CN110969614A - 基于三维卷积神经网络的脑龄预测方法及系统 - Google Patents
基于三维卷积神经网络的脑龄预测方法及系统 Download PDFInfo
- Publication number
- CN110969614A CN110969614A CN201911262846.1A CN201911262846A CN110969614A CN 110969614 A CN110969614 A CN 110969614A CN 201911262846 A CN201911262846 A CN 201911262846A CN 110969614 A CN110969614 A CN 110969614A
- Authority
- CN
- China
- Prior art keywords
- module
- convolution
- neural network
- convolutional neural
- sample set
- 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.)
- Granted
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 90
- 210000004556 brain Anatomy 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 58
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000011176 pooling Methods 0.000 claims description 51
- 230000001537 neural effect Effects 0.000 claims description 40
- 238000013528 artificial neural network Methods 0.000 claims description 26
- 210000005036 nerve Anatomy 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 208000014644 Brain disease Diseases 0.000 claims description 3
- 230000003920 cognitive function Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 210000003625 skull Anatomy 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 3
- 230000032683 aging Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 208000020016 psychiatric disease Diseases 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Neurology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Data Mining & Analysis (AREA)
- Surgery (AREA)
- Computational Linguistics (AREA)
- Veterinary Medicine (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Neurosurgery (AREA)
- Psychology (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- High Energy & Nuclear Physics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及一种基于三维卷积神经网络的脑龄预测方法及系统，所述预测方法包括：采集历史样本集，所述历史样本集包括多对历史结构磁共振影像数据及对应测试者的生理年龄，所述历史样本集分为训练样本集及测试样本集；对所述训练样本集中的各所述历史结构磁共振影像数据预处理，得到对应的处理图像；根据各处理图像及对应测试者的生理年龄，对三维卷积神经网络进行训练，得到训练后的三维卷积神经网络；获取当前测试者的当前结构磁共振影像数据；基于训练后的三维卷积神经网络，根据所述当前结构磁共振影像数据，可确定当前测试者的脑龄情况，实现端到端的检测，准确度高。
Description
技术领域
本发明涉及图像处理技术领域，特别涉及一种基于三维卷积神经网络的脑龄预测方法及系统。
背景技术
大脑在发育和老化的过程中表现出结构和机能上的有规律的改变，这种改变的模式非常复杂，临床上不可能用肉眼得出结果。在实际应用中，采用脑龄作为度量该过程中的变化模式的指标。
目前关于大脑的发育、老化轨迹的研究并没有十分的深入，我们迫切地需要一个高精确度的脑龄预测模型去拟合大脑在发育、老化过程中的变化轨迹。一方面可以帮助我们理解大脑的发育、老化机制，加强我们对于人脑的理解和认识；另一方面，可以将脑龄与生理年龄的差值作为多种精神疾病的疾病标记物，对于精神疾病的早期诊断具有非常重要的临床意义。
