CN110473171A - 脑龄检测方法、计算机设备和存储介质 - Google Patents
脑龄检测方法、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110473171A CN110473171A CN201910648454.2A CN201910648454A CN110473171A CN 110473171 A CN110473171 A CN 110473171A CN 201910648454 A CN201910648454 A CN 201910648454A CN 110473171 A CN110473171 A CN 110473171A
- Authority
- CN
- China
- Prior art keywords
- brain
- age
- minor structure
- feature
- image
- 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
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种脑龄检测方法、计算机设备和存储介质。所述方法包括：获取待检测对象的脑部图像；将所述脑部图像输入至机器学习模型中进行脑龄的识别，确定所述脑部图像对应的脑龄；其中，所述机器学习模型是通过对样本脑部图像进行训练得到的。采用本方法得到的脑龄的准确性较高。
Description
技术领域
本申请涉及医学图像技术领域，特别是涉及一种脑龄检测方法、计算机设备和存储介质。
背景技术
大脑作为人体的司令部，也就是指挥中心，其可以控制人体的各种行为活动，不同年龄的大脑(大脑的年龄也称为脑龄)在控制人体的行为活动时的能力也是不同的，因此，计算大脑的年龄就显得至关重要。
相关技术在计算脑龄时，一般是通过答题的方式来计算，例如，给出100道益智题，每个人在答完该100道题之后，可以得到相应的分数，根据得到的分数就可以预测答题者的脑龄。
然而上述方法计算的脑龄，其准确性较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高检测的脑龄的准确性的脑龄检测方法、计算机设备和存储介质。
一种脑龄检测方法，该方法包括：
获取待检测对象的脑部图像；
将所述脑部图像输入至机器学习模型中进行脑龄的识别，确定所述脑部图像对应的脑龄；其中，所述机器学习模型是通过对样本脑部图像进行训练得到的。
在其中一个实施例中，所述将所述脑部图像输入至机器学习模型中进行脑龄的识别，确定所述脑部图像对应的脑龄，包括：
将所述脑部图像输入至分割模型进行结构的分割，得到各个子结构；
对所述各个子结构的特征进行提取处理，并利用预设的回归算法对提取到的各个子结构的特征进行回归处理，确定所述脑部图像对应的脑龄。
在其中一个实施例中，所述对所述各个子结构的特征进行提取处理，利用预设的回归算法对提取到的各个子结构的特征进行回归处理，确定所述脑部图像对应的脑龄，包括：
对所述各个子结构的特征进行提取处理，得到各个子结构对应的提取特征；
利用预设的选择算法对所述各个子结构对应的提取特征进行选择处理，确定所述各个子结构对应的目标特征；
利用预设的回归算法对所述各个子结构对应的目标特征进行回归处理，确定所述脑部图像对应的脑龄。
在其中一个实施例中，所述利用预设的回归算法对所述各个子结构对应的目标特征进行回归处理，确定所述脑部图像对应的脑龄，包括：
利用预设的回归算法对所述各个子结构对应的目标特征进行回归处理，得到各个子结构对应的年龄；
将所述各个子结构对应的年龄进行求和处理，得到所述脑部图像对应的脑龄。
在其中一个实施例中，所述对所述各个子结构的特征进行提取处理，得到各个子结构对应的提取特征，包括：
对所述各个子结构的结构特征进行统计处理，得到所述各个子结构对应的结构特征，所述结构特征包括相对体积、表面积、表面积与体积比、长轴长度中的至少一个；或者，
对所述各个子结构的属性特征进行提取处理，得到所述各个子结构对应的属性特征，所述属性特征包括灰度平均值、纹理、灰度直方图、方差峰值中的至少一个。
在其中一个实施例中，所述方法还包括：
将所述各个子结构对应的结构特征和所述各个子结构对应的属性特征进行结合处理，得到所述各个子结构对应的提取特征。
在其中一个实施例中，所述机器学习模型为深度学习模型，所述深度学习模型的训练方法包括：
获取样本脑部图像，所述样本脑部图像已标注脑龄；
将所述样本脑部图像作为初始深度学习模型的输入，将所述样本脑部图像对应的脑龄作为所述初始深度学习模型的输出，对所述初始深度学习模型进行训练，得到所述深度学习模型。
在其中一个实施例中，所述方法还包括：
若所述待检测对象的年龄小于第一年龄，则将所述脑部图像对应的脑龄和第一脑龄值进行对比，得到第一对比结果；或者，若所述待检测对象的年龄大于第二年龄，则将所述脑部图像对应的脑龄和第二脑龄值进行对比，得到第二对比结果；其中，所述第二年龄大于所述第一年龄，所述第一脑龄值为所述待检测对象实际年龄对应的脑龄范围中的最低脑龄值，所述第二脑龄值为所述待检测对象实际年龄对应的脑龄范围中的最高脑龄值；
若所述第一对比结果为所述脑部图像对应的脑龄小于所述第一脑龄值，则输出第一结果；或者，若所述第二对比结果为所述脑部图像对应的脑龄大于所述第二脑龄值，则输出第二结果。
一种脑龄检测装置，所述装置包括：
获取模块，用于获取待检测对象的脑部图像；
确定模块，用于将所述脑部图像输入至机器学习模型中进行脑龄的识别，确定所述脑部图像对应的脑龄；其中，所述机器学习模型是通过对样本脑部图像进行训练得到的。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待检测对象的脑部图像；
将所述脑部图像输入至机器学习模型中进行脑龄的识别，确定所述脑部图像对应的脑龄；其中，所述机器学习模型是通过对样本脑部图像进行训练得到的。
一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取待检测对象的脑部图像；
将所述脑部图像输入至机器学习模型中进行脑龄的识别，确定所述脑部图像对应的脑龄；其中，所述机器学习模型是通过对样本脑部图像进行训练得到的。
上述脑龄检测方法、计算机设备和存储介质，通过获取待检测对象的脑部图像，并将该脑部图像输入至机器学习模型中进行脑龄的识别，确定该脑部图像对应的脑龄，其中，机器学习模型是通过对样本脑部图像进行训练得到的。在该方法中，由于脑部图像对应的脑龄是通过在机器学习模型中对脑部图像进行训练得到的，而利用机器学习模型去训练脑部图像得到脑龄，其相对于通过答题分数来得到脑龄，其训练过程是针对大量样本脑部图像训练的，因此，其训练得到的机器学习模型是比较准确的，进而在利用该准确的机器学习模型去识别脑龄时，得到的脑龄的准确性也就更高。
附图说明
图1为一个实施例中计算机设备的内部结构图；
图2为一个实施例中脑龄检测方法的流程示意图；
图3a为另一个实施例中脑龄检测方法的流程示意图；
