CN109859189A - 一种基于深度学习的年龄估计方法 - Google Patents
一种基于深度学习的年龄估计方法 Download PDFInfo
- Publication number
- CN109859189A CN109859189A CN201910099618.0A CN201910099618A CN109859189A CN 109859189 A CN109859189 A CN 109859189A CN 201910099618 A CN201910099618 A CN 201910099618A CN 109859189 A CN109859189 A CN 109859189A
- Authority
- CN
- China
- Prior art keywords
- training sample
- magnetic resonance
- image
- training
- age
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 81
- 230000002490 cerebral effect Effects 0.000 claims abstract description 31
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 31
- 210000004556 brain Anatomy 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims abstract description 8
- 238000012706 support-vector machine Methods 0.000 claims abstract description 8
- 239000010410 layer Substances 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 5
- 238000004321 preservation Methods 0.000 claims description 4
- 239000002356 single layer Substances 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims 1
- 238000005481 NMR spectroscopy Methods 0.000 abstract description 10
- 230000008569 process Effects 0.000 abstract description 8
- 230000008859 change Effects 0.000 description 9
- 210000004885 white matter Anatomy 0.000 description 9
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 7
- 210000004884 grey matter Anatomy 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 208000024827 Alzheimer disease Diseases 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004900 autophagic degradation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 210000002987 choroid plexus Anatomy 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002070 germicidal effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 230000005311 nuclear magnetism Effects 0.000 description 1
- 210000004560 pineal gland Anatomy 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
Abstract
本发明公开了一种基于深度学习的年龄估计方法,首先获取多个人员的脑部核磁共振图像,并将其作为训练样本,分割作为训练样本的脑部核磁共振图像,并对分割后的各个区块的图像切片进行提取并数据化,获得训练样本的图像数据,预处理该图像数据,获得均值和方差;建立卷积神经网络,获得卷积神经网络的输入值,并对卷积神经网络进行训练分类,获得训练之后的模型,然后获取人脑核磁共振图像的各区块面积所占比例之间的关系;最后将受试者的脑部核磁共振图像作为测试样本,带入模型获取特征向量,并将特征向量送入支持向量机进行训练分类,获得所述测试样本的预测年龄。该方法可以更加快速、高效、准确的估计受试者的年龄。
Description
技术领域
本发明涉及年龄估计方法技术领域,尤其涉及一种基于深度学习的年龄估计方法。
背景技术
随着人类的衰老,人脑的结构也会发生相应的改变。研究表明,神经变性疾病如阿尔茨海默病(AD)与自噬有关,通常会导致脑萎缩。通过比较实际年龄和从脑核磁共振成像所估计出的年龄,计算机可以帮助确定某人是否是AD的患者。为了尽早地识别出可能的患者,需要一种更加准确的预测方法。
