CN109035250B - 建立年龄预测模型的方法及装置、年龄预测方法及装置 - Google Patents

建立年龄预测模型的方法及装置、年龄预测方法及装置 Download PDF

Info

Publication number
CN109035250B
CN109035250B CN201811055569.2A CN201811055569A CN109035250B CN 109035250 B CN109035250 B CN 109035250B CN 201811055569 A CN201811055569 A CN 201811055569A CN 109035250 B CN109035250 B CN 109035250B
Authority
CN
China
Prior art keywords
age
data set
weighted image
brain
axis
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811055569.2A
Other languages
English (en)
Other versions
CN109035250A (zh
Inventor
姜海涛
郭佳佳
杜宏伟
曾凡凡
严婷
邱本胜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology of China USTC
Original Assignee
University of Science and Technology of China USTC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Science and Technology of China USTC filed Critical University of Science and Technology of China USTC
Priority to CN201811055569.2A priority Critical patent/CN109035250B/zh
Publication of CN109035250A publication Critical patent/CN109035250A/zh
Application granted granted Critical
Publication of CN109035250B publication Critical patent/CN109035250B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/60—Rotation of whole images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种建立年龄预测模型的方法及装置、年龄预测方法及装置，所述方法包括：构建m个参考人员在x轴、y轴、z轴每个切面方向上的大脑切面的T1加权图像所对应的数据集
Figure DDA0001795675690000011
和
Figure DDA0001795675690000012
其中，w指对应大脑白质区域的白质T1加权图像，g指对应大脑灰质区域的灰质T1加权图像；n为参考人员的编号，n的取值范围为1至m。根据T1加权图像对应的参考人员的真实年龄，为每一数据集中的T1加权图像添加年龄标识。基于卷积神经网络对数据集
Figure DDA0001795675690000016
和
Figure DDA0001795675690000013
进行训练，建立分别对应数据集
Figure DDA0001795675690000015
和
Figure DDA0001795675690000014
的年龄预测子模型。确定年龄预测精度最高的年龄预测子模型作为年龄预测模型。