图3b为另一个实施例中脑龄检测方法中分割脑区的示意图；
图4为另一个实施例中脑龄检测方法的流程示意图；
图5为另一个实施例中脑龄检测方法的流程示意图；
图6为另一个实施例中脑龄检测方法的流程示意图；
图7为一个实施例中脑龄检测装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
当前对于脑龄检测的方式多种多样，在相关技术中，有研究表明，胶质细胞对于老年大脑与年轻大脑的差异性构成有着重要的意义，通过研究分析年龄在16～106岁的480个人的大脑样品，发现一个人的胶质细胞在多年内能保持一致性，以至于能够被用来预测年龄，但该方法还仅能在人死后展开，当然其中也有很大一部分人的大脑不符合这些基因表达模式。当然还有一些研究利用脑影像来估计年龄，其在估计大脑年龄预测时需要进行大量的图像处理工作以识别出大脑白质和灰质区域，然后进行高斯过程回归，但这种方法旨在表明脑图像中具有可以估计年龄的特征，并未将其用于对脑龄的检测方面，且其对脑龄的检测的准确性也是未知的。因此，本申请实施例提供一种脑龄检测方法、计算机设备和存储介质，旨在准确地检测脑龄。
在一个实施例中，提供了一种计算机设备，其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种脑龄检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
需要说明的是，本申请实施例的执行主体可以是脑龄检测装置，也可以是计算机设备，下述实施例以计算机设备为执行主体进行说明。
在一个实施例中，提供了一种脑龄检测方法，本实施例涉及的是计算机设备如何根据待检测对象的脑部图像，通过机器学习模型得到脑龄的具体过程。如图2所示，该方法可以包括以下步骤：
S202，获取待检测对象的脑部图像。
其中，待检测对象可以是儿童、老人、成人(非儿童且非老人)等，当然也可以是动物，不过本实施例中是以待检测对象为人类进行说明的；待检测对象可以是脑部发育正常的人，也可以是脑部发育不正常的人，这里的待检测对象可以是一个，也可以是多个；另外，待检测对象的脑部图像可以是一维图像、二维图像、三维图像等，本实施例主要使用的是待检测对象的三维脑部图像。
具体的，计算机设备可以通过对MR(Magnetic Resonance，磁共振)设备、CT(Computed Tomography，电子计算机断层扫描)设备或者PET(Positron EmissionComputed Tomography，正电子发射型计算机断层显像)设备或者CT-PET设备采集到的待检测对象的脑部数据进行图像重建和校正，从而得到待检测对象的脑部图像。或者，待检测对象的脑部图像也可以预先重建和校正好，存储在计算机设备中，当需要对其进行处理时，直接从计算机设备的存储器中读取脑部图像。又或者，计算机设备也可以从外部设备中获取脑部图像，比如，将待检测对象的脑部图像存储在云端，当需要进行处理操作时，计算机设备从云端获取该待检测对象的脑部图像。本实施例对获取待检测对象的脑部图像的获取方式不做限定。
S204，将脑部图像输入至机器学习模型中进行脑龄的识别，确定脑部图像对应的脑龄；其中，机器学习模型是通过对样本脑部图像进行训练得到的。
其中，机器学习模型模型可以是线性模型、核方法与支持向量机模型、决策树与Boosting模型、神经网络模型(包括深度学习模型、卷积神经网络模型等)等。另外，样本脑部图像可以是儿童、老人、成人等的脑部图像，一般样本脑部图像为脑部发育正常的人的脑部图像。另外，脑龄在这里可以指脑部的发育程度，也即是脑部的成熟度，一般脑部发育正常的人的脑龄与其真实年龄基本相符，脑部发育不正常的人的脑龄与其真实年龄不相符，可以是大于真实年龄，也可以是小于真实年龄。
具体的，计算机设备在得到待检测对象的脑部图像之后，计算机设备可以预先采集一些样本脑部图像训练机器学习模型，在机器学习模型中可以通过对待检测对象的脑部图像的特征等进行学习，并利用这些特征来预测出该脑部图像的脑龄。在机器学习模型训练好之后，就可以将该待检测对象的脑部图像输入至机器学习模型中进行脑龄识别，这样就可以得到待检测对象的脑部图像对应的脑龄。
上述脑龄检测方法中，通过获取待检测对象的脑部图像，并将该脑部图像输入至机器学习模型中进行脑龄的识别，确定该脑部图像对应的脑龄，其中，机器学习模型是通过对样本脑部图像进行训练得到的。在该方法中，由于脑部图像对应的脑龄是通过在机器学习模型中对脑部图像进行训练得到的，而利用机器学习模型去训练脑部图像得到脑龄，其相对于通过答题分数来得到脑龄，其训练过程是针对大量样本脑部图像训练的，因此，其训练得到的机器学习模型是比较准确的，进而在利用该准确的机器学习模型去识别脑龄时，得到的脑龄的准确性也就更高。
在另一个实施例中，提供了另一种脑龄检测方法，本实施例涉及的是计算机设备在将待检测对象的脑部图像输入至机器学习模型进行脑龄识别，得到该脑部图像对应的脑龄的一种可能的实现方式。在上述实施例的基础上，如图3a所示，上述S204可以包括以下步骤：
S302，将脑部图像输入至分割模型进行结构的分割，得到各个子结构。
其中，分割模型可以是图切割算法模型、分水岭算法模型、GrabCut算法模型、深度学习模型等，其中，深度学习模型可以是FCN模型(Fully Convolutional Networks，全卷积网络)、SegNet模型、DeepLab模型、Mask-RCNN模型、U-Net模型、V-Net模型等等，本实施例主要采用的是V-Net模型。
另外，在将脑部图像输入至分割模型之前，可以先对待检测对象的脑部图像进行图像预处理，该图像预处理可以包括以下处理中的至少一种：旋转处理、重采样处理、非均匀场偏差场校正处理、去头骨处理等，图像预处理之后就可以使输入至分割模型的图像数据标准化，便于后续统一处理。
进一步地，计算机设备在将待检测对象的脑部图像输入至分割模型之前，还可以先对分割模型进行训练，其训练过程可以是：首先获取样本脑部图像，该样本脑部图像中已标记各个脑区(各个脑区的原始图像和各个脑区的标记图像可以参见图3b所示，左边为原始图像，右边为标记图像，此图为灰度示意图，不影响实施例的实质)；接着将该样本脑部图像作为初始分割模型的输入，将脑部各个脑区(即脑部各个子结构)作为初始分割模型的输出，对初始分割模型进行训练，得到分割模型。在训练分割模型之前，一般也可以对样本脑部图像进行预处理，将样本脑部图像的大小设置为256*256*256。
具体的，计算机设备在将分割模型训练好之后，可以将待检测对象的脑部图像输入至训练好的分割模型中进行结构的分割，也即是进行各个脑区的分割，这样就可以得到脑部的各个子结构，也即是得到脑部的各个脑区。在这里，一般可以将脑部划分为112各脑区。
S304，对各个子结构的特征进行提取处理，并利用预设的回归算法对提取到的各个子结构的特征进行回归处理，确定脑部图像对应的脑龄。