对于人脑图像,可以将其进一步分割成灰质(GM),白质(WM)和脑脊液(CSF)区域。大多数现有的年龄预测方法采用一个或多个区域的核磁共振图像作为输入,计算结果往往不够准确。同时在执行时,随着选定区域数量的增加,步骤也会更加繁琐。
发明内容
针对现有技术中存在的问题,本发明的目的在于提供一种基于深度学习的年龄估计方法,通过分析人脑核磁共振图像,可以更加快速、高效、准确的估计受试者的年龄。
为达到上述目的,本发明采用以下技术方案予以实现。
一种基于深度学习的年龄估计方法,包括以下步骤:
步骤1,获取多个人员的T1加权的脑部核磁共振图像;
步骤2,将所获取到的脑部核磁共振图像作为训练样本,并将所述训练样本分为两部分,一部分作为生成模型的训练样本,另一部分作为带入所得模型以获取特征向量的训练样本;
步骤3,分割作为训练样本的脑部核磁共振图像,提取分割后的图像切片,并将所述分割后的图像切片数据化,获得训练样本的图像数据,包含作为生成模型的训练样本的图像数据和作为带入所得模型以获取特征向量的训练样本的图像数据;
步骤4,预处理所述作为生成模型的训练样本的图像数据,获得训练数据的均值和方差;
步骤5,建立卷积神经网络,根据所述训练数据的均值和方差获得卷积神经网络的输入值,并利用反向传播法则对所述卷积神经网络进行训练,获得训练之后的模型并保存;
步骤6,将作为带入所得模型以获取特征向量的训练样本的图像数据带入所述模型,获取特征向量;所述特征向量为人脑核磁共振图像的各区块面积所占比例的关系;
步骤7,取受试者的T1加权的脑部核磁共振图像作为测试样本,带入所述模型,获取特征向量,并将所述特征向量送入支持向量机,以使所述支持向量机根据预存的特征向量与年龄之间的对应关系进行训练分类,获得所述测试样本的预测年龄。
本发明技术方案的特点和进一步的改进在于:
(1)步骤1中,共获取1000-1500张脑部核磁共振图像。
(2)步骤2中,所述将所述训练样本分为两部分为随机分配,且所述作为带入所得模型以获取特征向量的训练样本的数量占所述训练样本的数量的比例不小于2/3。
(3)步骤3中,所述分割作为训练样本的脑部核磁共振图像具体为:采用相关向量机分割作为训练样本的脑部核磁共振图像。
(4)步骤4中,所述预处理为使用频道规范化进行预处理,具体预处理方式为归一化。
(5)步骤4中,所述训练数据的均值M(s)按照以下公式进行计算:式中,i∈{1,2,...,N},N为训练样本的数量;s∈{1,2,...,S},S为每个人员共有的脑部核磁共振图像切片的数量;表示第s个图像切片的数据;
所述训练数据的方差δs按照以下公式进行计算:式中,表示第s个图像切片数据的标准偏差。
(6)步骤5中,所述建立卷积神经网络具体为:将单层的神经网络多次的堆叠,前一层的输出作为后一层的输入,由此建立卷积神经网络。
(7)步骤5中,根据所述训练数据的均值和方差获得所述卷积神经网络的输入值,具体为按照以下公式获得卷积神经网络的输入值
与现有技术相比,本发明的有益效果为:
本发明的基于深度学习的年龄估计方法采用原始T1加权的脑部核磁共振图像作为输入的方法,减少了脑部核磁共振图像分割过程中的信息丢失;并利用卷积神经网络进行训练,获得人脑核磁共振图像的各区块面积所占比例与预测年龄标量之间的关系;从而利用受试者较少的非相邻的脑部核磁共振图像切片,即可根据所获得人脑核磁共振图像的各区块面积所占比例与预测年龄标量之间的对应关系,快速、准确、高效的估计受试者的年龄。
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一些实施例,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,还可以根据这些附图获得其他的附图。
图1是本发明的基于深度学习的年龄估计方法的流程图;
图2是人脑核磁共振图;
图3是本发明的基于深度学习的年龄估计方法中对人脑核磁共振图进行分割的局部处理过程图。
图4是核磁共振图像中颅内腔容积(A)、全脑容积(B)、脑灰质体积(C)、脑白质体积(D)、脑脊液体积(E)和GM/WM比率(F)随年龄变化的模式图;其中:A图为颅内腔(totalintracranial)总容积随年龄变化图;B图为全脑(whole brain)容积随年龄变化图;C图为脑灰质(gray matter:GM)体积随年龄变化图;D图为脑白质(white matter:WM)体积随年龄变化图;E图为脑脊液(Cerebrospinal fluid:CSF)体积随年龄变化图;F图为GM/WM所占体积比率随年龄变化图;
图5是卷积神经网络的网络结构图;
图6是卷积运算的定义图像;
图7是卷积神经网络的训练过程图。
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。
深度学习是指基于样本数据通过一定的训练方法得到包含多个层次的深度网络结构的机器学习过程。通过深度学习得到的深度网络结构符合神经网络的特征,深度网络即深层次的神经网络,也就是深度神经网络,卷积神经网络属于深度神经网络中的前馈神经网络。我们这里利用卷积神经网络成功将数据量庞大的图像识别问题不断降维,其中多个卷积组,逐层提取特征,最终通过若干个全连接层完成分类,最终使其能够被训练。这是一种更高效准确的解决方法,可以很好的应用于实践中。
参考图1,本发明实施例提供一种基于深度学习的年龄估计方法,包括以下步骤:
步骤1,获取多个人员的T1加权的脑部核磁共振图像;