Description

建立年龄预测模型的方法及装置、年龄预测方法及装置
技术领域
本发明涉及医学图像处理和计算机视觉检测技术领域，具体涉及一种建立年龄预测模型的方法及装置、年龄预测方法及装置。
背景技术
随着人类社会的高速发展，身体健康问题成为人们关注的重点问题，尤其是对于老年人的身体健康问题。阿尔茨海默症(Alzheimer’s Disease，AD)，俗称老年痴呆症，是现在老年人最为关心的疾病之一，其临床表现为语言障碍和记忆力丧失等。
经科学研究发现，阿尔茨海默症与大脑组织的萎缩有着一定的联系，目前科研人员通过对病人大脑的核磁共振图像进行分析，从而预测出病人的大脑年龄，如果预测出的大脑年龄与实际年龄偏差较大，则病人的大脑萎缩程度较大，以此推测出病人有较大的可能性患有阿尔茨海默症。在现有技术中有两种方式进行大脑年龄预测，一种方式为：通过提取大脑的组织的体积作为特征，采用支持向量机的方法来进行大脑年龄预测，但该种方式所预测的大脑年龄的精度较低。另一种方式为：采用3D卷积神经网络的方法来预测大脑年龄，但该种方式基于3D卷积神经网络，在预测的过程中工作量较大，用时较长且效率低下。
由上述可知，利用现有技术预测大脑年龄，存在预测精度低、工作量大、用时长和效率低下等问题。
发明内容
有鉴于此，本发明实施例提供一种建立年龄预测模型的方法及装置、年龄预测方法及装置，以解决现有技术预测大脑年龄存在的预测精度低、工作量大、用时长和效率低下等问题。
为实现上述目的，本发明实施例提供如下技术方案：
本发明实施例第一方面公开了一种建立年龄预测模型的方法，所述方法包括：
构建m个参考人员在x轴、y轴、z轴每个切面方向上的大脑切面的T1加权图像所对应的数据集
Figure BDA0001795675670000021
和
Figure BDA0001795675670000022
其中，w指对应大脑白质区域的白质T1加权图像，g指对应大脑灰质区域的灰质T1加权图像；n为参考人员的编号，n的取值范围为1至m；
根据所述T1加权图像对应的参考人员的真实年龄，为每一所述数据集中的所述T1加权图像添加年龄标识；
基于卷积神经网络对所述数据集
Figure BDA0001795675670000023
和
Figure BDA0001795675670000024
进行训练，建立分别对应数据集
Figure BDA0001795675670000025
和
Figure BDA0001795675670000026
的年龄预测子模型；
确定年龄预测精度最高的年龄预测子模型作为年龄预测模型。
可选的，所述构建m个参考人员在x轴、y轴、z轴每个切面方向上的大脑切面的T1加权图像所对应的数据集
Figure BDA0001795675670000027
和
Figure BDA0001795675670000028
包括：
获取m个参考人员在x轴、z轴、y轴每个切面方向上的大脑切面的T1加权图像，所述T1加权图像包括脑组织，以及所述脑组织以外的其他组织和器官组织；
分割所述T1加权图像，获取x轴、y轴、z轴三个切面方向上分别对应大脑白质区域的白质T1加权图像w，及对应大脑灰质区域的灰质T1加权图像g，并依据不同切面方向和图像类型构成初始数据集；
对所述初始数据集中的T1加权图像进行数据增强，获取数据增强后的数据集，所述数据增强至少包括亮度增强、和/或对图像进行平移操作，和/或对图像进行旋转操作；
对所述数据增强后的数据集中的每一T1加权图像进行归一化处理，得到数据集
Figure BDA0001795675670000029
和
Figure BDA00017956756700000210
可选的，所述基于卷积神经网络对所述数据集
Figure BDA00017956756700000211
Figure BDA00017956756700000212
和
Figure BDA00017956756700000213
进行训练，建立分别对应数据集
Figure BDA00017956756700000214
Figure BDA00017956756700000215
和
Figure BDA00017956756700000216
的年龄预测子模型，包括：
构建卷积神经网络，所述卷积神经网络由多个神经元构成，所述多个神经元被划分为特征初始提取层、特征深入提取层和年龄输出层；
针对所述数据集
Figure BDA0001795675670000031
和
Figure BDA0001795675670000032
中每一数据集，将当前数据集中的所述T1加权图像的像素值作为所述特征初始提取层中每个神经元的输入值，并基于Relu(X)＝max(0,X)进行卷积计算，将得到的第一像素值作为特征深入提取层中的神经元的输入值，所述特征深入提取层中的神经元与所述特征初始提取层中的神经元相连；
在所述特征深入提取层中，针对接收第一像素值的神经元，基于Relu(X)＝max(0,X)进行卷积计算，将得到的第二像素值作为所述年龄输出层的输入值；
在所述年龄输出层中的最后一个神经元中，根据a＝g(X1*W1+X2*W2+……+Xi*Wi+1*b)计算当前数据集训练得到的年龄预测结果，其中，a为年龄预测结果，X1、X2……Xi为与最后一个所述神经元相连的前一神经元的输出，i为前一神经元的个数，取值大于等于2，W1、W2……Wi为所述卷积神经网络中相邻神经元的权重，b为所述卷积神经网络中的每一神经元之间的偏置；
计算所述年龄预测结果与所述当前数据集对应的真实年龄的差值的平方值的二分之一，得到误差E；
判断所述误差E是否符合预设误差要求；
若是，确定所述年龄预测结果为最终年龄预测结果；
若否，基于所述误差E，根据
Figure BDA0001795675670000033
和
Figure BDA0001795675670000034
分别对所述W1、W2……Wi和b进行调整，得到并基于调整后的权重W1′、W2′……Wi′和偏置b′计算当前数据集再次训练得到年龄预测结果，直至所述误差值E符合预设误差要求，确定最后一次训练得到的年龄预测结果为最终年龄预测结果，其中，所述η为预设的学习率；
基于计算所述最终年龄预测结果所使用的权重和偏置，建立对应当前数据集的年龄预测子模型。
可选的，所述确定所述年龄预测子模型中年龄预测精度最高的年龄预测子模型作为年龄预测模型，包括：
将确定的测试集中的白质T1加权图像作为所述对应数据集
Figure BDA0001795675670000041
和
Figure BDA0001795675670000042
的年龄预测子模型的输入，获取所述对应数据集
Figure BDA0001795675670000043
和
Figure BDA0001795675670000044
的年龄预测子模型所预测的大脑年龄；
将确定的测试集中的灰质T1加权图像作为所述对应数据集
Figure BDA0001795675670000045
和
Figure BDA0001795675670000046
的年龄预测子模型的输入，获取所述对应数据集
Figure BDA0001795675670000047
和
Figure BDA0001795675670000048
的年龄预测子模型所预测的大脑年龄；
比对真实年龄与所述对应数据集
Figure BDA0001795675670000049
和
Figure BDA00017956756700000410
的年龄预测子模型所预测的大脑年龄，确定年龄预测精度最高的年龄预测子模型作为年龄预测模型。
本发明实施例第二方面公开了一种大脑年龄的预测方法，适用于通过本发明实施例第一方面公开的所述的方法建立的年龄预测模型，包括：
确定所述年龄预测模型；
获取待测人员在x轴、y轴、z轴每个切面方向上的大脑切面对应的T1加权图像；
分割每个切面方向上的大脑切面对应的T1加权图像，分别确定x轴、y轴、z轴三个切面方向上所述待测人员的大脑的白质T1加权图像和灰质T1加权图像；
将三个切面方向上所述待测人员的大脑的白质T1加权图像和灰质白质T1加权图像的像素值作为所述年龄预测模型的输入，基于所述年龄预测模型和输入的像素值，预测所述待测人员的大脑年龄。
本发明实施例第三方面公开了一种建立年龄预测模型的装置，所述装置包括：
构建模块，用于构建m个参考人员在x轴、y轴、z轴每个切面方向上的大脑切面的T1加权图像所对应的数据集
Figure BDA00017956756700000411
和
Figure BDA00017956756700000412
其中，w指对应大脑白质区域的白质T1加权图像，g指对应大脑灰质区域的灰质T1加权图像；n为参考人员的编号，n的取值范围为1至m；
标记模块，用于根据所述T1加权图像对应的参考人员的真实年龄，为每一所述数据集中的所述T1加权图像添加年龄标识；
建立模块，用于基于卷积神经网络训练所述数据集
Figure BDA0001795675670000051
Figure BDA0001795675670000052
和
Figure BDA0001795675670000053
建立分别对应数据集
Figure BDA0001795675670000054
Figure BDA0001795675670000055
和
Figure BDA0001795675670000056
的年龄预测子模型；
确定模块，用于确定年龄预测精度最高的年龄预测子模型作为年龄预测模型。
可选的，所述构建模块，包括：
获取单元，用于获取m个参考人员在x轴、y轴、z轴每个切面方向上的大脑切面的T1加权图像，所述T1加权图像包括脑组织，以及所述脑组织以外的其他组织和器官组织；
分割单元，用于分割所述T1加权图像，获取x轴、y轴、z轴三个切面方向上分别对应大脑白质区域的白质T1加权图像w，及对应大脑灰质区域的灰质T1加权图像g，并依据不同切面方向和图像类型构成初始数据集；
增强单元，用于对所述初始数据集中的T1加权图像进行数据增强，获取数据增强后的数据集，所述数据增强至少包括亮度增强、和/或对图像进行平移操作，和/或对图像进行旋转操作；
归一化单元，用于对所述数据增强后的数据集中的每一T1加权图像的像素值进行归一化处理，得到数据集
Figure BDA0001795675670000057
和
Figure BDA0001795675670000058
可选的，所述建立模块，包括：
卷积神经网络构建单元，用于构建卷积神经网络，所述卷积神经网络由多个神经元构成，所述多个神经元被划分为特征初始提取层、特征深入提取层和年龄输出层；
特征初始层计算单元，用于针对所述数据集
Figure BDA0001795675670000059
Figure BDA00017956756700000510
和
Figure BDA00017956756700000511
中每一数据集，将当前数据集中的所述T1加权图像的像素值作为所述特征初始提取层中每个神经元的输入值，并基于Relu(X)＝max(0,X)进行卷积计算，将得到的第一像素值作为特征深入提取层中的神经元的输入值，所述特征深入提取层中的神经元与所述特征初始提取层中的神经元相连；