其中，在本实施例中，可以将分割模型、特征提取处理、回归处理等认为是在一个大的机器学习模型中完成的；预设的回归算法可以是XGBoost算法、逻辑回归算法、岭回归算法、弹性网络算法等等。另外，提取各个子结构的特征，可以得到各个子结构的特征集，各个子结构的特征集中可以包括各个子结构的全部的特征，也可以只包括各个子结构的部分特征，当然也可以是有的子结构的特征集包括全部的特征，有的子结构的特征集包括部分特征，这里的特征可以是表面积、相对体积、表面积与体积比、长轴长度、灰度平均值、纹理、灰度直方图、方差峰值等等。
具体的，计算机设备在将待检测对象的脑部图像分割成各个子结构之后，可以对各个子结构的特征进行相应的提取处理或者统计处理，这样就可以得到各个子结构的特征，之后计算机设备可以利用预设的回归算法对得到的各个子结构的特征进行回归处理，这样就可以得到脑部图像的分数值，该分数值就可以认为是该脑部图像的脑龄。
本实施例提供的脑龄检测方法，通过将脑部图像输入至分割模型进行结构的分割，得到各个子结构，对各个子结构的特征进行提取处理，并利用预设的回归算法对提取到的各个子结构的特征进行回归处理，就可以确定脑部图像对应的脑龄。在本实施例中，由于脑部图像对应的脑龄是通过将脑部图像分割成多个子结构，并对各个子结构的特征进行回归处理得到的，即利用各个子结构的特征对脑部图像进行定量分析得到脑龄，因此，该方法得到的脑龄是与脑部图像真实的脑龄接近的，也就是比较准确的。
在另一个实施例中，提供了另一种脑龄检测方法，本实施例涉及的是计算机设备如何对各个子结构的特征进行提取处理，并利用预设的回归算法对提取到的各个子结构的特征进行回归处理，确定脑部图像对应的脑龄的具体过程。在上述实施例的基础上，如图4所示，上述S304可以包括以下步骤：
S402，对各个子结构的特征进行提取处理，得到各个子结构对应的提取特征。
在本步骤中，在对各个子结构的特征进行提取时，可选的，可以是将提取到的各个子结构的结构特征作为提取特征，还可以是将提取到的各个子结构的属性特征作为提取特征，当然也可以是将提取到的各个子结构的结构特征和各个子结构的属性特征共同作为各个子结构的提取特征，本实施例对此不作具体限定。下面本步骤将以提取到的各个子结构的结构特征和各个子结构的属性特征共同作为各个子结构的提取特征进行详细说明，可选的，S402可以包括以下步骤A-步骤C：
步骤A，对各个子结构的结构特征进行统计处理，得到各个子结构对应的结构特征，结构特征包括相对体积、表面积、表面积与体积比、长轴长度中的至少一个。
具体的，计算机设备在将脑部图像分割成多个子结构(即多个脑区)之后，可以利用相应的计算方法对各个子结构的相对体积、体积、表面积、长轴长度等进行计算或者统计，这样就可以得到各个子结构对应的相对体积、体积、表面积、长轴长度等，将表面积和体积做比值，就可以得到表面积与体积比。当然这里各个子结构的结构特征也不限定就是上面的结构特征，还可以是其他的一些可以表征子结构的结构特征。
步骤B，对各个子结构的属性特征进行提取处理，得到各个子结构对应的属性特征，属性特征包括灰度平均值、纹理、灰度直方图、方差峰值中的至少一个。
具体的，计算机设备在将脑部图像分割成多个子结构之后，可以将分割出来的各个子结构作为mask(即掩膜)，然后将各个子结构的图像映射到原始脑部图像上，就可以得到各个子结构在原始脑部图像上所处的区域，之后计算机设备可以利用灰度计算方法或者纹理提取工具等对各个子结构的灰度平均值、纹理、灰度直方图、方差峰值等进行计算或提取，就可以得到各个子结构的灰度平均值、纹理、灰度直方图、方差峰值等。当然这里各个子结构的属性特征也不限定就是上面的属性特征，还可以是其他的一些可以表征子结构的属性的属性特征。
步骤C，将各个子结构对应的结构特征和各个子结构对应的属性特征进行结合处理，得到各个子结构对应的提取特征。
其中，结合处理可以是将各个子结构的结构特征和属性特征连接起来的处理，例如一个子结构的结构特征有A、B、C，属性特征有D、E，那么对该结构的结构特征和属性特征进行结合处理，就是将A、B、C，和D、E连接起来，即得到提取特征为A、B、C、D、E。
具体的，计算机设备在得到各个子结构的结构特征和各个子结构的属性特征之后，可以将各个子结构的结构特征和属性特征连接起来，这样就可以得到各个子结构对应的提取特征。
S404，利用预设的选择算法对各个子结构对应的提取特征进行选择处理，确定各个子结构对应的目标特征。
本实施例中，计算机设备在S402中提取了各个子结构的很多特征，但是并非是所有的特征对脑龄检测都是有贡献的，因此，就需要对S402提取的特征进行筛选，过滤掉一部分特征，这样可以选出对脑龄检测最有贡献的特征，提高脑龄检测的准确性，同时，选取有贡献的特征进行脑龄检测，而不是全部的特征进行脑龄检测，也可以降低计算量，提高脑龄检测的效率。所以一般各个子结构的目标特征数量小于其提取特征的数量。
其中，预设的选择算法可以是SFFS(Sequential Floating Forward Selection，序列浮动前向选择)算法，也可以是其他特征选择算法，例如可以是卡方检验算法、相关系数算法、递归特征消除算法等等。本实施例主要采用的是SFFS算法进行特征选择，该算法的基本思想是，可以从空集开始，每轮在未选择的特征中选择一个特征子集x，然后用评价函数对该特征子集x进行评价，评价的结果与停止准则进行比较，若评价函数比停止准则好就停止，否则就继续产生下一组特征子集，继续进行特征选择。
具体的，计算机设备在得到各个子结构的提取特征之后，可以利用预设的选择算法对各个子结构的提取特征进行筛选，从中选择出对脑龄检测最有贡献的一些特征，并将每个子结构选择出来的特征作为目标特征。可选的，目标特征可以是一个特征，也可以是多个特征，本实施例中一般是多个特征。
S406，利用预设的回归算法对各个子结构对应的目标特征进行回归处理，确定脑部图像对应的脑龄。
其中，预设的回归算法与上述S304中的算法一致，在对目标特征进行回归处理时，可选的，S406可以包括以下步骤D-步骤E：
步骤D，利用预设的回归算法对所述各个子结构对应的目标特征进行回归处理，得到各个子结构对应的年龄。
在本实施例中，采用的回归算法主要是XGBoost算法，其是Boosting算法的一种，其可以是一个机器学习模型，该机器学习模型的训练可以是通过将目标特征和样本脑部图像的真实脑龄作为输入，将样本脑部图像对应的预测脑龄作为输入来训练得到的。XGBoost算法的主要思想是通过不断地进行特征分裂来生长一棵树，其实质就是学习一个新的函数来拟合上次预测的残差，当训练完成得到k颗树，如果要预测一个样本的分数，其实就是根据这个样本的特征，在每棵树中会落到对应的一个叶子节点，每个叶子节点就对应一个分数，最后只需要将每棵树对应的分数加起来就是该样本的预测值。
具体的，计算机设备在得到各个子结构对应的目标特征之后，可以利用回归算法对各个子结构对应的目标特征进行回归学习，这样就可以得到各个子结构对应的分数值，即各个子结构对应的年龄。
步骤E，将各个子结构对应的年龄进行求和处理，得到脑部图像对应的脑龄。
其中，这里的求和处理可以是简单的求和，也可以是加权求和处理，当然还可以是别的求和处理。