大脑的正常发育、老化过程中会发生结构上的改变，主要体现在大脑皮层的变薄、神经元形态学的改变以及神经回路、大脑可塑性的丢失，而这些改变的特征可以从结构磁共振影像中提取到，因而在众多的核磁共振影像技术中，结构磁共振影像是脑龄预测的研究中被应用的最多的一种模态，主要原因在于：(1)结构磁共振影像分辨率高，能清楚的表现出大脑的各种组织形态。目前利用T1加权技术采集的结构磁共振成像数据是三维图像，图像分辨率较高，扫描时间大约是三到五分钟，在较短的时间内，被试可以保持头部不动，伪影较低。(2)结构磁共振影像的成像稳定，受成像机器参数影响小，影像的可靠性相对较强。
在现有的基于结构像的脑龄预测模型中，大多采用传统的机器学习方法，这些方法需要经过特征提取、特征选择、训练模型等过程，大量的依赖第三方工具，缺乏端到端的便捷性，且预测精度无法满足临床应用需求。
随着深度学习技术的发展，尤其是卷积神经网络，为脑龄预测提供了新的方法。卷积神经网络是一种常见的深度学习网络架构，受生物自然视觉认知机制启发而来。卷积神经网络具备非常优异的特征提取能力，在计算机视觉领域中的各种子任务中都表现出了绝对的优势。
发明内容
为了解决现有脑龄预测技术中存在的问题与不足，即为了提高预测精度，本发明提供一种基于三维卷积神经网络的脑龄预测方法及系统。
为解决上述技术问题，本发明提供了如下方案：
一种基于三维卷积神经网络的脑龄预测方法，所述预测方法包括：
采集历史样本集，所述历史样本集包括多对历史结构磁共振影像数据及对应测试者的生理年龄，所述历史样本集分为训练样本集及测试样本集；
对所述训练样本集中的各所述历史结构磁共振影像数据预处理，得到对应的处理图像；
根据各处理图像及对应测试者的生理年龄，对三维卷积神经网络进行训练，得到训练后的三维卷积神经网络；
获取当前测试者的当前结构磁共振影像数据；
基于训练后的三维卷积神经网络，根据所述当前结构磁共振影像数据，确定当前测试者的脑龄情况。
可选地，各所述历史结构磁共振影像数据均满足以下条件：
所述历史结构磁共振影像数据对应的各测试者不能患有脑部疾病，且认知功能正常，各测试者的年龄范围为5岁到90岁之间，每个年龄对应的测试者的数量大于设定数值且人数均衡；各所述历史结构磁共振影像数据的体素尺寸要小于或等于1毫米，重复时间TR小于500毫秒，回波时间TE小于25毫秒。
可选地，所述对所述训练样本集中的各所述历史结构磁共振影像数据预处理，得到对应的处理图像，具体包括：
针对每一历史结构磁共振影像数据，
对所述历史结构磁共振影像数据进行采样，得到采样图像；
对所述采样图像依次进行去头骨、非线性校正、全脑均值归一化、裁剪操作，得到裁剪后图像，所述裁剪后图像为处理图像。
可选地，所述对所述历史结构磁共振影像数据进行采样的采样方法为双线性插值法。
可选地，所述三维卷积神经网络包括第一三维卷积神经网络模块、第一多尺度卷积神经模块、第二多尺度卷积神经模块、第三多尺度卷积神经模块、第二三维卷积神经网络模块、第三三维卷积神经网络模块、第一全局均值池化模块、第二全局均值池化模块及全连接模块；
其中，所述第一三维卷积神经网络模块依次串联连接第一多尺度卷积神经模块、第二多尺度卷积神经模块、第三多尺度卷积神经模块；所述第三多尺度卷积神经模块依次串联连接第二三维卷积神经网络模块、第三三维卷积神经网络模块；所述第一全局均值池化模块与第一多尺度卷积神经模块连接，所述第二全局均值池化模块与第三多尺度卷积神经模块连接；所述全连接模块分别与所述第一全局均值池化模块、第二全局均值池化模块及第三多尺度卷积神经模块连接。
可选地，所述第一三维卷积神经网络模块的卷积核大小为3×3×3，卷积步长为2×2×2，特征图数量为32，填充类型为全0填充，输出特征图大小为50×55×50；
第一多尺度卷积神经模块、第二多尺度卷积神经模块、第三多尺度卷积神经模块均由三个分支构成，每个分支的第一层为卷积核大小为1×1×1的卷积层，输出的特征图数量为N/3，N为输入的通道数量；
第一多尺度卷积神经模块的第一分支的第二层为一个最大池化层，池化核大小为2×2×2，池化步长为2×2×2，填充类型为全0填充，输出特征图数量为32；第一多尺度卷积模块的第二分支的第二层为三维卷积网络层，卷积核大小为3×3×3，卷积步长为2×2×2，填充类型为全0填充，输出特征图数量为32；第一多尺度卷积模块的第三分支的第二层和第三层均为三维卷积网络层，卷积核大小为3×3×3，卷积步长为2×2×2，填充类型为全0填充，输出特征图数量为32；所述第一多尺度卷积神经模块的第一分支、第二分支及第三分支并联在一起输出，特征图数量为96；
第二多尺度卷积模块的第一分支的第二层为一个最大池化层，池化核大小为2×2×2，池化步长为2×2×2，填充类型为全0填充，输出特征图数量为64；第二多尺度卷积模块的第二分支的第二层为三维卷积网络层，卷积核大小为3×3×3，卷积步长为2×2×2，填充类型为全0填充，输出特征图数量为64；第二多尺度卷积模块的第三分支的第二层和第三层都为三维卷积网络层，卷积核大小为3×3×3，卷积步长为2×2×2，填充类型为全0填充，输出特征图数量为64；所述第二多尺度卷积神经模块的第一分支、第二分支及第三分支并联在一起输出，特征图数量为192；