特征深入提取层计算单元，用于在所述特征深入提取层中，针对接收第一像素值的神经元，基于Relu(X)＝max(0,X)进行卷积计算，将得到的第二像素值作为所述年龄输出层的输入值；
年龄输出层计算单元，用于在所述年龄输出层中的最后一个神经元中，根据a＝g(X1*W1+X2*W2+……+Xi*Wi+1*b)计算当前数据集训练得到年龄预测结果，以及基于调整单元反馈的调整后的权重W1′、W2′……Wi′和偏置b′，计算当前数据集再次训练得到年龄预测结果，直至所述误差值E符合预设误差要求，确定最后一次训练得到的年龄预测结果为最终年龄预测结果，执行所述建立单元，其中，a为年龄预测结果，X1、X2……Xi为与最后一个所述神经元相连的前一神经元的输出，i为前一神经元的个数，取值大于等于2，W1、W2……Wi为所述卷积神经网络中相邻神经元的权重，b为所述卷积神经网络中的每一神经元之间的偏置；
误差计算单元，用于计算所述年龄预测结果与所述当前数据集对应的真实年龄的差值的平方值的二分之一，得到误差E；
判断单元，用于判断所述误差E是否符合预设误差要求，若是，确定所述年龄预测结果为最终年龄预测结果，执行建立单元，若否，所述年龄输出层计算单元基于所述误差E，根据
Figure BDA0001795675670000061
和
Figure BDA0001795675670000062
分别对所述W1、W2……Wi和b进行调整，得到调整后的权重W1′、W2′……Wi′和偏置b′，反馈至年龄输出层计算单元，其中，所述η为预设的学习率；
所述建立单元，用于基于计算所述最终年龄预测结果所使用的偏置和权重，建立对应当前数据集的年龄预测子模型。
可选的，所述确定模块，包括：
预测单元，用于将确定的测试集中的白质T1加权图像作为所述对应数据集
Figure BDA0001795675670000063
和
Figure BDA0001795675670000064
的年龄预测子模型的输入，获取所述对应数据集
Figure BDA0001795675670000065
和
Figure BDA0001795675670000066
的年龄预测子模型所预测的年龄，以及将确定的测试集中的灰质T1加权图像作为所述对应数据集
Figure BDA0001795675670000067
和
Figure BDA0001795675670000068
的年龄预测子模型的输入，获取所述对应数据集
Figure BDA0001795675670000069
和
Figure BDA00017956756700000610
的年龄预测子模型所预测的年龄；
比对单元，用于比对真实年龄与所述对应数据集
Figure BDA00017956756700000611
Figure BDA00017956756700000612
和
Figure BDA00017956756700000614
的年龄预测子模型所预测的年龄，确定年龄预测精度最高的年龄预测子模型作为年龄预测模型。
本发明实施例第四方面公开了一种大脑年龄的预测系统，包括：
确定模块，用于确定通过权利要求1-4中任一项所述的方法建立的年龄预测模型；
获取模块，用于获取待测人员在x轴、z轴、y轴每个切面方向上的大脑切面对应的T1加权图像；
分割模块，用于分割每个切面方向上的大脑切面对应的T1加权图像，分别确定x轴、y轴、z轴三个切面方向上所述待测人员的大脑的白质T1加权图像和灰质T1加权图像；
年龄预测模块，用于将三个切面方向上所述待测人员的大脑的白质T1加权图像和灰质T1加权图像的像素值作为输入，基于所述年龄预测模型和输入的像素值，预测所述待测人员的大脑年龄。
基于上述技术方案可知，本发明实施例提供的一种建立年龄预测模型的方法及装置、年龄预测方法及装置。通过构建m个参考人员在x轴、z轴、y轴每个切面方向上的大脑切面的T1加权图像所对应的数据集
Figure BDA0001795675670000071
Figure BDA0001795675670000072
和
Figure BDA0001795675670000073
其中，w指对应大脑白质区域的白质T1加权图像，g指对应大脑灰质区域的灰质T1加权图像；n为参考人员的编号，n的取值范围为1至m。根据T1加权图像对应的参考人员的真实年龄，为每一数据集中的T1加权图像添加年龄标识。基于卷积神经网络对数据集
Figure BDA0001795675670000074
Figure BDA0001795675670000075
和
Figure BDA0001795675670000076
进行训练，建立分别对应数据集
Figure BDA0001795675670000077
Figure BDA0001795675670000078
和
Figure BDA0001795675670000079
的年龄预测子模型。确定年龄预测精度最高的年龄预测子模型作为年龄预测模型。本发明提供的方案中，通过对大脑T1加权图像进行分割，获取大脑的白质和灰质区域三个不同切面的T1加权图像数据集，使用2D卷积神经网络对大脑的白质和灰质区域三个不同切面的T1加权图像数据集进行训练得到大脑的白质和灰质区域不同切面方向上的年龄预测子模型，确定年龄预测精度最高的年龄预测子模型作为年龄预测模型来预测大脑年龄，能提高预测大脑年龄的速度和精度，减少工作量和提高效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种建立年龄预测模型的方法流程图；
图2为本发明实施例提供的构建不同切面方向上的大脑切面的T1加权图像对应的数据集的流程图；
图3为本发明实施例提供的建立年龄预测子模型的方法流程图；
图4为本发明实施例提供的确定年龄预测模型的方法流程图；
图5为本发明实施例提供的一种大脑年龄的预测方法流程图；
图6为本发明实施例提供的一种建立年龄预测模型的装置结构框图；
图7为本发明实施例提供的一种建立年龄预测模型的装置结构框图；
图8为本发明实施例提供的一种建立年龄预测模型的装置结构框图；
图9为本发明实施例提供的一种建立年龄预测模型的装置结构框图；
图10为本发明实施例提供的一种大脑年龄的预测系统的结构框图；
图11为本发明实施例提供的单个神经元结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本申请中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
由技术背景可知，在现有技术中有两种方式进行大脑年龄预测，一种方式为：通过提取大脑的组织的体积作为特征，采用支持向量机的方法来进行大脑年龄预测，但该种方式所预测的大脑年龄的精度较低。另一种方式为：采用3D卷积神经网络的方法来预测大脑年龄，在预测的过程中工作量较大，用时较长且效率低下。因此，本发明实施例公开的一种建立年龄预测模型的方法及装置、年龄预测方法及装置，通过对大脑T1加权图像进行分割，获取大脑的白质和灰质区域三个不同切面的T1加权图像数据集，使用2D卷积神经网络对大脑的白质和灰质区域三个不同切面的T1加权图像数据集进行训练得到大脑的白质和灰质区域不同切面方向上的年龄预测子模型，确定年龄预测精度最高的年龄预测子模型作为年龄预测模型来预测大脑年龄，能提高预测大脑年龄的速度和精度，减少工作量和提高效率。具体通过以下实施例详细说明。
参考图1，示出了本发明实施例提供的一种建立年龄预测模型的方法流程图，包括以下步骤：
步骤S101：构建m个参考人员在x轴、y轴、z轴每个切面方向上的大脑切面的T1加权图像所对应的数据集
Figure BDA0001795675670000091
和
Figure BDA0001795675670000092
在具体实现步骤S101的过程中，w指对应大脑白质区域的白质T1加权图像，g指对应大脑灰质区域的灰质T1加权图像，n为参考人员的编号，n的取值范围为1至m。
需要说明的是，T1加权图像是磁共振在获取图像时得到的一种医学图像的类型。
步骤S102：根据所述T1加权图像对应的参考人员的真实年龄，为每一所述数据集中的所述T1加权图像添加年龄标识。
在具体实现步骤S102的过程中，由于所述数据集
Figure BDA0001795675670000093
Figure BDA0001795675670000094
和
Figure BDA0001795675670000095
是由对原始数据集
Figure BDA00017956756700000914
在不同切面方向上分割得到的，所述数据集中每张T1加权图像的大脑的真实年龄与所述原始数据集是一一对应的。因此，可以基于所述原始数据集
Figure BDA0001795675670000096
的每个参考人员的大脑真实年龄为每一所述数据集中的所述T1加权图像添加年龄标识。
需要说明的是，所述原始数据集
Figure BDA0001795675670000097
为没有在x轴、y轴、z轴切面方向上进行分割处理的T1加权图像，表示第m个参考人员的第n张T1加权图像。
步骤S103：基于卷积神经网络对所述数据集
Figure BDA0001795675670000098
Figure BDA0001795675670000099
和
Figure BDA00017956756700000910
进行训练，建立分别对应数据集
Figure BDA00017956756700000911
Figure BDA00017956756700000912
和
Figure BDA00017956756700000913
的年龄预测子模型。
步骤S104：确定年龄预测精度最高的年龄预测子模型作为年龄预测模型。
本发明实施例中，通过对大脑T1加权图像进行分割，获取大脑的白质和灰质区域三个不同切面的T1加权图像数据集，使用2D卷积神经网络对大脑的白质和灰质区域三个不同切面的T1加权图像数据集进行训练得到大脑的白质和灰质区域不同切面方向上的年龄预测子模型，确定年龄预测精度最高的年龄预测子模型作为年龄预测模型来预测大脑年龄，能提高预测大脑年龄的速度和精度，减少工作量和提高效率。
参考图2，示出了本发明实施例提供的构建m个参考人员在x轴、y轴、z轴每个切面方向上的大脑切面的T1加权图像所对应的数据集
Figure BDA0001795675670000101
Figure BDA0001795675670000102
和
Figure BDA0001795675670000103
的流程图，包括以下步骤：
步骤S201：获取m个参考人员在x轴、y轴、z轴每个切面方向上的大脑切面的T1加权图像，所述T1加权图像包括脑组织，以及所述脑组织以外的其他组织和器官组织。
在具体实现步骤S201的过程中，由于T1加权图像数据采用的是Nii格式，所以每个所述参考人员在x轴、y轴、z轴每个切面方向上分别都有15张x切面方向、15张y切面方向、15张z切面方向的T1加权图像。
步骤S202：分割所述T1加权图像，获取x轴、y轴、z轴三个切面方向上分别对应大脑白质区域的白质T1加权图像w，及对应大脑灰质区域的灰质T1加权图像g，并依据不同切面方向和图像类型构成初始数据集。