具体的，计算机设备在得到各个子结构对应的年龄之后，可以将各个子结构对应的年龄进行求和处理，这样就可以得到所有子结构的年龄和，在这里可以记为脑部图像对应的脑龄。
本实施例提供的脑龄检测方法，通过对各个子结构的特征进行提取处理，得到各个子结构对应的提取特征，利用预设的选择算法对各个子结构对应的提取特征进行选择处理，确定各个子结构对应的目标特征，并利用预设的回归算法对各个子结构对应的目标特征进行回归处理，确定脑部图像对应的脑龄。在本实施例中，由于对各个子结构的特征进行了选择处理，选出了对脑龄检测最有贡献的特征，这样在对脑部图像对应的脑龄进行检测时，可以提高检测到的脑龄的准确性，同时，选取有贡献的特征进行脑龄检测，而不是全部的特征进行脑龄检测，也可以降低计算量，提高脑龄检测的效率。
在另一个实施例中，提供了另一种脑龄检测方法，本实施例涉及的是机器学习模型为深度学习模型时，计算机设备如何对该深度学习模型进行训练的具体过程。在上述实施例的基础上，如图5所示，该深度学习模型的训练方法可以包括以下步骤：
S502，获取样本脑部图像，样本脑部图像已标注脑龄。
其中，这里的样本脑部图像为一批脑部发育正常的个体的脑部影像，这些样本脑部图像对应的个体均没有任何可能影响大脑年龄的神经系统疾病，那么这些样本脑部图像的大脑年龄与其实际年龄都是相符合的。另外，这里的样本对应的个体可以是儿童、老人、成人等，样本脑部图像的数量可以根据实际情况而定，可以是100-2000个等，本实施例对此不作具体限定。
具体的，计算机设备可以通过对CT设备或者PET设备或者CT-PET设备采集到的样本脑部数据进行图像重建和校正，从而得到样本脑部图像。或者，样本脑部图像也可以预先重建和校正好，存储在计算机设备中，当需要对其进行处理时，直接从计算机设备的存储器中读取样本脑部图像。又或者，计算机设备也可以从外部设备中获取样本脑部图像，比如，将样本脑部图像存储在云端，当需要进行处理操作时，计算机设备从云端获取该样本脑部图像。本实施例对获取样本脑部图像的获取方式不做限定。另外，这里的样本脑部图像均已标注脑龄，该已标注的脑龄为样本对应的真实脑龄。
S504，将样本脑部图像作为初始深度学习模型的输入，将样本脑部图像对应的脑龄作为初始深度学习模型的输出，对初始深度学习模型进行训练，得到深度学习模型。
其中，在获得样本脑部图像之后，可以先对样本脑部图像进行图像预处理，该图像预处理可以包括以下处理中的至少一种：旋转处理、重采样处理、非均匀场偏差场校正处理、去头骨处理等，图像预处理之后就可以使输入至深度学习模型的图像数据标准化，便于后续统一处理。
具体的，计算机设备在得到样本脑部图像之后，在对其训练时，可选的，可以将样本脑部图像输入至初始的深度学习模型，得到该样本脑部图像对应的预测脑龄，并根据上述已标注脑龄和预测脑龄，计算已标注脑龄和所述预测脑龄之间的损失，并将该损失作为损失函数的值，并利用该损失函数的值对初始的深度学习模型进行训练，得到深度学习模型。在这里，损失可以是预测脑龄和已标注脑龄之间的误差、方差、范数等；在训练深度学习模型时，当损失函数的值小于预设的阈值时，或者当损失函数的值基本稳定时(即不再发生变化时)，则可以确定深度学习模型已经训练好，否则还要继续训练。
本实施例提供的脑龄检测方法，通过获取样本脑部图像，该样本脑部图像已标注脑龄，并将该样本脑部图像作为初始深度学习模型的输入，将该样本脑部图像对应的脑龄作为初始深度学习模型的输出，对初始深度学习模型进行训练，得到深度学习模型。在本实施例中，由于深度学习模型是利用已标注脑龄的样本脑部图像进行训练得到的，因此得到的深度学习模型是比较准确的，进而在利用该准确的深度学习模型进行脑龄检测时，得到的脑龄也是比较准确的。
在另一个实施例中，提供了另一种脑龄检测方法，本实施例涉及的是计算机设备在得到待检测对象的脑部图像对应的脑龄后，如何将脑龄和实际标准脑龄值进行对比，并根据对比结果输出消息的具体过程。在上述实施例的基础上，如图6所示，上述方法还可以包括以下步骤：
S602，若待检测对象的年龄小于第一年龄，则将脑部图像对应的脑龄和第一脑龄值进行对比，得到第一对比结果；或者，若待检测对象的年龄大于第二年龄，则将脑部图像对应的脑龄和第二脑龄值进行对比，得到第二对比结果；其中，第二年龄大于第一年龄，第一脑龄值为待检测对象实际年龄对应的脑龄范围中的最低脑龄值，第二脑龄值为待检测对象实际年龄对应的脑龄范围中的最高脑龄值。
在本实施例中，第一年龄可以是成人和儿童的分界线年龄，例如可以是10-20岁之间的任意一个年龄，小于第一年龄的就认为是儿童；第二年龄可以是成人和老人的分界线年龄，例如可以是50以上的任意一个年龄，大于第二年龄的就认为是老人，在这里，第一年龄和第二年龄都可以根据实际情况而定，但需要满足第二年龄大于第一年龄，本实施例给出的只是示例，并不作具体限定。另外，第一脑龄值可以是儿童实际年龄对应的脑龄标准值范围中的最低脑龄值，第二脑龄值可以是老人实际年龄对应的脑龄标准值范围中的最高脑龄值，其中，标准值也可以称为正常值，例如，7岁儿童的脑龄标准值范围为6.5-7.5，即当7岁左右的儿童的脑龄值在该范围内时，则该儿童的脑龄属于正常，一般第二脑龄值大于第一脑龄值。
具体的，计算机设备在得到待检测对象的脑部图像对应的脑龄之后，如果该待检测对象为儿童，那么可以将得到的脑龄与第一脑龄值进行对比，得到第一对比结果；如果该待检测对象为老人，那么可以将得到的脑龄与第二脑龄值进行对比，得到第二对比结果。
S604，若第一对比结果为脑部图像对应的脑龄小于第一脑龄值，则输出第一结果；或者，若第二对比结果为脑部图像对应的脑龄大于第二脑龄值，则输出第二结果。
具体的，在S602中，如果待检测对象是儿童，那么第一对比结果就有两种结果，一种是检测得到的脑龄大于等于第一脑龄值，那么可以说明该儿童的脑部发育超常或发育正常，不需要进行治疗，但如果是另一种情况，即检测得到的脑龄小于第一脑龄值，那么就可以说明该儿童的脑部发育不良，那么就需要给出诊断报告以及输出一些建议消息，提醒监护人注意该儿童的脑部发育以及健康状况，必要时给予一定的治疗。
另外，如果待检测对象是老人，那么上述第二对比结果也有两种结果，一种是检测得到的脑龄小于等于第二脑龄值，那么可以说明该老人的脑部发育正常或者年轻化，也不需要进行治疗，但是如果第二对比结果是检测得到的脑龄大于第二脑龄值，那么就可以说明该老人的脑部衰退速度过快，那么就需要输出警示消息，以警示该老人家属，该老人可能患有老年痴呆或者有极大风险患上老年痴呆，为延缓发病时间，可以及时地有针对性地采取一些防御措施，例如药物干预、让老人平时多做一些益智游戏等等。
本实施例提供的脑龄检测方法，若待检测对象的年龄小于第一年龄，则将脑部图像对应的脑龄和第一脑龄值进行对比，得到第一对比结果；或者，若待检测对象的年龄大于第二年龄，则将脑部图像对应的脑龄和第二脑龄值进行对比，得到第二对比结果；其中，第二年龄大于第一年龄，第一脑龄值为待检测对象实际年龄对应的脑龄范围中的最低脑龄值，第二脑龄值为待检测对象实际年龄对应的脑龄范围中的最高脑龄值；若第一对比结果为脑部图像对应的脑龄小于第一脑龄值，则输出第一结果，或者，若第二对比结果为脑部图像对应的脑龄大于第二脑龄值，则输出第二结果。在本实施例中，由于对检测得到的个体的脑龄和真实的脑龄值进行了对比，并根据对比结果可以进行相应的措施，因此，该方法有助于提前发现个体的脑部发育状况，并及时做出相应的措施，以保证个体的身体健康。