第三多尺度卷积模块的第一分支的第二层为一个最大池化层，池化核大小为2×2×2，池化步长为2×2×2，填充类型为全0填充，输出特征图数量为128；第三多尺度卷积模块的第二分支的第二层为三维卷积网络层，卷积核大小为3×3×3，卷积步长为2×2×2，填充类型为全0填充，输出特征图数量为128；第三多尺度卷积模块的第三分支的第二层和第三层都为三维卷积网络层，卷积核大小为3×3×3，卷积步长为2×2×2，填充类型为全0填充，输出特征图数量为128；所述第二多尺度卷积神经模块的第一分支、第二分支及第三分支并联在一起输出，特征图数量为384；
第二三维卷积神经网络模块的卷积核大小为1×1×1，步长为1×1×1，输出特征图数量为64；第三三维卷积神经网络模块的卷积层的卷积核大小为3×3×3，卷积步长为2×2×2，填充类型为全0填充，输出特征图数量为128，并将输出变换为1维向量；
第一全局均值池化模块用于输出第一多尺度卷积神经模块的每个特征图的输出值的均值，输出大小为96；第二全局均值池化模块用于输出第三多尺度卷积神经模块的每个特征图的输出值的均值，输出大小为384；
所述全连接层的节点数量为256个。
可选地，所述预测方法还包括：
基于训练后的三维卷积神经网络及各测试样本集，得到针对各测试者的预测脑龄；
根据各预测脑龄及对应的生理年龄的差值的平方作为优化目标，采用梯度下降的反向传播方法对所述训练后的三维卷积神经网络进行优化，以更新训练后的三维卷积神经网络；其中，
所述优化目标的损失函数为：
其中，y为各测试者的预测脑龄，
为各测试者真实的生理年龄。
为解决上述技术问题，本发明还提供了如下方案：
一种基于三维卷积神经网络的脑龄预测系统，所述预测系统包括：
采集单元，用于采集历史样本集，所述历史样本集包括多对历史结构磁共振影像数据及对应测试者的生理年龄，所述历史样本集分为训练样本集及测试样本集；
预处理单元，用于对所述训练样本集中的各所述历史结构磁共振影像数据预处理，得到对应的处理图像；
训练单元，用于根据各处理图像及对应测试者的生理年龄，对三维卷积神经网络进行训练，得到训练后的三维卷积神经网络；
获取单元，用于获取当前测试者的当前结构磁共振影像数据；
确定单元，用于基于训练后的三维卷积神经网络，根据所述当前结构磁共振影像数据，确定当前测试者的脑龄情况。
为解决上述技术问题，本发明还提供了如下方案：
一种基于三维卷积神经网络的脑龄预测系统，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
采集历史样本集，所述历史样本集包括多对历史结构磁共振影像数据及对应测试者的生理年龄，所述历史样本集分为训练样本集及测试样本集；
对所述训练样本集中的各所述历史结构磁共振影像数据预处理，得到对应的处理图像；
根据各处理图像及对应测试者的生理年龄，对三维卷积神经网络进行训练，得到训练后的三维卷积神经网络；
获取当前测试者的当前结构磁共振影像数据；
基于训练后的三维卷积神经网络，根据所述当前结构磁共振影像数据，确定当前测试者的脑龄情况。
为解决上述技术问题，本发明还提供了如下方案：
一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：
采集历史样本集，所述历史样本集包括多对历史结构磁共振影像数据及对应测试者的生理年龄，所述历史样本集分为训练样本集及测试样本集；
对所述训练样本集中的各所述历史结构磁共振影像数据预处理，得到对应的处理图像；
根据各处理图像及对应测试者的生理年龄，对三维卷积神经网络进行训练，得到训练后的三维卷积神经网络；
获取当前测试者的当前结构磁共振影像数据；
基于训练后的三维卷积神经网络，根据所述当前结构磁共振影像数据，确定当前测试者的脑龄情况。
根据本发明的实施例，本发明公开了以下技术效果：
本发明通过对训练样本集中的各所述历史结构磁共振影像数据预处理，通过处理图像及对应测试者的生理年龄，对三维卷积神经网络进行训练，得到训练后的三维卷积神经网络；通过训练后的三维卷积神经网络对当前测试者的当前结构磁共振影像数据进行识别，从而可确定当前测试者的脑龄情况，实现端到端的检测，准确度高。
附图说明
图1是本发明基于三维卷积神经网络的脑龄预测方法的流程图；
图2是本发明基于三维卷积神经网络的脑龄预测系统的模块结构示意图。
符号说明：
采集单元—1，预处理单元—2，训练单元—3，获取单元—4，确定单元—5。
具体实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
本发明的目的在于提供一种基于三维卷积神经网络的脑龄预测方法，通过对训练样本集中的各所述历史结构磁共振影像数据预处理，通过处理图像及对应测试者的生理年龄，对三维卷积神经网络进行训练，得到训练后的三维卷积神经网络；通过训练后的三维卷积神经网络对当前测试者的当前结构磁共振影像数据进行识别，从而可确定当前测试者的脑龄情况，实现端到端的检测，准确度高。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明基于三维卷积神经网络的脑龄预测方法包括：
步骤100：采集历史样本集。
所述历史样本集包括多对历史结构磁共振影像数据及对应测试者的生理年龄，所述历史样本集分为训练样本集及测试样本集。所述生理年龄保留4位有效数字。
步骤200：对所述训练样本集中的各所述历史结构磁共振影像数据预处理，得到对应的处理图像。
步骤300：根据各处理图像及对应测试者的生理年龄，对三维卷积神经网络进行训练，得到训练后的三维卷积神经网络。