在具体实现步骤S202的过程中，由于T1加权图像不仅包含脑组织图像，还包含了其它器官和组织的图像，对预测大脑年龄精度有影响，因此需要对不同切面方向上每一张T1加权图像进行分割处理。
基于所述原始数据集
Figure BDA0001795675670000107
使用矩阵实验室(matrix&laboratory，MATLAB)中的spm12库包对所述原始数据集
Figure BDA0001795675670000108
中的每一张T1加权图像分别在x轴、y轴、z轴三个不同的切面方向上进行分割，一张T1加权图像在每个切面方向上分割可以得到该方向上的一张大脑白质T1加权图像和一张大脑灰质T1加权图像。将所述原始数据集
Figure BDA0001795675670000104
中的每一张T1加权图像分别在x轴、y轴、z轴三个不同的切面方向上进行分割后得到初始数据集
Figure BDA0001795675670000105
和
Figure BDA0001795675670000106
n为参考人员的编号，n的取值范围为1至m。
需要说明的是，spm12库包是MATLAB软件中的一个软件包，使用所述spm12库包对T1加权图像进行分割参见过程A1-A4进行说明：
A1：在MATLAB中导入spm12的库包。
A2：在MATLAB命令框中输入命令“fmri”。
A3：选中需要分割的T1加权图像。
A4：点击MATLAB中的“run”按钮，便可完成对所述T1加权图像的分割。
步骤S203：对所述初始数据集中的T1加权图像进行数据增强，获取数据增强后的数据集，所述数据增强至少包括亮度增强、和/或对图像进行平移操作，和/或对图像进行旋转操作。
需要说明的是，由于获取医学数据的成本和代价较高，并且医学数据的多和少能影响神经网络的输出结果的好坏，因此需要对现有的医学数据进行数据增强，从而能获取更多的数据。
在具体实现步骤S203的过程中，为更好解释说明亮度增强、图像平移和图像旋转等数据增强方式。下面分别通过过程B1-B2、过程C1-C3和过程D1-D3对上述数据增强方式进行解释说明。
对应所述初始数据集中的每一张图像进行随机的亮度增强：
B1：定义随机数israndom_0，所述随机数取值为0或者1。当取值为0时，表示该图像不进行亮度增强，当取值为1时表示该图像进行亮度增强，执行过程B2。
需要说明的是，所述随机数israndom_0的取值、不同的取值对应进行亮度增强或对应不进行亮度增强，可以由技术人员根据实际情况设定。
B2：对当前进行亮度增强的图像的某一像素点p(x，y)，获取所述像素点对应的像素值的大小Vp(x,y)，使用亮度增强公式(1)对所述像素值Vp(x,y)进行亮度增强5％，获得亮度增强后的图像。
Vp(x,y)＝Vp(x,y)*1.05 (1)
需要说明的是，亮度增强5％只是举例说明，实际亮度增强的数值由技术人员根据实际情况进行设定。
对所述初始数据集中的每一张图像进行随机地方向平移操作，其中随机地方向平移包括竖直向上、竖直向下、水平向左和水平向右四个方向：
C1：定义随机数israndom_1，所述随机数取值为0或1，当取值为0时，表示不进行平移操作，当取值为1时，执行平移操作，执行过程C2。需要说明的是，所述随机数israndom_1的取值、不同的取值对应进行平移操作或对应不进行平移操作由技术人员根据实际情况设定。
C2：定义随机数direction_1，取值为0、或1、或2、或3，依次代表竖直向上、竖直向下、水平向左和水平向右四个方向。
需要说明的是，所述随机数direction_1的取值、不同的取值对应平移的方向由技术人员根据实际情况设定。
C3：当所述随机数取值为0时，将需要进行平移操作的图像在竖直向上的方向上平移10个像素的距离得到进行数据平移操作后的图像。
需要说明的是，上述在竖直向上的方向上平移10个像素的距离只是举例说明，具体平移的像素个数的距离和方向由技术人员根据实际情况进行设定。
对所述初始数据集的每一张图像进行随机的方向旋转操作：
D1：定义israndom_2，取值为0或1。当取值为0时，不进行旋转操作，当取值为1时，进行旋转操作，执行过程D2。
需要说明的是，所述随机数israndom_2的取值、不同的取值对应进行旋转操作或对应不进行旋转操作由技术人员根据实际情况设定。
D2：定义随机数direction_2，取值为0或1，取值为0时表示顺时针旋转，取值为1时表示逆时针旋转。
需要说明的是，所述随机数direction_2的取值、不同的取值对应顺时针旋转或逆时针旋转由技术人员根据实际情况设定。
D3：当随机数direction_2为0时，将需要进行旋转的图像在顺时针方向上旋转5度得到进行旋转操作后的图像。
需要说明的是，上述在顺时针方向上旋转5度只是举例说明，具体旋转的度数和方向由技术人员根据实际情况进行设定。
步骤S204：对所述数据增强后的数据集中的每一T1加权图像进行归一化处理，得到数据集
Figure BDA0001795675670000121
和
Figure BDA0001795675670000122
在具体实现步骤S204的过程中，对数据增强后的数据集中的每一T1加权图像进行归一化处理。该归一化处理包括像素值大小归一化和图像尺寸归一化。
对一T1加权图像进行归一化处理的过程为：首先，获取该T1加权图像的最大像素值Vmax，根据公式(2)将该图像的像素值归一化到0-1区间内；然后，将完成像素值归一化的该T1加权图像进行尺寸归一化，使该T1加权图像的尺寸为224x224。
Figure BDA0001795675670000131
采用以上述方式，对数据增强后的数据集中的每一张T1加权图像进行归一化处理。
需要说明的是，将T1加权图像尺寸归一化为224x224只是举例说明，具体归一化尺寸的大小由技术人员根据实际需求进行设定。
参考图3，示出了本发明实施例提供的基于卷积神经网络对所述数据集
Figure BDA0001795675670000132
和
Figure BDA0001795675670000133
进行训练，建立分别对应数据集
Figure BDA0001795675670000134
和
Figure BDA0001795675670000135
的年龄预测子模型的方法流程图，包括以下步骤：
步骤S301：构建卷积神经网络。
在具体实现步骤S301的过程中，所述卷积神经网络由多个神经元构成，后一层神经元的输入为前一层神经元的输出。所述多个神经元被划分为特征初始提取层、特征深入提取层和年龄输出层。
步骤S302：针对所述数据集
Figure BDA0001795675670000136
和
Figure BDA0001795675670000137
中每一数据集，将当前数据集中的所述T1加权图像的像素值作为所述特征初始提取层中每个神经元的输入值，并基于公式(3)进行卷积计算，将得到的第一像素值作为特征深入提取层中的神经元的输入值，所述特征深入提取层中的神经元与所述特征初始提取层中的神经元相连。
Relu(X)＝max(0,X) (3)
其中，所述公式(3)中的X为当前神经元的输入，该X为与所述当前神经元相连的前一层神经元的输出。
在具体实现步骤S302的过程中，所述特征初始提取层包括：一个卷积层、修正线性单元(Rectified linear unit，ReLU)层以及一个最大池化层。在所述卷积层中，卷积核的大小由技术人员根据实际情况进行设定，在所述最大池化层中，核的大小由技术人员根据实际情况进行设定。在ReLU层中基于所述公式(3)操作得到第一像素值，将所述第一像素值作为所述特征深入提取层中的神经元的输入值。
步骤S303：在所述特征深入提取层中，针对接收第一像素值的神经元，基于所述公式(3)进行卷积计算，将得到的第二像素值作为所述年龄输出层的输入值。
在具体实现步骤S303的过程中，所述特征深入提取层中包含4个denseblock，假设所述4个denseblock记为denseblock1、denseblock2、denseblock3和denseblock4。所述denseblock1由6个denselayer结构依次构成，所述denseblock2由12个denselayer结构依次构成，所述denseblock3由48个denselayer结构依次构成，所述denseblock4由32个denselayer结构依次构成。所述denselayer由ReLU层、卷积层、ReLU层和卷积层依次构成。需要说明的是，所述denseblock的个数、构成denseblock的denselayer的个数、所述卷积层的卷积核大小由技术人员根据实际情况进行设定。
步骤S304：在所述年龄输出层中的最后一个神经元中，根据公式(4)计算当前数据集训练得到年龄预测结果。
a＝g(X1*W1+X2*W2+……+Xi*Wi+1*b) (4)
其中，a为年龄预测结果，g(z)为激活函数，X1、X2……Xi为与最后一个所述神经元相连的前一神经元的输出，i为前一神经元的个数，取值大于等于2，W1、W2……Wi为所述卷积神经网络中相邻神经元的权重，b为所述卷积神经网络中的每一神经元之间的偏置。
在具体实现步骤S304的过程中，所述年龄输出层包含由94080个神经元的全连接层1、ReLU层、包含1024个神经元的全连接层2、ReLU层和只有一个神经元的全连接层3依次组成。所述全连接层3的输出结果是一个标量，这个输出结果就是大脑预测年龄值。需要说明的是，所述全连接层1和所述全连接层2中神经元的个数由技术人员根据实际情况进行设定。
步骤S305：计算所述年龄预测结果与所述当前数据集对应的真实年龄的差值的平方值的二分之一，得到误差E。
在具体实现步骤S305的过程中，基于公式(5)计算所述误差E。
Figure BDA0001795675670000141
需要说明的是，公式(5)中的a'为当前数据集对应的真实年龄，a为当前数据集的预测年龄。步骤S306：判断所述误差E是否符合预设误差要求。若是，执行步骤S307，若否，返回执行步骤S304。
在具体实现步骤S306的过程中，若所述误差不符合所述预设误差要求，基于所述误差E，根据公式(6)和公式(7)分别对所述W1、W2……Wi和b进行调整，得到并基于调整后的权重W1′、W2′……Wi′和偏置b′替换公式(6)中的W1、W2……Wi和b，再次进行计算，得到当前数据集所预测的年龄预测结果。
Figure BDA0001795675670000151
Figure BDA0001795675670000152
其中，所述η为预设的学习率。
通过行上述步骤S306反复训练得到当前数据集的年龄预测结果，直至其与真实年龄之间的误差值E符合预设误差要求，确定最后一次训练得到的年龄预测结果为最终年龄预测结果。
需要说明的是，在输入数据和激活函数不变的情况下，神经网络的输出值与权重和偏置有关，通过调整权重和偏置，可以调整神经网络的输出值。所述预设误差要求为最终的误差值为多个误差值中的最小值，或者为保持连续预设次数不变的误差值。为更好解释说明所述预设误差要求，下面通过过程E1-E3进行举例说明：
E1：假设所述神经网络经过100次训练所述数据集得到100个误差。
E2：这100个误差中最小的误差值为符合预设误差要求的值。