应该理解的是，虽然图2、3a、4-6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、3a、4-6中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图7所示，提供了一种脑龄检测装置，包括：获取模块10和确定模块11，其中：
获取模块10，用于获取待检测对象的脑部图像；
确定模块11，用于将所述脑部图像输入至机器学习模型中进行脑龄的识别，确定所述脑部图像对应的脑龄；其中，所述机器学习模型是通过对样本脑部图像进行训练得到的。
本实施例提供的脑龄检测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在另一个实施例中，提供了另一种脑龄检测装置，在上述实施例的基础上，上述确定模块11可以包括：分割单元和确定单元，其中：
分割单元，用于将所述脑部图像输入至分割模型进行结构的分割，得到各个子结构；
确定单元，用于对所述各个子结构的特征进行提取处理，并利用预设的回归算法对提取到的各个子结构的特征进行回归处理，确定所述脑部图像对应的脑龄。
在另一个实施例中，提供了另一种脑龄检测装置，在上述实施例的基础上，上述确定单元可以包括：提取子单元、选择子单元和确定子单元，其中：
提取子单元，用于对所述各个子结构的特征进行提取处理，得到各个子结构对应的提取特征；
选择子单元，用于利用预设的选择算法对所述各个子结构对应的提取特征进行选择处理，确定所述各个子结构对应的目标特征；
确定子单元，用于利用预设的回归算法对所述各个子结构对应的目标特征进行回归处理，确定所述脑部图像对应的脑龄。
在另一个实施例中，上述确定子单元还用于利用预设的回归算法对所述各个子结构对应的目标特征进行回归处理，得到各个子结构对应的年龄；将所述各个子结构对应的年龄进行求和处理，得到所述脑部图像对应的脑龄。
在另一个实施例中，上述提取子单元还用于对所述各个子结构的结构特征进行统计处理，得到所述各个子结构对应的结构特征，所述结构特征包括相对体积、表面积、表面积与体积比、长轴长度中的至少一个；或者，对所述各个子结构的属性特征进行提取处理，得到所述各个子结构对应的属性特征，所述属性特征包括灰度平均值、纹理、灰度直方图、方差峰值中的至少一个。
在另一个实施例中，上述提取子单元还用于将所述各个子结构对应的结构特征和所述各个子结构对应的属性特征进行结合处理，得到所述各个子结构对应的提取特征。
在另一个实施例中，提供了另一种脑龄检测装置，所述机器学习模型为深度学习模型，在上述实施例的基础上，上述装置还包括模型训练模块，其中：
模型训练模块，用于获取样本脑部图像，所述样本脑部图像已标注脑龄；将所述样本脑部图像作为初始深度学习模型的输入，将所述样本脑部图像对应的脑龄作为所述初始深度学习模型的输出，对所述初始深度学习模型进行训练，得到所述深度学习模型。
另一个实施例中，提供了另一种脑龄检测装置，在上述实施例的基础上，上述装置还包括：对比模块和输出模块，其中：
对比模块，用于若所述待检测对象的年龄小于第一年龄，则将所述脑部图像对应的脑龄和第一脑龄值进行对比，得到第一对比结果；或者，若所述待检测对象的年龄大于第二年龄，则将所述脑部图像对应的脑龄和第二脑龄值进行对比，得到第二对比结果；其中，所述第二年龄大于所述第一年龄，所述第一脑龄值为所述待检测对象实际年龄对应的脑龄范围中的最低脑龄值，所述第二脑龄值为所述待检测对象实际年龄对应的脑龄范围中的最高脑龄值；
输出模块，用于若所述第一对比结果为所述脑部图像对应的脑龄小于所述第一脑龄值，则输出第一结果；或者，若所述第二对比结果为所述脑部图像对应的脑龄大于所述第二脑龄值，则输出第二结果。
本实施例提供的脑龄检测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取待检测对象的脑部图像；
将所述脑部图像输入至机器学习模型中进行脑龄的识别，确定所述脑部图像对应的脑龄；其中，所述机器学习模型是通过对样本脑部图像进行训练得到的。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将所述脑部图像输入至分割模型进行结构的分割，得到各个子结构；对所述各个子结构的特征进行提取处理，并利用预设的回归算法对提取到的各个子结构的特征进行回归处理，确定所述脑部图像对应的脑龄。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对所述各个子结构的特征进行提取处理，得到各个子结构对应的提取特征；利用预设的选择算法对所述各个子结构对应的提取特征进行选择处理，确定所述各个子结构对应的目标特征；利用预设的回归算法对所述各个子结构对应的目标特征进行回归处理，确定所述脑部图像对应的脑龄。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
利用预设的回归算法对所述各个子结构对应的目标特征进行回归处理，得到各个子结构对应的年龄；将所述各个子结构对应的年龄进行求和处理，得到所述脑部图像对应的脑龄。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对所述各个子结构的结构特征进行统计处理，得到所述各个子结构对应的结构特征，所述结构特征包括相对体积、表面积、表面积与体积比、长轴长度中的至少一个；或者，对所述各个子结构的属性特征进行提取处理，得到所述各个子结构对应的属性特征，所述属性特征包括灰度平均值、纹理、灰度直方图、方差峰值中的至少一个。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将所述各个子结构对应的结构特征和所述各个子结构对应的属性特征进行结合处理，得到所述各个子结构对应的提取特征。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取样本脑部图像，所述样本脑部图像已标注脑龄；将所述样本脑部图像作为初始深度学习模型的输入，将所述样本脑部图像对应的脑龄作为所述初始深度学习模型的输出，对所述初始深度学习模型进行训练，得到所述深度学习模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
若所述待检测对象的年龄小于第一年龄，则将所述脑部图像对应的脑龄和第一脑龄值进行对比，得到第一对比结果；或者，若所述待检测对象的年龄大于第二年龄，则将所述脑部图像对应的脑龄和第二脑龄值进行对比，得到第二对比结果；其中，所述第二年龄大于所述第一年龄，所述第一脑龄值为所述待检测对象实际年龄对应的脑龄范围中的最低脑龄值，所述第二脑龄值为所述待检测对象实际年龄对应的脑龄范围中的最高脑龄值；若所述第一对比结果为所述脑部图像对应的脑龄小于所述第一脑龄值，则输出第一结果；或者，若所述第二对比结果为所述脑部图像对应的脑龄大于所述第二脑龄值，则输出第二结果。
