[发明专利]基于循环注意力模型的大脑核磁共振异常图像可视化方法

说明书

本发明公开了一种基于循环注意力模型的大脑核磁共振异常图像可视化方法，采集患者的大脑核磁共振异常图像作为训练样本‑利用训练样本对循环注意力模型进行训练，得到训练后的网络参数‑利用训练后的RAM模型对大脑核磁共振异常图像进行可视化检测。模型简单，速度快、精度高，比传统的CNN网络检测能力强。

技术领域

本发明属于核磁共振异常图像可视化技术领域，具体涉及一种基于循环注意力模型的大脑核磁共振异常图像可视化方法。

背景技术

深度学习最常用的模型是基于CNN和RNN的网络模型，利用深度学习进行大脑磁共振的缺陷检测，一般是通过对输入大脑磁共振图像卷积、池化等操作提取底层特征并进行非线性变换从而识别图像中缺陷，最后对缺陷分类等。但是当模型输入增加时，CNN和RNN训练数据会线性增加，训练时间会成倍延长，为了解决这个问题，循环注意力模型(RAM,Recurrent Attention Model)被提了出来，RAM实际上是模仿人类视觉的注意力机制对基于RNN的序列化的输入选择性的处理模型某一感兴趣区域，而不是对整幅图像进行处理，这样就大大减少了模型的计算时间，降低了计算的复杂性。

传统注意力机制分为通常分为Soft Attention与Hard Attention两种形式。SoftAttention主要通过视觉信号的显著图(Saliency Map)来创建的。通过对底层的图像特征进行处理从而得到显著性图像，但是它未能考虑图像本身的语义特征等深层次的特征，所以其构建的模型处理大脑磁共振缺陷的效果不是很好，而基于CNN虽然能够在原始图像中提取更多的高层特征，但其模型较为复杂，每次处理信息量巨大。

发明内容

本发明的目的就是针对上述技术的不足，提供一种速度快、精度高的基于循环注意力模型的大脑核磁共振异常图像可视化方法。

为实现上述目的，本发明所设计的基于循环注意力模型的大脑核磁共振异常图像可视化方法如下：

1)采集患者的大脑核磁共振异常图像作为训练样本；

2)利用训练样本对循环注意力模型进行训练，得到训练后的网络参数；

2.1)构建RAM模型，并随机初始化网络参数

构建RAM模型，RAM模型属于一种结合强化学习与循环神经网络的新的基于位置的硬注意力模型算法。该RAM模型包Glimpse网络，Core网络，Action网络，Location网络，Baseline网络共五个部分，并对该RAM模型进行随机初始化，即初始化Glimpse网络，Core网络，Action网络，Location网络，Baseline网络的参l(h_t|θ^l)和b(h_t|θ^b)为一个随机的初始值；

2.2)对RAM模型进行训练

2.2.1)随机初始化第一个注意力位置l₀；

2.2.2)根据第一个注意力位置l₀获得Glimpse特征g₀；

2.2.3)将时间序列Core网络的第一个隐藏状态h₀初始化为0；

2.2.4)将Core网络的隐藏状态h₀和Glimpse网络的特征g₀作为Core网络输入，输出得到新隐藏状态h₁；

2.2.5)将Core网络新隐藏状态h₁作为Action网络的输入，输出得到预测分类结果a₁；