E3：或者，假设从第90个误差值开始到第100个误差值，误差值的变化范围不超过预设范围，假设技术人员设定连续10个误差值变化不超预设范围时，从第90个误差值到第100个误差值中的误差值为符合预设误差要求的值。
步骤S307:基于计算所述最终年龄预测结果所使用的偏置和权重，建立对应当前数据集的年龄预测子模型。
在具体实现步骤S307的过程中，将计算所述最终年龄预测结果所使用的偏置和权重作为公式(4)中的权重W1、W2……Wi和偏置b，所述公式(4)为年龄预测子模型。
需要说明的是，通过上述步骤S301-S307对六个所述数据集
Figure BDA0001795675670000153
Figure BDA0001795675670000154
和
Figure BDA0001795675670000155
分别进行训练得到六个年龄预测子模型。
为更好解释说明如何对所述数据集
Figure BDA0001795675670000156
和
Figure BDA0001795675670000157
进行训练，建立分别对应数据集
Figure BDA0001795675670000158
和
Figure BDA0001795675670000159
的年龄预测子模型，参考图11，示出了单个神经元结构示意图。
如图11所示，图中的每一个圆圈表示一个神经元，x1、x2为输入数据，w1和w2为神经元之间的权重，b为偏置，g(z)为激活函数，a为所述当神经元结构的输出，a可用所述公式(4)表示，此时所述公式(4)中的i取值为2。通过图11可知，在输入数据和激活函数不变的情况下，神经网络的输出值与权重和偏置有关，通过调整权重和偏置，可以调整神经网络的输出值。因此，通过反向传播算法不断调整权重和偏置对所述数据集进行训练可以得到所述年龄预测子模型。为更好解释如何通过反向传播算法得到年龄预测子模型，下面通过过程F1-F6进行解释说明：
假设a'为当前数据集对应的真实年龄，a为当前数据集的预测年龄。
F1、通过反向传播算法，随机初始化所述神经元结构中神经元之间的权重和偏置，在图11中为初始化w1、w2和b。
F2、基于输入数据x1、x2，通过所述公式(4)计算得到a。此时，公式(4)中的i的取值为2.
F3、使用所述公式(5)计算得到误差E。
F4、基于误差E，使用所述公式(6)和(7)反馈更新所述公式(4)中的权重和偏置。
F5、重复预设次数的上述过程F1-F4，直至误差E符合所述预设误差要求，获得最终年龄预测结果。
F6、采用上述过程F1-F5对所述数据集
Figure BDA0001795675670000161
和
Figure BDA0001795675670000162
分别进行训练。基于计算所述最终年龄预测结果所使用的权重和偏置，建立各个数据集对应的年龄预测子模型，即公式(4)。
需要说明的是，在图11中，权重w1、w2的个数只是举例说明，并不仅限于两个，具体数量有技术人员根据实际情况进行设定。
本发明实施例中，通过对大脑T1加权图像进行分割，获取大脑的白质和灰质区域三个不同切面的T1加权图像数据集，使用2D卷积神经网络对大脑的白质和灰质区域三个不同切面的T1加权图像数据集进行训练得到大脑的白质和灰质区域不同切面方向上的年龄预测子模型，确定年龄预测精度最高的年龄预测子模型作为年龄预测模型来预测大脑年龄，能提高预测大脑年龄的速度和精度，减少工作量和提高效率。
参考图4，示出了本发明实施例提供的确定年龄预测子模型中年龄预测精度最高的年龄预测子模型作为年龄预测模型的流程图，包括以下步骤：
步骤S401：将确定的测试集中的白质T1加权图像作为所述对应数据集
Figure BDA0001795675670000171
和
Figure BDA0001795675670000172
的年龄预测子模型的输入，获取所述对应数据集
Figure BDA0001795675670000173
Figure BDA0001795675670000174
和
Figure BDA0001795675670000175
的年龄预测子模型所预测的大脑年龄。
在具体实现步骤S401的过程中，所述测试集为预先获取的待用的数据集，为更好解释说明测试集的来源，下面举例说明：
假设技术人员选取1000个参考人员的大脑数据对大脑年龄预测神经网络的训练，技术人员从这1000个参考人员提供的数据中选取200个参考人员的数据当作测试集，当作测试集的200个参考人员的数据不参与大脑年龄预测神经网络的训练。或者，技术人员不从这1000个参考人员中挑选测试集，而是另外准备一定数量的人员的大脑数据作为测试集。
步骤S402：将确定的测试集中的灰质T1加权图像作为所述对应数据集
Figure BDA0001795675670000176
和
Figure BDA0001795675670000177
的年龄预测子模型的输入，获取所述对应数据集
Figure BDA0001795675670000178
Figure BDA0001795675670000179
和
Figure BDA00017956756700001710
的年龄预测子模型所预测的大脑年龄。
在具体实现步骤S402的过程中，对测试集的选取参见上述本发明实施例图4公开的步骤S401相对应的内容。
步骤S403：比对真实年龄与所述对应数据集
Figure BDA00017956756700001711
Figure BDA00017956756700001712
和
Figure BDA00017956756700001713
的年龄预测子模型所预测的大脑年龄，确定年龄预测精度最高的年龄预测子模型作为年龄预测模型。
在具体实现步骤S403的过程中，将测试集的不同切面方向的大脑灰质和白质T1加权图像对应输入对应数据集
Figure BDA00017956756700001714
和
Figure BDA00017956756700001715
的年龄预测子模型得到对应的预测年龄，将预测的结果与真实年龄比较，选取真实年龄和预测年龄误差最小的年龄预测子模型作为年龄预测模型。
为更好解释说明如何选取真实年龄和预测年龄误差最小的年龄预测子模型作为年龄预测模型，通过下述表1进行举例说明：
基于由上述本发明实施例图3公开的步骤获得的数据集
Figure BDA00017956756700001719
Figure BDA00017956756700001716
和
Figure BDA00017956756700001717
的年龄预测子模型，分别将测试集中不同切面方向的白质T1加权图像和灰质T1图像输入对应的年龄预测子模型，得到如表1所述的数据。由表1可知，基于y轴切面方向上的灰质图像的预测结果和真实年龄的平均误差最小，即精度最高，因此选择数据集
Figure BDA00017956756700001718
对应的年龄预测子模型为年龄预测模型。
表1预测结果：
切片类型 切片方向 平均误差(year)
白质 x 4.58
灰质 x 4.04
白质 y 4.07
灰质 y 3.78
白质 z 4.82
灰质 z 4.71
本发明实施例中，通过对大脑T1加权图像进行分割，获取大脑的白质和灰质区域三个不同切面的T1加权图像数据集，使用2D卷积神经网络对大脑的白质和灰质区域三个不同切面的T1加权图像数据集进行训练得到大脑的白质和灰质区域不同切面方向上的年龄预测子模型，确定年龄预测精度最高的年龄预测子模型作为年龄预测模型来预测大脑年龄，能提高预测大脑年龄的速度和精度，减少工作量和提高效率。
与上述本发明实施例公开的一种建立年龄预测模型的方法相对应，参考图5，本发明实施例还公开了一种大脑年龄的预测方法，适用于上述本发明实施例图1至图4公开的方法建立的年龄预测模型，包括以下步骤：
步骤S501：确定所述年龄预测模型。
步骤S502：获取待测人员在x轴、y轴、z轴每个切面方向上的大脑切面对应的T1加权图像。
在具体实现步骤S502的过程中，通过磁共振可以获取所述待测人员在x轴、y轴、z轴每个切面方向上的大脑切面对应的T1加权图像。
步骤S503：分割每个切面方向上的大脑切面对应的T1加权图像，分别确定x轴、y轴、z轴三个切面方向上所述待测人员的大脑的白质T1加权图像和灰质T1加权图像。
在具体实现步骤S503的过程中，获得所述待测人员的大脑的白质T1加权图像和灰质T1加权图像的过程参见上述本发明实施例图2公开的步骤S202对应的内容。
步骤S504：将三个切面方向上所述待测人员的大脑的白质T1加权图像和灰质T1加权图像的像素值作为所述年龄预测模型的输入，基于所述年龄预测模型和输入的像素值，预测所述待测人员的大脑年龄。
本发明实施例中，通过对大脑T1加权图像进行分割，获取大脑的白质和灰质区域三个不同切面的T1加权图像数据集，使用预先训练好的年龄预测模型来预测大脑年龄，能提高预测大脑年龄的速度和精度，减少工作量和提高效率。
与上述本发明实施例提供的一种建立年龄预测模型的方法相对应，参考图6，本发明实施例还提供了一种建立年龄预测模型的装置，包括：构建模块601、标记模块602、建立模块603和确定模块604。
构建模块601，用于构建m个参考人员在x轴、z轴、y轴每个切面方向上的大脑切面的T1加权图像所对应的数据集
Figure BDA0001795675670000191
和
Figure BDA0001795675670000192
其中，w指对应大脑白质区域的白质T1加权图像，g指对应大脑灰质区域的灰质T1加权图像，n为参考人员的编号，n的取值范围为1至m
标记模块602，用于根据所述T1加权图像对应的参考人员的真实年龄，为每一所述数据集中的所述T1加权图像添加年龄标识，具体添加年龄标识的过程参见上述本发明实施例图1公开的步骤S102对应的内容。
建立模块603，用于基于卷积神经网络训练所述数据集
Figure BDA0001795675670000193
Figure BDA0001795675670000194
和
Figure BDA0001795675670000195
建立分别对应数据集
Figure BDA0001795675670000196
Figure BDA0001795675670000197
和
Figure BDA0001795675670000198
的年龄预测子模型。
确定模块604，用于确定年龄预测精度最高的年龄预测子模型作为年龄预测模型。
本发明实施例中，通过对大脑T1加权图像进行分割，获取大脑的白质和灰质区域三个不同切面的T1加权图像数据集，使用2D卷积神经网络对大脑的白质和灰质区域三个不同切面的T1加权图像数据集进行训练得到大脑的白质和灰质区域不同切面方向上的年龄预测子模型，确定年龄预测精度最高的年龄预测子模型作为年龄预测模型来预测大脑年龄，能提高预测大脑年龄的速度和精度，减少工作量和提高效率。
结合图6，参考图7，示出了本发明实施例提供的一种建立年龄预测模型的装置结构框图，所述构建模块601包括：获取单元6011、分割单元6012、增强单元6013和归一化单元6014。
获取单元6011，用于获取m个参考人员在x轴、y轴、z轴每个切面方向上的大脑切面的T1加权图像，所述T1加权图像包括脑组织，以及所述脑组织以外的其他组织和器官组织。获取所述T1加权图像的具体内容参见上述本发明实施例图2公开的步骤S201对应的内容。