步骤400：获取当前测试者的当前结构磁共振影像数据。
步骤500：基于训练后的三维卷积神经网络，根据所述当前结构磁共振影像数据，确定当前测试者的脑龄情况。
其中，在步骤100中，各所述历史结构磁共振影像数据均满足以下条件：
所述历史结构磁共振影像数据对应的各测试者不能患有脑部疾病，且认知功能正常，各测试者的年龄范围为5岁到90岁之间，每个年龄对应的测试者的数量大于设定数值且人数均衡；各所述历史结构磁共振影像数据的体素尺寸要小于或等于1毫米，重复时间TR小于500毫秒，回波时间TE小于25毫秒。
在本实施例中，所述设定数值为150，但并不以此为限，可根据实际需要进行调整。
可选地，在步骤200中，所述对所述训练样本集中的各所述历史结构磁共振影像数据预处理，得到对应的处理图像，具体包括：
步骤201：针对每一历史结构磁共振影像数据，对所述历史结构磁共振影像数据进行采样，得到采样图像。
在本实施例中，通过双线性插值法采样方法将原始图像采样到分辨率为1.5毫米，得到采样图像。
步骤202：对所述采样图像依次进行去头骨、非线性校正、全脑均值归一化、裁剪操作，得到裁剪后图像，所述裁剪后图像为处理图像。其中，所述裁剪后图像的尺寸变为：100mm×110mm×100mm。
进一步地，所述三维卷积神经网络包括第一三维卷积神经网络模块、第一多尺度卷积神经模块、第二多尺度卷积神经模块、第三多尺度卷积神经模块、第二三维卷积神经网络模块、第三三维卷积神经网络模块、第一全局均值池化模块、第二全局均值池化模块及全连接模块；
其中，所述第一三维卷积神经网络模块依次串联连接第一多尺度卷积神经模块、第二多尺度卷积神经模块、第三多尺度卷积神经模块；所述第三多尺度卷积神经模块依次串联连接第二三维卷积神经网络模块、第三三维卷积神经网络模块；所述第一全局均值池化模块与第一多尺度卷积神经模块连接，所述第二全局均值池化模块与第三多尺度卷积神经模块连接；所述全连接模块分别与所述第一全局均值池化模块、第二全局均值池化模块及第三多尺度卷积神经模块连接。
优选地，第一三维卷积神经网络模块、第二三维卷积神经网络模块及第三三维卷积神经网络模块都按固定顺序包含以下网络层：三维卷积层、批量归一化层和激活函数。其中，三维卷积是指卷积核具有长、宽、高三个维度，其包含卷积核大小和卷积步长两个参数；批量归一化是指对于每一个卷积输出层进行归一化，表达公式为：
其中，γ和β是训练过程中学习到参数，
为上一网络归一化后的值；激活函数选择Relu函数作为激活函数，其表达式为：
y＝max(x，0)。
可选地，所述第一三维卷积神经网络模块的卷积核大小为3×3×3，卷积步长为2×2×2，特征图数量为32，填充类型为全0填充，输出特征图大小为50×55×50；
第一多尺度卷积神经模块、第二多尺度卷积神经模块、第三多尺度卷积神经模块均由三个分支构成，每个分支的第一层为卷积核大小为1×1×1的卷积层，输出的特征图数量为N/3，N为输入的通道数量；
第一多尺度卷积神经模块的第一分支的第二层为一个最大池化层，池化核大小为2×2×2，池化步长为2×2×2，填充类型为全0填充，输出特征图数量为32；第一多尺度卷积模块的第二分支的第二层为三维卷积网络层，卷积核大小为3×3×3，卷积步长为2×2×2，填充类型为全0填充，输出特征图数量为32；第一多尺度卷积模块的第三分支的第二层和第三层均为三维卷积网络层，卷积核大小为3×3×3，卷积步长为2×2×2，填充类型为全0填充，输出特征图数量为32；所述第一多尺度卷积神经模块的第一分支、第二分支及第三分支并联在一起输出，特征图数量为96；
第二多尺度卷积模块的第一分支的第二层为一个最大池化层，池化核大小为2×2×2，池化步长为2×2×2，填充类型为全0填充，输出特征图数量为64；第二多尺度卷积模块的第二分支的第二层为三维卷积网络层，卷积核大小为3×3×3，卷积步长为2×2×2，填充类型为全0填充，输出特征图数量为64；第二多尺度卷积模块的第三分支的第二层和第三层都为三维卷积网络层，卷积核大小为3×3×3，卷积步长为2×2×2，填充类型为全0填充，输出特征图数量为64；所述第二多尺度卷积神经模块的第一分支、第二分支及第三分支并联在一起输出，特征图数量为192；
第三多尺度卷积模块的第一分支的第二层为一个最大池化层，池化核大小为2×2×2，池化步长为2×2×2，填充类型为全0填充，输出特征图数量为128；第三多尺度卷积模块的第二分支的第二层为三维卷积网络层，卷积核大小为3×3×3，卷积步长为2×2×2，填充类型为全0填充，输出特征图数量为128；第三多尺度卷积模块的第三分支的第二层和第三层都为三维卷积网络层，卷积核大小为3×3×3，卷积步长为2×2×2，填充类型为全0填充，输出特征图数量为128；所述第二多尺度卷积神经模块的第一分支、第二分支及第三分支并联在一起输出，特征图数量为384；
第二三维卷积神经网络模块的卷积核大小为1×1×1，步长为1×1×1，输出特征图数量为64；第三三维卷积神经网络模块的卷积层的卷积核大小为3×3×3，卷积步长为2×2×2，填充类型为全0填充，输出特征图数量为128，并将输出变换为1维向量；
第一全局均值池化模块用于输出第一多尺度卷积神经模块的每个特征图的输出值的均值，输出大小为96；第二全局均值池化模块用于输出第三多尺度卷积神经模块的每个特征图的输出值的均值，输出大小为384；
所述全连接层的节点数量为256个。
可选地，所述预测方法还包括：
