[发明专利]一种基于显著图解释多被试复数fMRI数据CNN分类结果的方法

说明书

一种基于显著图解释多被试复数fMRI数据CNN分类结果的方法，属于生物医学信号处理领域。将单被试的切片样本送入一个训练好的CNN模型获得卷积层输出的特征图，将多通道特征图进行平均并上采样到与输入样本同样的尺寸；经过归一化、取阈值获得分类过程中所依据的显著特征，以解释单被试的分类结果；对于多个被试，将同类被试的特征图先取平均，归一化后取阈值获得分类过程中所依据的组显著特征，用于解释多被试的分类结果。从多个被试的复数静息态fMRI数据中提取DMN成分后，分别建立SSP图和SSM图的样本集，用于训练两个结构相同的CNN模型；本发明的显著图可视化方法显示出SSP图比SSM图在CNN网络的内部传递中生成了更完整、区分度更高的显著特征，提高了CNN模型分类的可信度。

技术领域

本发明属于生物医学信号处理领域，涉及到一种基于显著图解释多被试复数fMRI(functional magnetic resonance imaging)数据CNN(Convolutional neural network)分类结果的方法。

背景技术

近年来，深度学习CNN在医学图像分类中展示了独特的优势。例如，利用独立成分分析(Independent Component Analysis,ICA)从精神分裂症患者与健康对照被试的复数fMRI数据中提取脑空间激活图，在现有ICA-CNN分类框架(专利申请号201910350137.2)中，以感兴趣成分(如默认网络DMN)复数空间激活图的相位图，即空间源相位(Spatial SourcePhase,SSP)为CNN输入，取得了高达98％的被试级分类准确率。

然而，当以复数空间激活图的幅值图，即空间源幅值(Spatial SourceMagnitude,SSM)为CNN输入时，被试级分类准确率只有83％。是何种因素影响了CNN的预测结果，或者说何种因素主导了分类结果？这一研究称为CNN模型的可解释性研究，已成为目前的研究热点。SSP图在神经精神类脑疾病的辅助诊断中较之SSM更具潜力。但是，在CNN内部的传递过程中，SSP图的优势怎样得以延续，为何SSP图能够获得比SSM图更好的分类性能，目前并没有可解释方法。

发明内容

本发明提供了一种基于显著图解释多被试复数fMRI数据CNN分类结果的方法，该方法考虑到CNN独特的空间卷积、层级提取特征的结构，使得CNN模型的预测结果可以通过各卷积层的特征图反映出来。首先将单被试SSP图或SSM图的切片样本送入一个训练好的CNN模型，获得各卷积层输出的特征图；然后将每一卷积层多通道特征图进行平均并上采样到与输入样本同样的尺寸，再取阈值获得分类过程中所依据的各卷积层显著特征，以解释单被试的分类结果。对于多个被试，将同类被试在训练好的CNN同一卷积层所输出的特征图先取平均，再取阈值获得分类过程中所依据的组显著特征，用于解释多被试的分类结果。

本发明采用的技术方案如下(见图1和图2)：

第一步：将被试j沿z轴的二维SSP切片样本输入一个训练好的2D-CNN模型。SSP切片表示为J是被试总数，X×Y为SSP切片的大小，x＝1,…,X，y＝1,…,Y。

第二步：提取2D-CNN卷积层的特征图。从2D-CNN模型中提取某一卷积层输出的特征图，表示为K为通道数，X′×Y′为特征图的大小，X'、Y'由对应层的卷积核尺寸决定，j＝1,…,J，J是被试总数。

第三步：多通道特征图平均。将卷积层K个通道的特征图进行平均，如下：

第四步：平均特征图上采样。对插值，使其与输入SSP切片样本大小X×Y相同，表示为J是被试总数。

第五步：生成单被试显著图。对归一化后取阈值得到单被试显著图，表示为其中

为单被试分析中控制显著程度的阈值，根据与CNN所输入的SSP切片激活相近的原则确定，J是被试总数。