分割单元6012，用于分割所述T1加权图像，获取x轴、y轴、z轴三个切面方向上分别对应大脑白质区域的白质T1加权图像w，及对应大脑灰质区域的灰质T1加权图像g，并依据不同切面方向和图像类型构成初始数据集。具体分割所述T1加权图像的过程参见上述本发明实施例图2公开的步骤S202对应的内容。
增强单元6013，用于对所述初始数据集中的T1加权图像进行数据增强，获取数据增强后的数据集，所述数据增强至少包括亮度增强、和/或对图像进行平移操作，和/或对图像进行旋转操作。对所述初始数据集增强的内容参见上述本发明实施例图2公开的步骤S203对应的内容。
归一化单元6014，用于对所述数据增强后的数据集中的每一T1加权图像的像素值进行归一化处理，得到数据集
Figure BDA0001795675670000201
和
Figure BDA0001795675670000202
具体内容参见上述本发明实施例图2公开的步骤S204对应的内容。
结合图7，参考图8，示出了本发明实施例提供的一种建立年龄预测模型的装置结构框图，所述建立模块603包括：卷积神经网络构建单元6031、特征初始层计算单元6032、特征深入提取层计算单元6033、年龄输出层计算单元6034、误差计算单元6035、判断单元6036和建立单元6037。
卷积神经网络构建单元6031，用于构建卷积神经网络，所述卷积神经网络由多个神经元构成，所述多个神经元被划分为特征初始提取层、特征深入提取层和年龄输出层。
特征初始层计算单元6032，用于针对所述数据集
Figure BDA0001795675670000203
Figure BDA0001795675670000204
和
Figure BDA0001795675670000205
中每一数据集，将当前数据集中的所述T1加权图像的像素值作为所述特征初始提取层中每个神经元的输入值，并基于公式(3)进行卷积计算，将得到的第一像素值作为特征深入提取层中的神经元的输入值，所述特征深入提取层中的神经元与所述特征初始提取层中的神经元相连。具体内容参见上述本发明实施例图3公开的步骤S302对应的内容。
特征深入提取层计算单元6033，用于在所述特征深入提取层中，针对接收第一像素值的神经元，基于公式(3)进行卷积计算，将得到的第二像素值作为所述年龄输出层的输入值。具体内容参见上述本发明实施例图3公开的步骤S303对应的内容。
年龄输出层计算单元6034，用于在所述年龄输出层中的最后一个神经元中，根据公式(4)计算当前数据集练得到年龄预测结果，其中，a为年龄预测结果，X1、X2……Xi为与最后一个所述神经元相连的前一神经元的输出，i为前一神经元的个数，取值大于等于2，W1、W2……Wi为所述卷积神经网络中相邻神经元的权重，b为所述卷积神经网络中的每一神经元之间的偏置。具体内容参见上述本发明实施例图3公开的步骤S304对应的内容。
误差计算单元6035，用于计算所述年龄预测结果与所述当前数据集对应的真实年龄的差值的平方值的二分之一，得到误差E。得到误差E的过程参见上述本发明实施例图3公开的步骤S305对应的内容。
判断单元6036，用于判断所述误差E是否符合预设误差要求，若是，确定所述年龄预测结果为最终年龄预测结果，执行建立单元6037，若否，所述年龄输出层计算单元6034基于所述误差E，根据公式(6)和公式(7)分别对所述W1、W2……Wi和b进行调整，得到并基于调整后的权重W1′、W2′……Wi′和偏置b′计算当前数据集得到年龄预测结果，直至所述误差值E符合预设误差要求，确定最后一次训练得到的年龄预测结果为最终年龄预测结果，执行所述建立单元6037，其中，所述η为预设的学习率。具体内容参见上述本发明实施例图3公开的步骤S306对应的内容。
所述建立单元6037，用于基于计算所述最终年龄预测结果所使用的偏置和权重，建立对应当前数据集的年龄预测子模型。具体内容参见上述本发明实施例图3公开的步骤S307对应的内容。
本发明实施例中，通过对大脑T1加权图像进行分割，获取大脑的白质和灰质区域三个不同切面的T1加权图像数据集，使用2D卷积神经网络对大脑的白质和灰质区域三个不同切面的T1加权图像数据集进行训练得到大脑的白质和灰质区域不同切面方向上的年龄预测子模型，确定年龄预测精度最高的年龄预测子模型作为年龄预测模型来预测大脑年龄，能提高预测大脑年龄的速度和精度，减少工作量和提高效率。
结合图8，参考图9，示出了本发明实施例提供的一种建立年龄预测模型的装置结构框图，所述确定模块604包括：预测单元6041和比对单元6042。
预测单元6041，用于将确定的测试集中的白质T1加权图像作为所述对应数据集
Figure BDA0001795675670000221
和
Figure BDA0001795675670000222
的年龄预测子模型的输入，获取所述对应数据集
Figure BDA0001795675670000223
和
Figure BDA0001795675670000224
的年龄预测子模型所预测的年龄，以及将确定的测试集中的灰质T1加权图像作为所述对应数据集
Figure BDA0001795675670000225
和
Figure BDA0001795675670000226
的年龄预测子模型的输入，获取所述对应数据集
Figure BDA0001795675670000227
和
Figure BDA0001795675670000228
的年龄预测子模型所预测的年龄。具体内容参见上述本发明实施例图4公开的步骤S401对应的内容。
比对单元6042，用于比对真实年龄与所述对应数据集
Figure BDA0001795675670000229
Figure BDA00017956756700002210
和
Figure BDA00017956756700002211
的年龄预测子模型所预测的年龄，确定年龄预测精度最高的年龄预测子模型作为年龄预测模型。具体内容参见上述本发明实施例图4公开的步骤S403对应的内容。
本发明实施例中，通过对大脑T1加权图像进行分割，获取大脑的白质和灰质区域三个不同切面的T1加权图像数据集，使用2D卷积神经网络对大脑的白质和灰质区域三个不同切面的T1加权图像数据集进行训练得到大脑的白质和灰质区域不同切面方向上的年龄预测子模型，确定年龄预测精度最高的年龄预测子模型作为年龄预测模型来预测大脑年龄，能提高预测大脑年龄的速度和精度，减少工作量和提高效率。
与上述本发明实施例提供的一种大脑年龄的预测方法相对应，参考图10，本发明实施例还提供了一种大脑年龄的预测系统，包括：确定模块1001、获取模块1002、分割模块1003和年龄预测模块1004。
确定模块1001，用于确定通过上述本发明实施例图1-图4公开的方法建立的年龄预测模型。
获取模块1002，用于获取待测人员在x轴、y轴、z轴每个切面方向上的大脑切面对应的T1加权图像。具体内容参见上述本发明实施例图5公开的步骤S502对应的内容。
分割模块1003，用于分割每个切面方向上的大脑切面对应的T1加权图像，分别确定x轴、y轴、z轴三个切面方向上所述待测人员的大脑的白质T1加权图像和灰质T1加权图像。获得所述待测人员的大脑的白质T1加权图像和灰质T1加权图像的过程参见上述本发明实施例图2公开的步骤S202对应的内容。
年龄预测模块1004，用于将三个切面方向上所述待测人员的大脑的白质T1加权图像和灰质T1加权图像的像素值作为输入，基于所述年龄预测模型和输入的像素值，预测所述待测人员的大脑年龄。具体内容参见上述本发明实施例图5公开的步骤S504对应的内容。
综上所述，本发明实施例公开的一种建立年龄预测模型的方法及装置、年龄预测方法及装置，通过对大脑T1加权图像进行分割，获取大脑的白质和灰质区域三个不同切面的T1加权图像数据集，使用2D卷积神经网络对大脑的白质和灰质区域三个不同切面的T1加权图像数据集进行训练得到大脑的白质和灰质区域不同切面方向上的年龄预测子模型，确定年龄预测精度最高的年龄预测子模型作为年龄预测模型来预测大脑年龄，能提高预测大脑年龄的速度和精度，减少工作量和提高效率。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种建立年龄预测模型的方法，其特征在于，所述方法包括：
构建m个参考人员在x轴、y轴、z轴每个切面方向上的大脑切面的T1加权图像所对应的数据集
Figure FDA0003089435890000011
和
Figure FDA0003089435890000012
其中，w指对应大脑白质区域的白质T1加权图像，g指对应大脑灰质区域的灰质T1加权图像；n为参考人员的编号，n的取值范围为1至m；
根据所述T1加权图像对应的参考人员的真实年龄，为每一所述数据集中的所述T1加权图像添加年龄标识；
基于卷积神经网络对所述数据集
Figure FDA0003089435890000013
和
Figure FDA0003089435890000014
进行训练，建立分别对应数据集
Figure FDA0003089435890000015
和
Figure FDA0003089435890000016
的年龄预测子模型；
确定年龄预测精度最高的年龄预测子模型作为年龄预测模型。
2.根据权利要求1所述的方法，其特征在于，所述构建m个参考人员在x轴、y轴、z轴每个切面方向上的大脑切面的T1加权图像所对应的数据集
Figure FDA0003089435890000017
和
Figure FDA0003089435890000018
包括：
获取m个参考人员在x轴、z轴、y轴每个切面方向上的大脑切面的T1加权图像，所述T1加权图像包括脑组织，以及所述脑组织以外的其他组织和器官组织；
分割所述T1加权图像，获取x轴、y轴、z轴三个切面方向上分别对应大脑白质区域的白质T1加权图像w，及对应大脑灰质区域的灰质T1加权图像g，并依据不同切面方向和图像类型构成初始数据集；
对所述初始数据集中的T1加权图像进行数据增强，获取数据增强后的数据集，所述数据增强至少包括亮度增强、和/或对图像进行平移操作，和/或对图像进行旋转操作；
对所述数据增强后的数据集中的每一T1加权图像进行归一化处理，得到数据集
Figure FDA0003089435890000019
和
Figure FDA00030894358900000110
3.根据权利要求1或2所述的方法，其特征在于，所述基于卷积神经网络对所述数据集
Figure FDA00030894358900000111
和
Figure FDA00030894358900000112
进行训练，建立分别对应数据集
Figure FDA00030894358900000113
和
Figure FDA00030894358900000114
的年龄预测子模型，包括：
构建卷积神经网络，所述卷积神经网络由多个神经元构成，所述多个神经元被划分为特征初始提取层、特征深入提取层和年龄输出层；
针对所述数据集
Figure FDA0003089435890000021
和
Figure FDA0003089435890000022