基于训练后的三维卷积神经网络及各测试样本集，得到针对各测试者的预测脑龄；
根据各预测脑龄及对应的生理年龄的差值的平方作为优化目标，采用梯度下降的反向传播方法对所述训练后的三维卷积神经网络进行优化，以更新训练后的三维卷积神经网络；其中，
所述优化目标的损失函数为：
其中，y为各测试者的预测脑龄，
为各测试者真实的生理年龄。
训练的过程中采用10折交叉验证选择最优参数，具体为使用90％的数据作为训练样本集，剩下10％作为测试样本集验证训练精度，当训练精度不再提升的时候，终止训练过程，保存模型参数。
此外，本发明还提供一种基于三维卷积神经网络的脑龄预测系统，可提高预测精度。
如图2所示，本发明基于三维卷积神经网络的脑龄预测系统包括：采集单元1、预处理单元2、训练单元3、获取单元4及确定单元5。
具体地，所述采集单元1用于采集历史样本集，所述历史样本集包括多对历史结构磁共振影像数据及对应测试者的生理年龄，所述历史样本集分为训练样本集及测试样本集。
所述预处理单元2用于对所述训练样本集中的各所述历史结构磁共振影像数据预处理，得到对应的处理图像；
所述训练单元3用于根据各处理图像及对应测试者的生理年龄，对三维卷积神经网络进行训练，得到训练后的三维卷积神经网络；
所述获取单元4用于获取当前测试者的当前结构磁共振影像数据；
所述确定单元5用于基于训练后的三维卷积神经网络，根据所述当前结构磁共振影像数据，确定当前测试者的脑龄情况。
进一步地，本发明还提供一种基于三维卷积神经网络的脑龄预测系统，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
采集历史样本集，所述历史样本集包括多对历史结构磁共振影像数据及对应测试者的生理年龄，所述历史样本集分为训练样本集及测试样本集；
对所述训练样本集中的各所述历史结构磁共振影像数据预处理，得到对应的处理图像；
根据各处理图像及对应测试者的生理年龄，对三维卷积神经网络进行训练，得到训练后的三维卷积神经网络；
获取当前测试者的当前结构磁共振影像数据；
基于训练后的三维卷积神经网络，根据所述当前结构磁共振影像数据，确定当前测试者的脑龄情况。
进一步地，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：
采集历史样本集，所述历史样本集包括多对历史结构磁共振影像数据及对应测试者的生理年龄，所述历史样本集分为训练样本集及测试样本集；
对所述训练样本集中的各所述历史结构磁共振影像数据预处理，得到对应的处理图像；
根据各处理图像及对应测试者的生理年龄，对三维卷积神经网络进行训练，得到训练后的三维卷积神经网络；
获取当前测试者的当前结构磁共振影像数据；
基于训练后的三维卷积神经网络，根据所述当前结构磁共振影像数据，确定当前测试者的脑龄情况。
相对于现有技术，本发明计算机可读存储介质、基于三维卷积神经网络的脑龄预测系统与上述基于三维卷积神经网络的脑龄预测方法的有益效果相同，在此不再赘述。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种基于三维卷积神经网络的脑龄预测方法，其特征在于，所述预测方法包括：
采集历史样本集，所述历史样本集包括多对历史结构磁共振影像数据及对应测试者的生理年龄，所述历史样本集分为训练样本集及测试样本集；
对所述训练样本集中的各所述历史结构磁共振影像数据预处理，得到对应的处理图像；
根据各处理图像及对应测试者的生理年龄，对三维卷积神经网络进行训练，得到训练后的三维卷积神经网络；
获取当前测试者的当前结构磁共振影像数据；
基于训练后的三维卷积神经网络，根据所述当前结构磁共振影像数据，确定当前测试者的脑龄情况。
2.根据权利要求1所述的基于三维卷积神经网络的脑龄预测方法，其特征在于，各所述历史结构磁共振影像数据均满足以下条件：
所述历史结构磁共振影像数据对应的各测试者不能患有脑部疾病，且认知功能正常，各测试者的年龄范围为5岁到90岁之间，每个年龄对应的测试者的数量大于设定数值且人数均衡；各所述历史结构磁共振影像数据的体素尺寸要小于或等于1毫米，重复时间TR小于500毫秒，回波时间TE小于25毫秒。
3.根据权利要求1所述的基于三维卷积神经网络的脑龄预测方法，其特征在于，所述对所述训练样本集中的各所述历史结构磁共振影像数据预处理，得到对应的处理图像，具体包括：
针对每一历史结构磁共振影像数据，
对所述历史结构磁共振影像数据进行采样，得到采样图像；
对所述采样图像依次进行去头骨、非线性校正、全脑均值归一化、裁剪操作，得到裁剪后图像，所述裁剪后图像为处理图像。
4.根据权利要求3所述的基于三维卷积神经网络的脑龄预测方法，其特征在于，所述对所述历史结构磁共振影像数据进行采样的采样方法为双线性插值法。
5.根据权利要求1所述的基于三维卷积神经网络的脑龄预测方法，其特征在于，所述三维卷积神经网络包括第一三维卷积神经网络模块、第一多尺度卷积神经模块、第二多尺度卷积神经模块、第三多尺度卷积神经模块、第二三维卷积神经网络模块、第三三维卷积神经网络模块、第一全局均值池化模块、第二全局均值池化模块及全连接模块；
其中，所述第一三维卷积神经网络模块依次串联连接第一多尺度卷积神经模块、第二多尺度卷积神经模块、第三多尺度卷积神经模块；所述第三多尺度卷积神经模块依次串联连接第二三维卷积神经网络模块、第三三维卷积神经网络模块；所述第一全局均值池化模块与第一多尺度卷积神经模块连接，所述第二全局均值池化模块与第三多尺度卷积神经模块连接；所述全连接模块分别与所述第一全局均值池化模块、第二全局均值池化模块及第三多尺度卷积神经模块连接。