步骤2,将所获取到的脑部核磁共振图像作为训练样本,并将所述训练样本分为两部分,一部分作为生成模型的训练样本,另一部分作为带入所得模型以获取特征向量的训练样本;
步骤3,分割作为训练样本的脑部核磁共振图像,提取分割后的图像切片,并将所述分割后的图像切片数据化,获得训练样本的图像数据,包含作为生成模型的训练样本的图像数据和作为带入所得模型以获取特征向量的训练样本的图像数据;
步骤4,预处理所述作为生成模型的训练样本的图像数据,获得训练数据的均值和方差;
步骤5,建立卷积神经网络,根据所述训练数据的均值和方差获得卷积神经网络的输入值,并利用反向传播法则对所述卷积神经网络进行训练,获得训练之后的模型并保存;
步骤6,将作为带入所得模型以获取特征向量的训练样本的图像数据带入所述模型,获取特征向量;所述特征向量为人脑核磁共振图像的各区块面积所占比例的关系;
步骤7,取受试者的T1加权的脑部核磁共振图像作为测试样本,带入所述模型,获取特征向量,并将所述特征向量送入支持向量机,以使所述支持向量机根据预存的特征向量与年龄之间的对应关系进行训练分类,获得所述测试样本的预测年龄。
具体的,
如图2所示,首先从脑影像中心获取1000-1500张不同人员的T1加权的脑部核磁共振图像,图2为部分人员的脑部核磁共振图像,将其作为参与深度学习的训练样本,并将其分为两部分,一部分作为生成模型的训练样本,另一部分作为带入所得模型以获取特征向量的训练样本;且所述作为带入所得模型以获取特征向量的训练样本的数量占所述训练样本的比例为2/3;分配时所有训练样本随机分配。
使用相关向量机分割上述脑部核磁共振图像,从每个人员的脑部核磁共振图像中提取脑灰质、脑白质、脑脊液等区域的图像切片(参考图3)并数据化,获得训练样本的图像数据,包含作为生成模型的训练样本的图像数据和作为带入所得模型以获取特征向量的训练样本的图像数据。其中,将某个人员记为i,将其脑部核磁共振图像记为输入MR图像的训练数据Xi,算法预测该人员的年龄其中N是训练样本的数量。每个Xi包含项目所研究的脑图像切片共S片,S为每个人员共有的脑部核磁共振图像切片的数量;使用s∈{1,2,...,S}来表示其中的第s个图像切片的数据。
参考图5-图7,建立卷积神经网络,获得卷积神经网络的输入值,并利用反向传播法则对所述卷积神经网络进行训练,获得训练之后的模型并保存。将神经网络函数定义为其中W是卷积层和完全连接层中的可训练参数。本发明实施例将这个预测任务视为一个回归问题,利用公式作为目标函数,其中yi表示人员i的实际年龄。网络中信号是向前传播的,即从输入特征向输出特征的方向传播,第一层的输入经过多个卷积神经网络层,变成最后一层输出的标量将输出的与实际期望的yi进行比较并做误差。通过遍历网络的反向途径,进行反向传播,将误差逐层传递到每个节点。
训练神经网络可以看作是通过训练W使上述函数最小化。传统的神经网络随机初始化网络中的权值,导致网络很容易收敛到局部最小值。本发明使用反向传播来获得目标函数的梯度,使用无监督预训练方法并用随机梯度下降来更新权值。
在上述处理过程中,最重要的是对数据进行预处理,从而使得神经网络收敛速度更快。使用频道规范化预处理作为生成模型的训练样本的图像数据,本实施例采取的是归一化,求取训练数据的均值和方差。首先对训练数据Xi的每个切片计算其均值M(s),按照以下公式进行计算:式中,i∈{1,2,...,N},N为训练样本的数量;s∈{1,2,...,S},S为每个人员共有的脑部核磁共振图像切片的数量;表示第s个图像切片的数据;再计算方差δs,按照以下公式进行计算:式中,表示第s个图像切片数据的标准偏差。
最后,对于每个Xi,按照以下公式获得并将作为卷积神经网络的输入值。
关于网络架构,本发明是基于VGG Net深度卷积神经网络的思想,VGG Net探索了卷积神经网络的深度与其性能之间的关系。这里是由5个3*3的内核和许多2*2的池化层反复堆叠得以构成此回归任务的。每个卷积层之后都跟有一个ReLU活化层,ReLU作为一个不饱和非线性函数比传统的饱和线性函数具有更快的收敛速度。在训练网络的速度上较传统方式也加快了很多。ReLU操作的公式为ReLU(x)=max(0,x)。最后3层是完全连接层,混合着参数与特征向量相组合。
将作为带入所得模型以获取特征向量的训练样本的图像数据带入所述模型,获取特征向量;该特征向量即为人脑核磁共振图像的各区块面积所占比例关系,如图4所示;即可认为得到一个基于人脑核磁共振图像的年龄预估系统。
将受试者的T1加权的脑部核磁共振图像作为测试样本,并将该测试样本带入上述通过训练之后的模型,获取测试样本的特征向量,并将该特征向量送入支持向量机SVM进行训练分类,以使SVM根据预存的特征向量与年龄之间的对应关系进行训练分类,最终的输出一个年龄标量,即为受试者的预测年龄。
通过试验现象表明,在对受试人员进行年龄估计时,没必要使用受试人员的全部脑图像数据,因为附近切片的相互信息很大,本发明通过测试几个稀疏配置,发现可以将输入的切片数量减少,同时并不会伤害测试性能。
对于试验结果,以平均绝对误差MAE作为标准进行比较,MAE可具体定义为误差测试人员将通过误差来判断受试人员的脑部年龄与实际年龄的差距,从而判断其是否是AD的患者。
此外,本发明还针对大脑的不同位置对年龄估计的精准度的影响做出了整理,在将脑核磁共振图像发送到训练有素的神经网络之前,将大脑的不同部位封闭。预测误差与闭塞区域的重要性成正比。在测试了本发明利用了两种类型的遮挡,一种是用20×20比例遮挡图像,另一种用10×10比例遮挡图像。每个遮挡块以滑动窗口方式改变其位置。对于较大区域的封闭尺寸,得到最大的MAE约为4.3(最亮部位,松果体和脉络丛附近),并且对于图像的四个顶角附近的区域,由于该区域没有信息,因此这里(最暗区域)的MAE保持不变,约4.0。对于较小的遮挡尺寸,几乎没有对结果性能产生影响。
