医学图像感兴趣区域可视化方法、装置、存储介质和设备制造方法及图纸

本发明专利技术公开了一种医学图像感兴趣区域可视化方法、装置、存储介质和设备，使用卷积神经网络作为分类模型，模型的训练过程中，采用多尺度输入数据进行训练：1)原始图像，2)由原始图像上随机取得的图像块；随机提取的图像块和原始图像交替作为模型的输入，模型可以综合学习来自图像不同尺度的输入信息，模型也可以学习到图像的整体信息。训练标签采用精神疾病标签类别，即模型输出为健康、精神分裂症、双相情感障碍等。本方案利用特定的训练策略，实现模型对图像局部信息和整体信息的融合，实现图像的快速、精确分类，同时可以实现相比现有方法更加精细的对于指定类别的感兴趣区域可视化结果。

【技术实现步骤摘要】
医学图像感兴趣区域可视化方法、装置、存储介质和设备
本专利技术涉及图像数据分析技术，尤其涉及一种医学图像感兴趣区域可视化方法、装置、存储介质和设备。
技术介绍
目前基于深度学习，尤其是卷积神经网络(Convolutionneuralnetwork，CNN)的图像分类方法是图像分析领域的主流研究方法之一，且已在多种应用场景中取得很好效果，但是在细粒度图像分类任务中，CNN等深度学习算法的性能仍有待提升。以基于大脑结构磁共振图像的精神疾病分类任务为例，由于大脑的解剖结构较为复杂，精神疾病对大脑结构的影响相对较为细微，同时与肿瘤、脑卒中等具有确切病灶的疾病不同，精神疾病对大脑的影响往往分布于大脑中的多个位置，因此对于精神疾病的诊断任务而言，全脑结构磁共振图像具有大量的冗余信息，因此直接将全脑结构磁共振图像作为深度学习模型的输入，很难实现精神疾病的精确诊断。针对此问题，目前最新的研究提出利用先验信息，定位出特定图像区域，该特定图像区域根据先验被认为是与分类标签高度相关的图像区域，如痴呆症诊断任务中的大脑磁共振图像中的海马体区域、汽车品牌分类任务本文档来自技高网...

【技术保护点】
1.一种医学图像感兴趣区域可视化方法，其特征在于，方法包括：/n步骤1，建立分类模型；/n步骤2，从训练数据中的一个原始图像上任意位置随机提取一个任意尺寸的图像块作为模型的输入进行训练；/n步骤3，将步骤2中的原始图像整幅作为模型的输入进行训练，获匹配该图像块的类别标签并确定相应的权值；/n步骤4，改变步骤2中原始图像的选取位置，提取任意尺寸的图像块作为模型的输入进行训练；/n步骤5，再将步骤2中的原始图像整幅作为模型的输入进行训练；/n步骤6，重复步骤4和步骤5，选取的图像块的位置遍历整个原始图像，通过迭代训练学习图像全局及不同位置的局部纹理信息，获得训练好的生成器；/n步骤7，验证测试，加...

【技术特征摘要】
1.一种医学图像感兴趣区域可视化方法，其特征在于，方法包括：
步骤1，建立分类模型；
步骤2，从训练数据中的一个原始图像上任意位置随机提取一个任意尺寸的图像块作为模型的输入进行训练；
步骤3，将步骤2中的原始图像整幅作为模型的输入进行训练，获匹配该图像块的类别标签并确定相应的权值；
步骤4，改变步骤2中原始图像的选取位置，提取任意尺寸的图像块作为模型的输入进行训练；
步骤5，再将步骤2中的原始图像整幅作为模型的输入进行训练；
步骤6，重复步骤4和步骤5，选取的图像块的位置遍历整个原始图像，通过迭代训练学习图像全局及不同位置的局部纹理信息，获得训练好的生成器；
步骤7，验证测试，加载所述训练好的生成器，从原始图像中随机取T个图像块，使采样得到的图像块集合可以有重叠地覆盖整幅图像，通过融合每个图像块中的激活图，得到原始图像X针对类别标签c的感兴趣区域激活图Lc(X)；
步骤8，通过原始图像X的感兴趣区域激活图Lc(X)实现神经网络对于输入测试图像各个类别的激活情况，标记出神经网络的感兴趣区域，实现神经网络的可视化。


2.根据权利要求1所述的方法，其特征在于：在步骤1中，采用卷积神经网络作为分类模型。


3.根据权利要求1所述的方法，其特征在于：图像块尺寸采用正方体尺寸块。


4.根据权利要求1所述的方法，其特征在于：训练标签采用精神疾病标签类别，模型输出为健康、精神分裂症、和双相情感障碍。


5.根据权利要求1或4所述的方法，其特征在于：疾病标签类别c，神经网络对于相应图像块的感兴趣区域激活图lc(x)为：



式中：
fk(x)为输入图像块为x时，卷积神经网络最后一层卷积层输出的k个通道的特征图；

为最后一层卷积层k个特征...

【专利技术属性】
技术研发人员：李青峰，
申请(专利权)人：上海市精神卫生中心上海市心理咨询培训中心，
类型：发明
国别省市：上海;31