6.根据权利要求5所述的基于三维卷积神经网络的脑龄预测方法，其特征在于，所述第一三维卷积神经网络模块的卷积核大小为3×3×3，卷积步长为2×2×2，特征图数量为32，填充类型为全0填充，输出特征图大小为50×55×50；
第一多尺度卷积神经模块、第二多尺度卷积神经模块、第三多尺度卷积神经模块均由三个分支构成，每个分支的第一层为卷积核大小为1×1×1的卷积层，输出的特征图数量为N/3，N为输入的通道数量；
第一多尺度卷积神经模块的第一分支的第二层为一个最大池化层，池化核大小为2×2×2，池化步长为2×2×2，填充类型为全0填充，输出特征图数量为32；第一多尺度卷积模块的第二分支的第二层为三维卷积网络层，卷积核大小为3×3×3，卷积步长为2×2×2，填充类型为全0填充，输出特征图数量为32；第一多尺度卷积模块的第三分支的第二层和第三层均为三维卷积网络层，卷积核大小为3×3×3，卷积步长为2×2×2，填充类型为全0填充，输出特征图数量为32；所述第一多尺度卷积神经模块的第一分支、第二分支及第三分支并联在一起输出，特征图数量为96；
第二多尺度卷积模块的第一分支的第二层为一个最大池化层，池化核大小为2×2×2，池化步长为2×2×2，填充类型为全0填充，输出特征图数量为64；第二多尺度卷积模块的第二分支的第二层为三维卷积网络层，卷积核大小为3×3×3，卷积步长为2×2×2，填充类型为全0填充，输出特征图数量为64；第二多尺度卷积模块的第三分支的第二层和第三层都为三维卷积网络层，卷积核大小为3×3×3，卷积步长为2×2×2，填充类型为全0填充，输出特征图数量为64；所述第二多尺度卷积神经模块的第一分支、第二分支及第三分支并联在一起输出，特征图数量为192；
第三多尺度卷积模块的第一分支的第二层为一个最大池化层，池化核大小为2×2×2，池化步长为2×2×2，填充类型为全0填充，输出特征图数量为128；第三多尺度卷积模块的第二分支的第二层为三维卷积网络层，卷积核大小为3×3×3，卷积步长为2×2×2，填充类型为全0填充，输出特征图数量为128；第三多尺度卷积模块的第三分支的第二层和第三层都为三维卷积网络层，卷积核大小为3×3×3，卷积步长为2×2×2，填充类型为全0填充，输出特征图数量为128；所述第二多尺度卷积神经模块的第一分支、第二分支及第三分支并联在一起输出，特征图数量为384；
第二三维卷积神经网络模块的卷积核大小为1×1×1，步长为1×1×1，输出特征图数量为64；第三三维卷积神经网络模块的卷积层的卷积核大小为3×3×3，卷积步长为2×2×2，填充类型为全0填充，输出特征图数量为128，并将输出变换为1维向量；
第一全局均值池化模块用于输出第一多尺度卷积神经模块的每个特征图的输出值的均值，输出大小为96；第二全局均值池化模块用于输出第三多尺度卷积神经模块的每个特征图的输出值的均值，输出大小为384；
所述全连接层的节点数量为256个。
7.根据权利要求1所述的基于三维卷积神经网络的脑龄预测方法，其特征在于，所述预测方法还包括：
基于训练后的三维卷积神经网络及各测试样本集，得到针对各测试者的预测脑龄；
根据各预测脑龄及对应的生理年龄的差值的平方作为优化目标，采用梯度下降的反向传播方法对所述训练后的三维卷积神经网络进行优化，以更新训练后的三维卷积神经网络；其中，
所述优化目标的损失函数为：
其中，y为各测试者的预测脑龄，
为各测试者真实的生理年龄。
8.一种基于三维卷积神经网络的脑龄预测系统，其特征在于，所述预测系统包括：
采集单元，用于采集历史样本集，所述历史样本集包括多对历史结构磁共振影像数据及对应测试者的生理年龄，所述历史样本集分为训练样本集及测试样本集；
预处理单元，用于对所述训练样本集中的各所述历史结构磁共振影像数据预处理，得到对应的处理图像；
训练单元，用于根据各处理图像及对应测试者的生理年龄，对三维卷积神经网络进行训练，得到训练后的三维卷积神经网络；
获取单元，用于获取当前测试者的当前结构磁共振影像数据；
确定单元，用于基于训练后的三维卷积神经网络，根据所述当前结构磁共振影像数据，确定当前测试者的脑龄情况。
9.一种基于三维卷积神经网络的脑龄预测系统，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
采集历史样本集，所述历史样本集包括多对历史结构磁共振影像数据及对应测试者的生理年龄，所述历史样本集分为训练样本集及测试样本集；
对所述训练样本集中的各所述历史结构磁共振影像数据预处理，得到对应的处理图像；
根据各处理图像及对应测试者的生理年龄，对三维卷积神经网络进行训练，得到训练后的三维卷积神经网络；
获取当前测试者的当前结构磁共振影像数据；
基于训练后的三维卷积神经网络，根据所述当前结构磁共振影像数据，确定当前测试者的脑龄情况。
10.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：
采集历史样本集，所述历史样本集包括多对历史结构磁共振影像数据及对应测试者的生理年龄，所述历史样本集分为训练样本集及测试样本集；
对所述训练样本集中的各所述历史结构磁共振影像数据预处理，得到对应的处理图像；
根据各处理图像及对应测试者的生理年龄，对三维卷积神经网络进行训练，得到训练后的三维卷积神经网络；
获取当前测试者的当前结构磁共振影像数据；