根据上述实验观察,可以认为本发明的神经网络已经自己学会了看向哪里,同时对处理损坏的数据的具有非常强大的鲁棒性。换句话说,即使输入图像由于机器状况不够清楚,本发明仍然可以较准确地预测结果。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种基于深度学习的年龄估计方法,其特征在于,包括以下步骤:
步骤1,获取多个人员的T1加权的脑部核磁共振图像;
步骤2,将所获取到的脑部核磁共振图像作为训练样本,并将所述训练样本分为两部分,一部分作为生成模型的训练样本,另一部分作为带入所得模型以获取特征向量的训练样本;
步骤3,分割作为训练样本的脑部核磁共振图像,提取分割后的图像切片,并将所述分割后的图像切片数据化,获得训练样本的图像数据,包含作为生成模型的训练样本的图像数据和作为带入所得模型以获取特征向量的训练样本的图像数据;
步骤4,预处理所述作为生成模型的训练样本的图像数据,获得训练数据的均值和方差;
步骤5,建立卷积神经网络,根据所述训练数据的均值和方差获得卷积神经网络的输入值,并利用反向传播法则对所述卷积神经网络进行训练,获得训练之后的模型并保存;
步骤6,将作为带入所得模型以获取特征向量的训练样本的图像数据带入所述模型,获取特征向量;所述特征向量为人脑核磁共振图像的各区块面积所占比例的关系;
步骤7,取受试者的T1加权的脑部核磁共振图像作为测试样本,带入所述模型,获取特征向量,并将所述特征向量送入支持向量机,以使所述支持向量机根据预存的特征向量与年龄之间的对应关系进行训练分类,获得所述测试样本的预测年龄。
2.根据权利要求1所述的基于深度学习的年龄估计方法,其特征在于,步骤1中,共获取1000-1500张脑部核磁共振图像。
3.根据权利要求1所述的基于深度学习的年龄估计方法,其特征在于,步骤2中,所述将所述训练样本分为两部分为随机分配,且所述作为带入所得模型以获取特征向量的训练样本的数量占所述训练样本的数量的比例不小于2/3。
4.根据权利要求1所述的基于深度学习的年龄估计方法,其特征在于,步骤3中,所述分割作为训练样本的脑部核磁共振图像具体为:采用相关向量机分割作为训练样本的脑部核磁共振图像。
5.根据权利要求1所述的基于深度学习的年龄估计方法,其特征在于,步骤4中,所述预处理为使用频道规范化进行预处理,具体预处理方式为归一化。
6.根据权利要求1所述的基于深度学习的年龄估计方法,其特征在于,步骤4中,所述训练数据的均值M(s)按照以下公式进行计算:式中,i∈{1,2,...,N},N为训练样本的数量;s∈{1,2,...,S},S为每个人员共有的脑部核磁共振图像切片的数量;表示第s个图像切片的数据;
所述训练数据的方差δs按照以下公式进行计算:式中,表示第s个图像切片数据的标准偏差。
7.根据权利要求1所述的基于深度学习的年龄估计方法,其特征在于,步骤5中,所述建立卷积神经网络具体为:将单层的神经网络多次的堆叠,前一层的输出作为后一层的输入,由此建立卷积神经网络。
8.根据权利要求7述的基于深度学习的年龄估计方法,其特征在于,步骤5中,根据所述训练数据的均值和方差获得所述卷积神经网络的输入值,具体为按照以下公式获得卷积神经网络的输入值
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910099618.0A CN109859189A (zh) | 2019-01-31 | 2019-01-31 | 一种基于深度学习的年龄估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910099618.0A CN109859189A (zh) | 2019-01-31 | 2019-01-31 | 一种基于深度学习的年龄估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109859189A true CN109859189A (zh) | 2019-06-07 |
Family
ID=66897250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910099618.0A Pending CN109859189A (zh) | 2019-01-31 | 2019-01-31 | 一种基于深度学习的年龄估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109859189A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110859624A (zh) * | 2019-12-11 | 2020-03-06 | 北京航空航天大学 | 一种基于结构磁共振影像的大脑年龄深度学习预测系统 |
CN111210840A (zh) * | 2020-01-02 | 2020-05-29 | 厦门快商通科技股份有限公司 | 一种年龄预测方法和装置以及设备 |
CN111863247A (zh) * | 2020-08-03 | 2020-10-30 | 北京航空航天大学 | 基于结构磁共振影像的大脑年龄级联精炼预测方法及系统 |