在一个实施例中，提供了一种可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待检测对象的脑部图像；
将所述脑部图像输入至机器学习模型中进行脑龄的识别，确定所述脑部图像对应的脑龄；其中，所述机器学习模型是通过对样本脑部图像进行训练得到的。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将所述脑部图像输入至分割模型进行结构的分割，得到各个子结构；对所述各个子结构的特征进行提取处理，并利用预设的回归算法对提取到的各个子结构的特征进行回归处理，确定所述脑部图像对应的脑龄。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对所述各个子结构的特征进行提取处理，得到各个子结构对应的提取特征；利用预设的选择算法对所述各个子结构对应的提取特征进行选择处理，确定所述各个子结构对应的目标特征；利用预设的回归算法对所述各个子结构对应的目标特征进行回归处理，确定所述脑部图像对应的脑龄。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
利用预设的回归算法对所述各个子结构对应的目标特征进行回归处理，得到各个子结构对应的年龄；将所述各个子结构对应的年龄进行求和处理，得到所述脑部图像对应的脑龄。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对所述各个子结构的结构特征进行统计处理，得到所述各个子结构对应的结构特征，所述结构特征包括相对体积、表面积、表面积与体积比、长轴长度中的至少一个；或者，对所述各个子结构的属性特征进行提取处理，得到所述各个子结构对应的属性特征，所述属性特征包括灰度平均值、纹理、灰度直方图、方差峰值中的至少一个。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将所述各个子结构对应的结构特征和所述各个子结构对应的属性特征进行结合处理，得到所述各个子结构对应的提取特征。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取样本脑部图像，所述样本脑部图像已标注脑龄；将所述样本脑部图像作为初始深度学习模型的输入，将所述样本脑部图像对应的脑龄作为所述初始深度学习模型的输出，对所述初始深度学习模型进行训练，得到所述深度学习模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
若所述待检测对象的年龄小于第一年龄，则将所述脑部图像对应的脑龄和第一脑龄值进行对比，得到第一对比结果；或者，若所述待检测对象的年龄大于第二年龄，则将所述脑部图像对应的脑龄和第二脑龄值进行对比，得到第二对比结果；其中，所述第二年龄大于所述第一年龄，所述第一脑龄值为所述待检测对象实际年龄对应的脑龄范围中的最低脑龄值，所述第二脑龄值为所述待检测对象实际年龄对应的脑龄范围中的最高脑龄值；若所述第一对比结果为所述脑部图像对应的脑龄小于所述第一脑龄值，则输出第一结果；或者，若所述第二对比结果为所述脑部图像对应的脑龄大于所述第二脑龄值，则输出第二结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种脑龄检测方法，其特征在于，所述方法包括：
获取待检测对象的脑部图像；
将所述脑部图像输入至机器学习模型中进行脑龄的识别，确定所述脑部图像对应的脑龄；其中，所述机器学习模型是通过对样本脑部图像进行训练得到的。
2.根据权利要求1所述的方法，其特征在于，所述将所述脑部图像输入至机器学习模型中进行脑龄的识别，确定所述脑部图像对应的脑龄，包括：
将所述脑部图像输入至分割模型进行结构的分割，得到各个子结构；
对所述各个子结构的特征进行提取处理，并利用预设的回归算法对提取到的各个子结构的特征进行回归处理，确定所述脑部图像对应的脑龄。
3.根据权利要求2所述的方法，其特征在于，所述对所述各个子结构的特征进行提取处理，并利用预设的回归算法对提取到的各个子结构的特征进行回归处理，确定所述脑部图像对应的脑龄，包括：
对所述各个子结构的特征进行提取处理，得到各个子结构对应的提取特征；
利用预设的选择算法对所述各个子结构对应的提取特征进行选择处理，确定所述各个子结构对应的目标特征；
利用预设的回归算法对所述各个子结构对应的目标特征进行回归处理，确定所述脑部图像对应的脑龄。
4.根据权利要求3所述的方法，其特征在于，所述利用预设的回归算法对所述各个子结构对应的目标特征进行回归处理，确定所述脑部图像对应的脑龄，包括：
利用预设的回归算法对所述各个子结构对应的目标特征进行回归处理，得到各个子结构对应的年龄；
将所述各个子结构对应的年龄进行求和处理，得到所述脑部图像对应的脑龄。
5.根据权利要求3所述的方法，其特征在于，所述对所述各个子结构的特征进行提取处理，得到各个子结构对应的提取特征，包括：
对所述各个子结构的结构特征进行统计处理，得到所述各个子结构对应的结构特征，所述结构特征包括相对体积、表面积、表面积与体积比、长轴长度中的至少一个；或者，
对所述各个子结构的属性特征进行提取处理，得到所述各个子结构对应的属性特征，所述属性特征包括灰度平均值、纹理、灰度直方图、方差峰值中的至少一个。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
将所述各个子结构对应的结构特征和所述各个子结构对应的属性特征进行结合处理，得到所述各个子结构对应的提取特征。
7.根据权利要求1所述的方法，其特征在于，所述机器学习模型为深度学习模型，所述深度学习模型的训练方法包括：
获取样本脑部图像，所述样本脑部图像已标注脑龄；
将所述样本脑部图像作为初始深度学习模型的输入，将所述样本脑部图像对应的脑龄作为所述初始深度学习模型的输出，对所述初始深度学习模型进行训练，得到所述深度学习模型。
8.根据权利要求1所述的方法，其特征在于，所述方法还包括：
若所述待检测对象的年龄小于第一年龄，则将所述脑部图像对应的脑龄和第一脑龄值进行对比，得到第一对比结果；或者，若所述待检测对象的年龄大于第二年龄，则将所述脑部图像对应的脑龄和第二脑龄值进行对比，得到第二对比结果；其中，所述第二年龄大于所述第一年龄，所述第一脑龄值为所述待检测对象实际年龄对应的脑龄范围中的最低脑龄值，所述第二脑龄值为所述待检测对象实际年龄对应的脑龄范围中的最高脑龄值；
若所述第一对比结果为所述脑部图像对应的脑龄小于所述第一脑龄值，则输出第一结果；或者，若所述第二对比结果为所述脑部图像对应的脑龄大于所述第二脑龄值，则输出第二结果。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
