积神经网络结合在一起使用，它将神经网络经过多次卷积和池化之后的特征图，进行了综合，以单个神经元的形式进行配比，以热度图的形式显示相应感兴趣的区域。

发明内容

本发明的目的就是针对上述技术的不足，提供一种自动识别检测且可视化效果良好的基于2D CAM的大脑核磁共振异常图像的可视化方法。

为实现上述目的，本发明所设计的基于2D CAM的大脑核磁共振异常图像的可视化方法如下：

1)采集患者的大脑核磁共振(MRI)异常图像作为训练样本；

2)利用训练样本对2D CAM模型进行训练，得到训练后的网络参数，即系数矩阵W和偏倚向量b值；

21)构建2D CAM模型，并随机初始化网络参数

构建2D CAM模型，该2D CAM模型包括输入层、卷积层、池化层、全局平均池化层、全连接层及输出层，并对2D CAM模型初始化，即初始化所有隐藏层与输出层所对应的系数矩阵W和偏倚向量b值，使系数矩阵W和偏倚向量b值为一个初始的随机值；

22)2D CAM网络第一次正向迭代；

23)2D CAM网络第一次反向迭代；

24)循环步骤22)和步骤23)进行多次迭代，不断更新神经网络的参数，直至所有权重w^l，偏置b^l的变化值都小于停止迭代阈值ε时停止迭代，即确定了最终各隐藏层与输出层的权重w^l和偏置b^l；

3)根据不同的磁共振图像创建可视化热度图

31)提取训练后2D CAM模型中步骤229)的全连接层的所有权重w'；

32)提取训练后2D CAM模型中步骤228)的全连接层连接至一个个单一神经元的所有权重w”，即为w″₁、w″₂、...、w″_j；

33)将步骤228)全局平均池化后特征图中乘以其步骤31)和步骤32)中相应的权重w'w”；

34)将得到多张热力图进行热力图归一化，按第一维度展开成所需的患者的原大脑核磁共振异常图像的大小，将切片特征图相加，然后按进行图像二维显示，实现基于2DCAM的大脑核磁共振异常图像的可视化。