CN114881943A (zh) * | 2022-04-22 | 2022-08-09 | 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 |
CN114972340A (zh) * | 2022-07-28 | 2022-08-30 | 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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150012466A1 (en) * | 2013-07-02 | 2015-01-08 | Surgical Information Sciences, Inc. | Method for a brain region location and shape prediction |
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 |
WO2017113205A1 (zh) * | 2015-12-30 | 2017-07-06 | 中国科学院深圳先进技术研究院 | 一种基于深度卷积神经网络的快速磁共振成像方法及装置 |
CN109242865A (zh) * | 2018-09-26 | 2019-01-18 | 上海联影智能医疗科技有限公司 | 基于多图谱的医学图像自动分区系统、方法、装置及存储介质 |
-
2019
- 2019-01-31 CN CN201910099618.0A patent/CN109859189A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150012466A1 (en) * | 2013-07-02 | 2015-01-08 | Surgical Information Sciences, Inc. | Method for a brain region location and shape prediction |
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 |
WO2017113205A1 (zh) * | 2015-12-30 | 2017-07-06 | 中国科学院深圳先进技术研究院 | 一种基于深度卷积神经网络的快速磁共振成像方法及装置 |
CN109242865A (zh) * | 2018-09-26 | 2019-01-18 | 上海联影智能医疗科技有限公司 | 基于多图谱的医学图像自动分区系统、方法、装置及存储介质 |
Non-Patent Citations (3)
Title |
---|
TZU-WEI HUANG: "《AGE ESTIMATION FROM BRAIN MRI IMAGES USING DEEP LEARNING》", 《2017 IEEE 14TH INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING》 * |
李勇明等: "基于可分性距离判据和脑MR图像的AD症脑部年龄检测", 《东南大学学报(自然科学版)》 * |
赵一丁等: "基于分类与回归混合模型的人脸年龄估计方法", 《计算机应用》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110859624A (zh) * | 2019-12-11 | 2020-03-06 | 北京航空航天大学 | 一种基于结构磁共振影像的大脑年龄深度学习预测系统 |
WO2021115084A1 (zh) * | 2019-12-11 | 2021-06-17 | 北京航空航天大学 | 一种基于结构磁共振影像的大脑年龄深度学习预测系统 |
CN111210840A (zh) * | 2020-01-02 | 2020-05-29 | 厦门快商通科技股份有限公司 | 一种年龄预测方法和装置以及设备 |
CN111863247A (zh) * | 2020-08-03 | 2020-10-30 | 北京航空航天大学 | 基于结构磁共振影像的大脑年龄级联精炼预测方法及系统 |
CN111863247B (zh) * | 2020-08-03 | 2022-04-15 | 北京航空航天大学 | 基于结构磁共振影像的大脑年龄级联精炼预测方法及系统 |
CN114881943A (zh) * | 2022-04-22 | 2022-08-09 | 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 |
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 |
CN114972340A (zh) * | 2022-07-28 | 2022-08-30 | 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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109859189A (zh) | 一种基于深度学习的年龄估计方法 | |
AU2018229500B2 (en) | Three-dimensional (3D) convolution with 3D batch normalization | |