10.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910648454.2A CN110473171A (zh) | 2019-07-18 | 2019-07-18 | 脑龄检测方法、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910648454.2A CN110473171A (zh) | 2019-07-18 | 2019-07-18 | 脑龄检测方法、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110473171A true CN110473171A (zh) | 2019-11-19 |
Family
ID=68508816
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910648454.2A Pending CN110473171A (zh) | 2019-07-18 | 2019-07-18 | 脑龄检测方法、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110473171A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110969614A (zh) * | 2019-12-11 | 2020-04-07 | 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 |
| CN112568872A (zh) * | 2020-12-30 | 2021-03-30 | 深圳大学 | 基于mri影像和血液生化指标的脑龄融合预测方法 |
| CN113221927A (zh) * | 2020-01-21 | 2021-08-06 | 宏碁股份有限公司 | 模型训练方法与电子装置 |
| 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 |
| CN117036793A (zh) * | 2023-07-31 | 2023-11-10 | 复旦大学 | 一种基于pet影像多尺度特征的脑龄评估方法及装置 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102088910A (zh) * | 2008-07-07 | 2011-06-08 | 浜松光子学株式会社 | 脑部疾病的诊断系统 |
| CN105046709A (zh) * | 2015-07-14 | 2015-11-11 | 华南理工大学 | 一种基于核磁共振影像的脑龄分析方法 |
| CN105488470A (zh) * | 2015-11-30 | 2016-04-13 | 小米科技有限责任公司 | 确定人物属性信息的方法及装置 |
| CN106127769A (zh) * | 2016-06-22 | 2016-11-16 | 南京航空航天大学 | 一种基于脑连接网络的脑龄预测方法 |
| CN106203306A (zh) * | 2016-06-30 | 2016-12-07 | 北京小米移动软件有限公司 | 年龄的预测方法、装置及终端 |
| US20170069086A1 (en) * | 2015-09-09 | 2017-03-09 | Xuanwu Hospital Capital Medical University | Method and device for constructing brain templates |
| CN108830830A (zh) * | 2018-05-11 | 2018-11-16 | 深圳博脑医疗科技有限公司 | 一种脑萎缩程度的定量检测方法、检测装置及终端设备 |
| CN109035250A (zh) * | 2018-09-11 | 2018-12-18 | 中国科学技术大学 | 建立年龄预测模型的方法及装置、年龄预测方法及装置 |
| CN109271958A (zh) * | 2018-09-30 | 2019-01-25 | 厦门市巨龙信息科技有限公司 | 人脸年龄识别方法及装置 |
| CN109859189A (zh) * | 2019-01-31 | 2019-06-07 | 长安大学 | 一种基于深度学习的年龄估计方法 |
| CN109993210A (zh) * | 2019-03-05 | 2019-07-09 | 北京工业大学 | 一种基于神经影像的大脑年龄估计方法 |
-
2019
- 2019-07-18 CN CN201910648454.2A patent/CN110473171A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102088910A (zh) * | 2008-07-07 | 2011-06-08 | 浜松光子学株式会社 | 脑部疾病的诊断系统 |
| CN105046709A (zh) * | 2015-07-14 | 2015-11-11 | 华南理工大学 | 一种基于核磁共振影像的脑龄分析方法 |
| US20170069086A1 (en) * | 2015-09-09 | 2017-03-09 | Xuanwu Hospital Capital Medical University | Method and device for constructing brain templates |
| CN105488470A (zh) * | 2015-11-30 | 2016-04-13 | 小米科技有限责任公司 | 确定人物属性信息的方法及装置 |
| CN106127769A (zh) * | 2016-06-22 | 2016-11-16 | 南京航空航天大学 | 一种基于脑连接网络的脑龄预测方法 |
| CN106203306A (zh) * | 2016-06-30 | 2016-12-07 | 北京小米移动软件有限公司 | 年龄的预测方法、装置及终端 |
| CN108830830A (zh) * | 2018-05-11 | 2018-11-16 | 深圳博脑医疗科技有限公司 | 一种脑萎缩程度的定量检测方法、检测装置及终端设备 |
| CN109035250A (zh) * | 2018-09-11 | 2018-12-18 | 中国科学技术大学 | 建立年龄预测模型的方法及装置、年龄预测方法及装置 |
| CN109271958A (zh) * | 2018-09-30 | 2019-01-25 | 厦门市巨龙信息科技有限公司 | 人脸年龄识别方法及装置 |
| CN109859189A (zh) * | 2019-01-31 | 2019-06-07 | 长安大学 | 一种基于深度学习的年龄估计方法 |