基于训练后的三维卷积神经网络，根据所述当前结构磁共振影像数据，确定当前测试者的脑龄情况。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911262846.1A CN110969614B (zh) | 2019-12-11 | 2019-12-11 | 基于三维卷积神经网络的脑龄预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911262846.1A CN110969614B (zh) | 2019-12-11 | 2019-12-11 | 基于三维卷积神经网络的脑龄预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110969614A true CN110969614A (zh) | 2020-04-07 |
| CN110969614B CN110969614B (zh) | 2024-03-29 |
Family
ID=70033689
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911262846.1A Active CN110969614B (zh) | 2019-12-11 | 2019-12-11 | 基于三维卷积神经网络的脑龄预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110969614B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113378898A (zh) * | 2021-05-28 | 2021-09-10 | 南通大学 | 基于相对熵损失函数卷积神经网络的脑龄预测方法 |
| CN113892936A (zh) * | 2021-09-24 | 2022-01-07 | 天津大学 | 一种基于全卷积神经网络的可解释脑龄预测方法 |
| CN117393167A (zh) * | 2023-12-11 | 2024-01-12 | 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 |
| CN117671284A (zh) * | 2023-12-06 | 2024-03-08 | 广州科松医疗智能科技有限公司 | 侵入性胎盘植入影像特征ai智能提取系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018005820A1 (en) * | 2016-06-29 | 2018-01-04 | The University Of North Carolina At Chapel Hill | Methods, systems, and computer readable media for utlizing brain structural characteristics for predicting a diagnosis of a neurobehavioral disorder |
| 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 |
| CN109165667A (zh) * | 2018-07-06 | 2019-01-08 | 中国科学院自动化研究所 | 基于自注意力机制的脑疾病分类系统 |
| 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 |
| CN110555828A (zh) * | 2019-08-08 | 2019-12-10 | 北京深睿博联科技有限责任公司 | 基于3d卷积神经网络的脑龄预测方法及装置 |
-
2019
- 2019-12-11 CN CN201911262846.1A patent/CN110969614B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018005820A1 (en) * | 2016-06-29 | 2018-01-04 | The University Of North Carolina At Chapel Hill | Methods, systems, and computer readable media for utlizing brain structural characteristics for predicting a diagnosis of a neurobehavioral disorder |
| CN109165667A (zh) * | 2018-07-06 | 2019-01-08 | 中国科学院自动化研究所 | 基于自注意力机制的脑疾病分类系统 |
| 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 |
| 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 |