US10624558B2 (en) | Protocol independent image processing with adversarial networks | |
Khened et al. | Densely connected fully convolutional network for short-axis cardiac cine MR image segmentation and heart diagnosis using random forest | |
Shehata et al. | Computer-aided diagnostic system for early detection of acute renal transplant rejection using diffusion-weighted MRI | |
Yue et al. | Auto-detection of Alzheimer's disease using deep convolutional neural networks | |
Dominic et al. | Transfer learning using inception-ResNet-v2 model to the augmented neuroimages data for autism spectrum disorder classification | |
Mokhtari et al. | Decoding brain states using backward edge elimination and graph kernels in fMRI connectivity networks | |
Rivail et al. | Modeling disease progression in retinal OCTs with longitudinal self-supervised learning | |
KR20220129405A (ko) | 전역 어텐션 기반 컨볼루션 네트워크를 이용한 이미지 분할 방법 및 장치 | |
CN104778341B (zh) | 磁共振线圈合并系数计算方法、磁共振成像方法及其装置 | |
Sahumbaiev et al. | 3D-CNN HadNet classification of MRI for Alzheimer’s Disease diagnosis | |
Di Benedetto et al. | Deep networks for behavioral variant frontotemporal dementia identification from multiple acquisition sources | |
KR20230070085A (ko) | 뇌 네트워크를 이용한 알츠하이머병에 대한 진단정보 제공방법 | |
Dietz et al. | Detection of diabetes from whole-body MRI using deep learning | |
Roth et al. | Multi-plane UNet++ ensemble for glioblastoma segmentation | |
Ubaidillah et al. | Classification of liver cancer using artificial neural network and support vector machine | |
Alkabawi et al. | Feature abstraction for early detection of multi-type of dementia with sparse auto-encoder | |
Ahmed et al. | 3D U-Net: fully convolutional neural network for automatic brain tumor segmentation | |
Von Zuben et al. | A multi-step machine learning approach for short axis MR images segmentation | |
KR20220121141A (ko) | 혈액을 전달하는 신체 구성요소를 분할하는 방법 및 장치 | |
Dular et al. | Improving across dataset brain age predictions using transfer learning | |
Bastiaansen et al. | Atlas-based segmentation of the human embryo using deep learning with minimal supervision | |
Larsen | Exploring generative adversarial networks to improve prostate segmentation on mri | |
Liu et al. | Context-endcoding for neural network based skull stripping in magnetic resonance imaging |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190607 |