| CN109993210A (zh) * | 2019-03-05 | 2019-07-09 | 北京工业大学 | 一种基于神经影像的大脑年龄估计方法 |
Non-Patent Citations (4)
| Title |
|---|
| PASCAL STURMFELS 等: "A Domain Guided CNN Architecture for Predicting Age from Structural Brain Images", 《PROCEEDINGS OF MACHINE LEARNING RESEARCH 》 * |
| YUXIANGYU: ""使用TensorFlow和DLTK进行生物医学图像分析的介绍"", 《HTTP://WWW.ATYUN.COM/23342.HTML》 * |
| YUXIANGYU: "使用TensorFlow和DLTK进行生物医学图像分析的介绍", 《HTTP://WWW.ATYUN.COM/23342.HTML》 * |
| 初同朋 等: "基于结构磁共振成像海马多特征组合的阿尔茨海默病分类新方法", 《JOURNAL OF BIOMEDICAL ENGINEERING》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110969614A (zh) * | 2019-12-11 | 2020-04-07 | 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 |
| 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 |
| CN113221927A (zh) * | 2020-01-21 | 2021-08-06 | 宏碁股份有限公司 | 模型训练方法与电子装置 |
| CN113221927B (zh) * | 2020-01-21 | 2024-01-23 | 宏碁股份有限公司 | 模型训练方法与电子装置 |
| CN112568872A (zh) * | 2020-12-30 | 2021-03-30 | 深圳大学 | 基于mri影像和血液生化指标的脑龄融合预测方法 |
| CN112568872B (zh) * | 2020-12-30 | 2021-11-02 | 深圳大学 | 基于mri影像和血液生化指标的脑龄融合预测方法 |
| 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 |
| CN117036793A (zh) * | 2023-07-31 | 2023-11-10 | 复旦大学 | 一种基于pet影像多尺度特征的脑龄评估方法及装置 |
| CN117036793B (zh) * | 2023-07-31 | 2024-04-19 | 复旦大学 | 一种基于pet影像多尺度特征的脑龄评估方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110473171A (zh) | 脑龄检测方法、计算机设备和存储介质 | |
| Sharma et al. | Missing MRI pulse sequence synthesis using multi-modal generative adversarial network | |
| CN110110617B (zh) | 医学影像分割方法、装置、电子设备和存储介质 | |
| Liu et al. | Attribute-aware face aging with wavelet-based generative adversarial networks | |
| AU2019227478B2 (en) | An improved content aware fill that leverages the boundaries of underlying objects | |
| CN109242849A (zh) | 医学图像处理方法、装置、系统和存储介质 | |
| CN111161311A (zh) | 一种基于深度学习的视觉多目标跟踪方法及装置 | |
| CN108986041A (zh) | 一种图像恢复方法、装置、电子设备及可读存储介质 | |
| CN111369525B (zh) | 图像分析方法、设备和存储介质 | |
| CN108122221B (zh) | 弥散加权成像图像中脑缺血区域的分割方法及装置 | |
| Bass et al. | Icam: Interpretable classification via disentangled representations and feature attribution mapping | |
| CN110310256A (zh) | 冠脉狭窄检测方法、装置、计算机设备和存储介质 | |
| US11386553B2 (en) | Medical image data | |
| CN110428415A (zh) | 医学图像的质量评估方法、装置、设备及存储介质 | |
| CN112885453A (zh) | 用于标识后续医学图像中的病理变化的方法和系统 | |
| CN110858399B (zh) | 用于提供虚拟断层扫描中风后续检查图像的方法和装置 | |
| US20210303933A1 (en) | Validity evaluation device for cancer region detection | |
| JP7239701B2 (ja) | 人工神経網を利用する臓器の体積測定方法及びその装置 | |
| CN110400299A (zh) | 一种肺部胸腔积液检出的方法及装置 | |
| CN106529110A (zh) | 一种用户数据分类的方法和设备 | |
| CN110400626A (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
| CN111128348B (zh) | 医学图像处理方法、装置、存储介质及计算机设备 | |
| CN110992439A (zh) | 纤维束追踪方法、计算机设备和存储介质 | |
| CN109658377B (zh) | 一种基于多维度信息融合的乳腺mri病变区域检测方法 | |
| CN116664590B (zh) | 基于动态对比增强磁共振图像的自动分割方法及装置 |
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 |
Application publication date: 20191119 |
|
| RJ01 | Rejection of invention patent application after publication |