[发明专利]一种用于计算机辅助诊断的宫颈OCT图像特征可视化方法

说明书

本发明公开了一种基于卷积神经网络分类模型参数边缘特征提取宫颈组织OCT图像特征的可视化方法，可描述模型习得的宫颈组织特征的边缘，从该角度提升模型可解释性，从而更好地辅助医生进行病变诊断。包括：1)采集宫颈OCT图像训练CNN分类模型2)在训练好的宫颈组织分类模型参数上进行数据增强3)基于不同的宫颈组织分类结果在其激活的模型神经元上进行双向梯度卷积，提取边缘特征4)根据边缘特征提取结果创建可视化热度图。

技术领域

本发明提供了一种用于计算机辅助诊断的宫颈OCT图像特征可视化方法，属于深度学习可解释性领域和医疗影像领域。

背景技术

深度学习的快速发展，促进了各个行业人工智能化转型，基于“深度学习+”的技术模式正兴起于各大高新技术领域。在医疗影像领域，基于人工智能的辅助诊断技术以其优异的诊断水平，在科研领域和临床诊断上大放异彩。

宫颈癌作为最常见的女性疾病之一，光学相干层析扫描是检测宫颈癌的主要手段，能为医生提供高分辨率的组织纵切图像。现今学界基于上述检测流程特点，将深度学习的图像分类模型架构到筛查流程中，加速了其诊断效率，检测精度媲美人类顶尖水平。

然而深度学习算法作为典型的“输入-输出”模型，除去其能在数据集上达到的细致精度，算法本身在可解释性上难尽人意，模型内部的“黑盒子”依然难以打开，无法向人类提供产生某种结果的依据。如果一个模型完全不可解释，那么在很多领域的应用就会因为没办法给出更多可靠的信息而受到限制，我们希望知道模型究竟从数据中学到了哪些知识从而产生了最终的决策。

通过深度学习可视化算法，可以向使用者解释模型产生该结果的原因。特别是医疗影像领域，正确的向医生提供深度学习模型诊断的依据是一个必不可少的环节。然而宫颈切片图像呈现出高度粒度化和灰度化的特点，使得传统可视化算法在这个任务上难以满足解释性的需求，并且目前没有针对宫颈组织切片OCT切检测模型的可视化方法。

发明内容

基于上述背景和问题，针对宫颈切片OCT图像高度粒度化和灰度化的特点，导致主流可视化算法效果欠佳的问题，本方法将计算出的特征数据进行双向梯度卷积提取，本发明基于解释深度学习模型习得特征边缘，提供了一种用于计算机辅助诊断的宫颈OCT图像特征可视化方法，包括：

1)采集女性宫颈组织OCT图像作为训练样本

宫颈OCT图像是通过光学相干断层扫描技术或光学相干层析成像技术扫描，得到的宫颈组织二维或三维结构图像；

2)利用训练样本对图像分类模型进行训练，确定训练后的网络参数，包括如下子步骤：

21)构建图像分类模型，随机初始化网络参数

图像分类模型是以卷积神经网络为模型骨干的深度学习网络，包括卷积层、池化层、全连接层、回归分类层；参数为卷积层卷积核数据以及隐藏层与输出层对应的权重和偏差向量；

22)反复迭代训练网络，更新图像分类模型参数直至所有权重w和偏差向量b波动区间小于阈值ε；

3)根据输入的宫颈组织OCT图创建特征可视化热度图，包括如下子步骤：

31)提取训练后模型在回归分类层前的得分y^c，其中c为图像分类模型决策的宫颈组织的类别；

32)提取需要被可视化的卷积层特征映射参数矩阵A^k，k为卷积层输出的特征图数；

33)计算每个特征映射得分梯度

34)对A^k进行参数增强操作，包括归一化、阈值剔除、二值化降噪后进行双向梯度卷积，得到特征映射矩阵A’^k；

35)将33)和34)对应的结果相乘后归一化，通过ReLU函数后将所有结果累加后归一化，作为宫颈组织特征参数值；