| CN110555828A (zh) * | 2019-08-08 | 2019-12-10 | 北京深睿博联科技有限责任公司 | 基于3d卷积神经网络的脑龄预测方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| JAMES H. COLE ET AL.: "Predicting brain age with deep learning from raw imaging data results in a reliable and heritable biomarker", 《NEUROIMAGE》 * |
| 李绮焯: "基于多模态磁共振图像的脑龄预测研究", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113378898A (zh) * | 2021-05-28 | 2021-09-10 | 南通大学 | 基于相对熵损失函数卷积神经网络的脑龄预测方法 |
| CN113892936A (zh) * | 2021-09-24 | 2022-01-07 | 天津大学 | 一种基于全卷积神经网络的可解释脑龄预测方法 |
| CN113892936B (zh) * | 2021-09-24 | 2023-08-18 | 天津大学 | 一种基于全卷积神经网络的可解释脑龄预测方法 |
| CN117671284A (zh) * | 2023-12-06 | 2024-03-08 | 广州科松医疗智能科技有限公司 | 侵入性胎盘植入影像特征ai智能提取系统 |
| CN117671284B (zh) * | 2023-12-06 | 2024-04-30 | 广州科松医疗智能科技有限公司 | 侵入性胎盘植入影像特征ai智能提取系统 |
| CN117393167A (zh) * | 2023-12-11 | 2024-01-12 | 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 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110969614B (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110969614B (zh) | 基于三维卷积神经网络的脑龄预测方法及系统 | |
| CN110097968B (zh) | 基于静息态功能磁共振影像的婴儿脑龄预测方法、系统 | |
| CN111754520B (zh) | 一种基于深度学习的脑血肿分割方法及系统 | |
| CN109285152B (zh) | 一种医学图像处理系统、装置和计算机可读存储介质 | |
| CN109770903A (zh) | 功能磁共振影像的分类预测方法、系统、装置 | |
| CN106971410A (zh) | 一种基于深度学习的白质纤维束重建方法 | |
| CN112465905A (zh) | 基于深度学习的磁共振成像数据的特征脑区定位方法 | |
| CN105842642A (zh) | 基于峰度张量分数各向异性微结构特征提取方法与装置 | |
| CN111461233A (zh) | 一种基于MDCLSTM-LDenseNet网络的核磁共振图像自动分类方法及装置 | |
| CN111445546A (zh) | 图像重建方法、装置、电子设备、存储介质 | |
| CN112102259A (zh) | 一种基于边界引导深度学习的图像分割算法 | |
| US20220117552A1 (en) | Artificial neural network-based nuclear magnetic resonance and magnetic resonance spectroscopy data processing method and apparatus thereof | |
| CN114255291A (zh) | 用于磁共振参数定量成像的重建方法、系统 | |
| CN110801228B (zh) | 一种基于神经网络预测的脑效应连接度量方法 | |
| CN112581385A (zh) | 基于多先验约束扩散峰度成像张量估计方法、介质和设备 | |
| CN109118526B (zh) | 一种基于虚拟现实的老年痴呆图像分析系统及分析方法 | |
| CN105654527A (zh) | 一种基于结构化字典学习的磁共振成像重建方法和装置 | |
| CN113378898B (zh) | 基于相对熵损失函数卷积神经网络的脑龄预测方法 | |
| CN115359013A (zh) | 基于弥散张量成像及卷积神经网络的脑龄预测方法及系统 | |
| CN111445553B (zh) | 基于深度学习的体素内不相干运动成像加速方法及装置 | |
| CN113516641A (zh) | 基于深度学习的端对端脑影像数据处理方法及装置 | |
| CN111568421B (zh) | 大脑左右半球不对称性检测方法、系统、设备及存储介质 | |
| CN114266738A (zh) | 轻度脑损伤磁共振影像数据的纵向分析方法及系统 | |
| CN113553991A (zh) | 一种基于深度学习的舌象识别方法 | |
| CN110786839A (zh) | 瞬时无波形比值的生成方法、装置、设备及介质 |
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 |