中每一数据集，将当前数据集中的所述T1加权图像的像素值作为所述特征初始提取层中每个神经元的输入值，并基于Relu(X)＝max(0,X)进行卷积计算，将得到的第一像素值作为特征深入提取层中的神经元的输入值，所述特征深入提取层中的神经元与所述特征初始提取层中的神经元相连；
在所述特征深入提取层中，针对接收第一像素值的神经元，基于Relu(X)＝max(0,X)进行卷积计算，将得到的第二像素值作为所述年龄输出层的输入值；
在所述年龄输出层中的最后一个神经元中，根据a＝g(X1*W1+X2*W2+……+Xi*Wi+1*b)计算当前数据集训练得到的年龄预测结果，其中，a为年龄预测结果，X1、X2……Xi为与最后一个所述神经元相连的前一神经元的输出，i为前一神经元的个数，取值大于等于2，W1、W2……Wi为所述卷积神经网络中相邻神经元的权重，b为所述卷积神经网络中的每一神经元之间的偏置；
计算所述年龄预测结果与所述当前数据集对应的真实年龄的差值的平方值的二分之一，得到误差E；
判断所述误差E是否符合预设误差要求；
若是，确定所述年龄预测结果为最终年龄预测结果；
若否，基于所述误差E，根据
Figure FDA0003089435890000023
和
Figure FDA0003089435890000024
分别对所述W1、W2……Wi和b进行调整，得到并基于调整后的权重W1′、W2′……Wi′和偏置b′计算当前数据集再次训练得到年龄预测结果，直至所述误差值E符合预设误差要求，确定最后一次训练得到的年龄预测结果为最终年龄预测结果，其中，所述η为预设的学习率；
基于计算所述最终年龄预测结果所使用的权重和偏置，建立对应当前数据集的年龄预测子模型。
4.根据权利要求1或2所述的方法，其特征在于，所述确定所述年龄预测子模型中年龄预测精度最高的年龄预测子模型作为年龄预测模型，包括：
将确定的测试集中的白质T1加权图像作为所述对应数据集
Figure FDA0003089435890000031
和
Figure FDA0003089435890000032
的年龄预测子模型的输入，获取所述对应数据集
Figure FDA0003089435890000033
和
Figure FDA0003089435890000034
的年龄预测子模型所预测的大脑年龄；
将确定的测试集中的灰质T1加权图像作为所述对应数据集
Figure FDA0003089435890000035
和
Figure FDA0003089435890000036
的年龄预测子模型的输入，获取所述对应数据集
Figure FDA0003089435890000037
和
Figure FDA0003089435890000038
的年龄预测子模型所预测的大脑年龄；
比对真实年龄与所述对应数据集
Figure FDA0003089435890000039
和
Figure FDA00030894358900000310
的年龄预测子模型所预测的大脑年龄，确定年龄预测精度最高的年龄预测子模型作为年龄预测模型。
5.一种大脑年龄的预测方法，其特征在于，适用于通过权利要求1-4中任一项所述的方法建立的年龄预测模型，包括：
确定所述年龄预测模型；
获取待测人员在x轴、y轴、z轴每个切面方向上的大脑切面对应的T1加权图像；
分割每个切面方向上的大脑切面对应的T1加权图像，分别确定x轴、y轴、z轴三个切面方向上所述待测人员的大脑的白质T1加权图像和灰质T1加权图像；
将三个切面方向上所述待测人员的大脑的白质T1加权图像和灰质白质T1加权图像的像素值作为所述年龄预测模型的输入，基于所述年龄预测模型和输入的像素值，预测所述待测人员的大脑年龄。
6.一种建立年龄预测模型的装置，其特征在于，所述装置包括：
构建模块，用于构建m个参考人员在x轴、y轴、z轴每个切面方向上的大脑切面的T1加权图像所对应的数据集
Figure FDA00030894358900000311
和
Figure FDA00030894358900000312
其中，w指对应大脑白质区域的白质T1加权图像，g指对应大脑灰质区域的灰质T1加权图像；n为参考人员的编号，n的取值范围为1至m；
标记模块，用于根据所述T1加权图像对应的参考人员的真实年龄，为每一所述数据集中的所述T1加权图像添加年龄标识；
建立模块，用于基于卷积神经网络训练所述数据集
Figure FDA00030894358900000313
Figure FDA00030894358900000314
和
Figure FDA00030894358900000315
建立分别对应数据集
Figure FDA00030894358900000316
Figure FDA00030894358900000317
和
Figure FDA00030894358900000318
的年龄预测子模型；
确定模块，用于确定年龄预测精度最高的年龄预测子模型作为年龄预测模型。
7.根据权利要求6所述的装置，其特征在于，所述构建模块，包括：
获取单元，用于获取m个参考人员在x轴、y轴、z轴每个切面方向上的大脑切面的T1加权图像，所述T1加权图像包括脑组织，以及所述脑组织以外的其他组织和器官组织；
分割单元，用于分割所述T1加权图像，获取x轴、y轴、z轴三个切面方向上分别对应大脑白质区域的白质T1加权图像w，及对应大脑灰质区域的灰质T1加权图像g，并依据不同切面方向和图像类型构成初始数据集；
增强单元，用于对所述初始数据集中的T1加权图像进行数据增强，获取数据增强后的数据集，所述数据增强至少包括亮度增强、和/或对图像进行平移操作，和/或对图像进行旋转操作；
归一化单元，用于对所述数据增强后的数据集中的每一T1加权图像的像素值进行归一化处理，得到数据集
Figure FDA0003089435890000041
和
Figure FDA0003089435890000042
8.根据权利要求6所述的装置，其特征在于，所述建立模块，包括：
卷积神经网络构建单元，用于构建卷积神经网络，所述卷积神经网络由多个神经元构成，所述多个神经元被划分为特征初始提取层、特征深入提取层和年龄输出层；
特征初始层计算单元，用于针对所述数据集
Figure FDA0003089435890000043
Figure FDA0003089435890000044
和
Figure FDA0003089435890000045
中每一数据集，将当前数据集中的所述T1加权图像的像素值作为所述特征初始提取层中每个神经元的输入值，并基于Relu(X)＝max(0,X)进行卷积计算，将得到的第一像素值作为特征深入提取层中的神经元的输入值，所述特征深入提取层中的神经元与所述特征初始提取层中的神经元相连；
特征深入提取层计算单元，用于在所述特征深入提取层中，针对接收第一像素值的神经元，基于Relu(X)＝max(0,X)进行卷积计算，将得到的第二像素值作为所述年龄输出层的输入值；
年龄输出层计算单元，用于在所述年龄输出层中的最后一个神经元中，根据a＝g(X1*W1+X2*W2+……+Xi*Wi+1*b)计算当前数据集训练得到年龄预测结果，以及基于调整单元反馈的调整后的权重W1′、W2′……Wi′和偏置b′，计算当前数据集再次训练得到年龄预测结果，直至误差值E符合预设误差要求，确定最后一次训练得到的年龄预测结果为最终年龄预测结果，执行建立单元，其中，a为年龄预测结果，X1、X2……Xi为与最后一个所述神经元相连的前一神经元的输出，i为前一神经元的个数，取值大于等于2，W1、W2……Wi为所述卷积神经网络中相邻神经元的权重，b为所述卷积神经网络中的每一神经元之间的偏置；
误差计算单元，用于计算所述年龄预测结果与所述当前数据集对应的真实年龄的差值的平方值的二分之一，得到误差E；
判断单元，用于判断所述误差E是否符合预设误差要求，若是，确定所述年龄预测结果为最终年龄预测结果，执行建立单元，若否，所述年龄输出层计算单元基于所述误差E，根据
Figure FDA0003089435890000051
和
Figure FDA0003089435890000052
分别对所述W1、W2……Wi和b进行调整，得到调整后的权重W1′、W2′……Wi′和偏置b′，反馈至年龄输出层计算单元，其中，所述η为预设的学习率；
所述建立单元，用于基于计算所述最终年龄预测结果所使用的偏置和权重，建立对应当前数据集的年龄预测子模型。
9.根据权利要求6-8中任一项所述的装置，其特征在于，所述确定模块，包括：
预测单元，用于将确定的测试集中的白质T1加权图像作为所述对应数据集
Figure FDA0003089435890000053
和
Figure FDA0003089435890000054
的年龄预测子模型的输入，获取所述对应数据集
Figure FDA0003089435890000055
和
Figure FDA0003089435890000056
的年龄预测子模型所预测的年龄，以及将确定的测试集中的灰质T1加权图像作为所述对应数据集
Figure FDA0003089435890000057
和
Figure FDA0003089435890000058
的年龄预测子模型的输入，获取所述对应数据集
Figure FDA0003089435890000059
和
Figure FDA00030894358900000510
的年龄预测子模型所预测的年龄；
比对单元，用于比对真实年龄与所述对应数据集
Figure FDA00030894358900000511
Figure FDA00030894358900000512
和
Figure FDA00030894358900000513
的年龄预测子模型所预测的年龄，确定年龄预测精度最高的年龄预测子模型作为年龄预测模型。
10.一种大脑年龄的预测系统，其特征在于，包括：
确定模块，用于确定通过权利要求1-4中任一项所述的方法建立的年龄预测模型；
获取模块，用于获取待测人员在x轴、z轴、y轴每个切面方向上的大脑切面对应的T1加权图像；
分割模块，用于分割每个切面方向上的大脑切面对应的T1加权图像，分别确定x轴、y轴、z轴三个切面方向上所述待测人员的大脑的白质T1加权图像和灰质T1加权图像；
年龄预测模块，用于将三个切面方向上所述待测人员的大脑的白质T1加权图像和灰质T1加权图像的像素值作为输入，基于所述年龄预测模型和输入的像素值，预测所述待测人员的大脑年龄。
CN201811055569.2A 2018-09-11 2018-09-11 建立年龄预测模型的方法及装置、年龄预测方法及装置 Active CN109035250B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811055569.2A CN109035250B (zh) 2018-09-11 2018-09-11 建立年龄预测模型的方法及装置、年龄预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811055569.2A CN109035250B (zh) 2018-09-11 2018-09-11 建立年龄预测模型的方法及装置、年龄预测方法及装置

