医学影像AI的"透视镜"：nnUNet模型可解释性工具深度解析

在医学影像分割领域，AI模型的决策过程常被称为"黑箱"操作。当放射科医生使用nnUNet获得肿瘤分割结果时，他们不仅需要准确的标注，更需要理解AI为何如此判断。本文将系统介绍nnUNet中实现模型可解释性的核心工具，通过可视化技术揭示AI在医学影像分割中的注意力分布，帮助开发者与临床用户建立对模型的信任机制。

可解释性基础：从配置到实现

nnUNet的可解释性框架建立在模块化设计之上，主要通过配置文件解析和特征可视化两大路径实现。在documentation/explanation_plans_files.md中详细定义了计划文件的结构，其中全局设置与局部配置共同决定了模型训练过程中的特征提取策略。

计划文件（plans.json）中的关键参数包括：

• foreground_intensity_properties_by_modality：存储各模态影像的前景区域统计特征，为强度归一化提供依据
• normalization_schemes：定义不同通道的归一化策略，直接影响特征图的分布特性documentation/explanation_normalization.md
• patch_size与spacing：决定模型视野范围，间接影响注意力聚焦区域的尺度

通过修改nnunetv2/experiment_planning/experiment_planners/default_experiment_planner.py中的网络拓扑规划逻辑，可以调整特征提取层的深度与感受野大小，为后续可视化提供更丰富的层级特征。

特征可视化工具链

nnUNet提供了从原始数据到预测结果的全流程可视化工具支持，核心模块分布在以下路径：

1. 数据预处理可视化

在图像预处理阶段，nnunetv2/preprocessing/normalization/中的归一化类负责将不同模态影像标准化。以CT影像为例，其归一化过程在documentation/explanation_normalization.md中有详细说明，通过调整use_mask_for_norm参数，可以观察ROI区域对模型注意力的影响。

预处理前后的对比可通过nnunetv2/imageio/中的阅读器实现，例如使用NibabelReaderWriter加载NIfTI格式的原始影像与归一化结果，生成如下对比图：

# 示例代码：预处理前后对比可视化
from nnunetv2.imageio import NibabelReaderWriter
import matplotlib.pyplot as plt

reader = NibabelReaderWriter()
raw_data = reader.read_image("raw_image.nii.gz")
normalized_data = reader.read_image("preprocessed_image.nii.gz")

fig, axes = plt.subplots(1, 2, figsize=(12, 6))
axes[0].imshow(raw_data[..., 30], cmap='gray')
axes[0].set_title("原始CT影像")
axes[1].imshow(normalized_data[..., 30], cmap='gray')
axes[1].set_title("归一化后影像")
plt.savefig("normalization_comparison.png")

2. 网络注意力映射生成

nnUNet的注意力机制主要通过两种方式实现：空间注意力（Spatial Attention）和通道注意力（Channel Attention）。在nnunetv2/training/data_augmentation/custom_transforms/中定义的区域掩膜变换（Region-based Training）可增强模型对特定解剖结构的关注。

要生成注意力热力图，需修改nnunetv2/inference/sliding_window_prediction.py中的预测流程，保存中间层特征图。以下是关键代码片段：

# 滑动窗口预测中添加特征捕获
def sliding_window_prediction(...):
    # ... 现有代码 ...
    
    # 新增：捕获编码器输出特征
    encoder_features = []
    def hook_fn(module, input, output):
        encoder_features.append(output.detach().cpu())
    
    # 注册钩子到编码器最后一层
    model.encoder[-1].register_forward_hook(hook_fn)
    
    # 执行预测
    pred = model(input)
    
    # 生成注意力图
    attention_map = generate_heatmap(encoder_features[-1], input.shape[2:])
    return pred, attention_map

3. 预测结果解释工具

在推理阶段，nnunetv2/inference/export_prediction.py负责将模型输出转换为医学影像格式。通过集成Grad-CAM算法，可以将类别激活映射叠加到原始影像上，直观展示决策依据。

nnUNet提供的命令行工具支持导出带注意力权重的预测结果：

nnUNetv2_predict -i input_dir -o output_dir -d 123 -c 3d_fullres --visualize_attention

该命令会在输出目录生成包含原始影像、分割结果和注意力热力图的三通道NIfTI文件，可使用ITK-SNAP或3D Slicer查看。

实践案例：脑肿瘤分割中的注意力可视化

以BraTS数据集为例，展示nnUNet如何通过注意力机制聚焦肿瘤核心区域。实验使用nnunetv2/dataset_conversion/Dataset137_BraTS21.py转换的标准化数据，训练配置采用3D全分辨率模型。

1. 多模态特征融合可视化

BraTS数据包含T1、T1ce、T2和FLAIR四种模态，通过nnunetv2/training/dataloading/data_loader.py加载后，各模态对最终决策的贡献度可通过通道注意力权重展示：

BraTS多模态注意力权重

图1：四种模态在肿瘤区域的注意力权重分布，FLAIR模态在水肿区域显示最高权重

2. 层级特征注意力演变

从编码器底层到顶层，特征图的抽象程度逐渐提高。通过nnunetv2/training/nnUNetTrainer/nnUNetTrainer.py中的日志系统，可以记录不同训练阶段的特征图变化：

特征层级演变

图2：从低级边缘特征（左）到高级语义特征（右）的注意力演变过程

3. 错误案例的注意力分析

当模型出现分割错误时，注意力可视化可帮助定位问题根源。例如在一例假阳性分割中，热力图显示模型错误关注了脑室边缘的异常信号：

错误案例分析

图3：左为错误分割结果，中为注意力热力图，右为专家修正结果。箭头指示模型误判区域

扩展与定制

对于高级用户，nnUNet支持通过documentation/extending_nnunet.md中描述的方法扩展可解释性功能。推荐的扩展方向包括：

1. 实现nnunetv2/training/loss/compound_losses.py中的注意力引导损失函数
2. 开发nnunetv2/model_sharing/中的模型卡片生成工具，自动包含注意力评估指标
3. 集成nnunetv2/evaluation/evaluate_predictions.py中的注意力一致性检验

总结与展望

nnUNet的可解释性工具链为医学影像AI的临床转化提供了关键支持。通过本文介绍的配置解析、特征可视化和结果解释方法，开发者可以构建透明的AI辅助诊断系统。未来版本将进一步增强跨模态注意力比较和时序变化分析功能，敬请关注documentation/changelog.md的更新记录。

要深入学习nnUNet的可解释性实现，建议结合以下资源：

• 官方文档：documentation/how_to_use_nnunet.md
• 代码示例：nnunetv2/inference/examples.py
• 评估工具：nnunetv2/evaluation/

通过将可视化工具集成到日常开发与临床工作流中，我们能够让AI模型的"注意力"成为医生值得信赖的第二意见，最终实现人机协同的精准医疗。