[发明专利]基于3D 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3D CAM的大脑核磁共振异常图像的可视化方法，采集患者的脑核磁共振异常图像作为训练样本‑利用训练样本对3D 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‑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3D CAM的大脑核磁共振异常图像的可视化方法。

背景技术

从2006年Hinton等人在Science上提出了深度学习以来，深度学习就广泛被人们所接受和研究。这篇文章最关键的创新点来自于将神经网络的层数提高，以及数据量的极大增多，以此发挥了神经网络对于大数据处理的能力和提取图像特征的能力。另外，神经网络的成功也离不开计算机硬件的高速发展，GPU的出现使得训练多层隐藏层和大批量数据成为可能，从而使得神经网络逐渐在计算机视觉、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。

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。CAM模型通常被应用于二维日常图片上，从识别区域的准确性和意义来看，定量分析准确。

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3D 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3D CAM的大脑核磁共振异常图像的可视化方法，具体如下：

1)采集患者的脑核磁共振异常图像作为训练样本；

2)利用训练样本对3D 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3D CAM模型，并随机初始化网络参数

构建3D CAM模型，该3D 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3D 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)3D CAM网络第一次正向迭代；

23)3D 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；

25)采用全连接层连接步骤227)每一张池化后特征图所对应的数据值形成一个特征向量，将特征向量分类输送至输出层并输出多个类别；

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3D CAM模型中步骤25)全连接层的所有权重 w；

32)将步骤227)全局平均池化后特征图中乘以其相应的权重w_j；