Publications (2)

Publication Number Publication Date
CN109035250A CN109035250A (zh) 2018-12-18
CN109035250B true CN109035250B (zh) 2021-10-01

Family

ID=64620857

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811055569.2A Active CN109035250B (zh) 2018-09-11 2018-09-11 建立年龄预测模型的方法及装置、年龄预测方法及装置

Country Status (1)

Country Link
CN (1) CN109035250B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109886099B (zh) * 2019-01-11 2020-11-10 西安电子科技大学 一种年龄评估评判标准模型的建立方法
CN109800890A (zh) * 2019-01-31 2019-05-24 网宿科技股份有限公司 一种模型预测方法及装置
CN110097968B (zh) * 2019-03-27 2020-06-30 中国科学院自动化研究所 基于静息态功能磁共振影像的婴儿脑龄预测方法、系统
CN110188660B (zh) * 2019-05-27 2021-07-02 北京字节跳动网络技术有限公司 用于识别年龄的方法和装置
CN110473171A (zh) * 2019-07-18 2019-11-19 上海联影智能医疗科技有限公司 脑龄检测方法、计算机设备和存储介质
CN112561848A (zh) * 2019-09-09 2021-03-26 阳明大学 区域性脑年龄预测的方法、非暂时性电脑可读介质及设备
CN110969614B (zh) * 2019-12-11 2024-03-29 中国科学院自动化研究所 基于三维卷积神经网络的脑龄预测方法及系统
CN113456031A (zh) * 2021-08-09 2021-10-01 首都医科大学附属北京天坛医院 一种脑状态预测模型的训练装置、预测装置及电子设备
TWI777767B (zh) * 2021-09-10 2022-09-11 國立陽明交通大學 基於腦白質的神經血管年齡預測系統及其方法
CN114881943B (zh) * 2022-04-22 2023-05-16 深圳市铱硙医疗科技有限公司 基于人工智能的脑龄预测方法、装置、设备及存储介质
CN114972340B (zh) * 2022-07-28 2022-11-18 中国科学院心理研究所 一种大脑老化预警系统及预警方法
CN117393167B (zh) * 2023-12-11 2024-03-12 中国人民解放军军事科学院军事医学研究院 一种基于人工智能模型的大脑健康评估方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512493A (zh) * 2015-12-22 2016-04-20 重庆大学 基于脑部病理年龄估计的脑疾病检测系统
KR101754291B1 (ko) * 2017-04-04 2017-07-06 이현섭 개인 맞춤형 뇌질병 진단 및 상태 판정을 위한 의료 영상 처리 시스템 및 방법
CN108256482A (zh) * 2018-01-18 2018-07-06 中科视拓（北京）科技有限公司 一种基于卷积神经网络进行分布学习的人脸年龄估计方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512493A (zh) * 2015-12-22 2016-04-20 重庆大学 基于脑部病理年龄估计的脑疾病检测系统
KR101754291B1 (ko) * 2017-04-04 2017-07-06 이현섭 개인 맞춤형 뇌질병 진단 및 상태 판정을 위한 의료 영상 처리 시스템 및 방법
CN108256482A (zh) * 2018-01-18 2018-07-06 中科视拓（北京）科技有限公司 一种基于卷积神经网络进行分布学习的人脸年龄估计方法

Also Published As

Publication number Publication date
CN109035250A (zh) 2018-12-18

Similar Documents

Publication Publication Date Title
CN109035250B (zh) 建立年龄预测模型的方法及装置、年龄预测方法及装置
CN109685152B (zh) 一种基于dc-spp-yolo的图像目标检测方法
CN112017198B (zh) 基于自注意力机制多尺度特征的右心室分割方法及装置
CN107766894B (zh) 基于注意力机制和深度学习的遥感图像自然语言生成方法
CN113763442B (zh) 一种可变形医学图像配准方法及系统
CN112818764B (zh) 一种基于特征重建模型的低分辨率图像人脸表情识别方法
CN106570522B (zh) 物体识别模型的建立方法及物体识别方法
CN113822880A (zh) 一种基于深度学习的裂缝识别方法
CN111680544B (zh) 人脸识别方法、装置、系统、设备及介质
CN107229920A (zh) 基于整合深度典型时间规整及相关修正的行为识别方法
CN113191390A (zh) 一种图像分类模型的构建方法、图像分类方法及存储介质
CN108664986B (zh) 基于lp范数正则化的多任务学习图像分类方法及系统
CN116310219A (zh) 一种基于条件扩散模型的三维脚型生成方法
CN114387317A (zh) Ct图像和mri三维图像的配准方法、装置
CN114119635B (zh) 一种基于空洞卷积的脂肪肝ct图像分割方法
CN110288026A (zh) 一种基于度量关系图学习的图像分割方法及装置
CN113850796A (zh) 基于ct数据的肺部疾病识别方法及装置、介质和电子设备
CN116704208B (zh) 基于特征关系的局部可解释方法
CN109448850A (zh) 一种身体质量指数预测方法、装置、电子设备及存储介质
CN111369598B (zh) 深度学习模型的训练方法及装置、应用方法及装置
CN113407820A (zh) 模型训练方法及相关系统、存储介质
CN109523533B (zh) 一种图像质量评价方法及装置
CN107832695A (zh) 在视网膜图像中基于纹理特征的视盘识别方法及装置
CN109191425B (zh) 基于多层神经网络模型医学影像分析方法
CN114820755A (zh) 一种深度图估计方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant