CN111863247A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111863247A CN111863247A CN202010766590.4A CN202010766590A CN111863247A CN 111863247 A CN111863247 A CN 111863247A CN 202010766590 A CN202010766590 A CN 202010766590A CN 111863247 A CN111863247 A CN 111863247A
- Authority
- CN
- China
- Prior art keywords
- brain
- network
- age
- stage
- refining
- 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
- 210000004556 brain Anatomy 0.000 title claims abstract description 215
- 238000007670 refining Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 117
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000012795 verification Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 9
- 210000003625 skull Anatomy 0.000 claims description 9
- 230000036541 health Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 21
- 230000032683 aging Effects 0.000 description 13
- 238000013527 convolutional neural network Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000000605 extraction Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 210000004885 white matter Anatomy 0.000 description 2
- 102000000591 Tight Junction Proteins Human genes 0.000 description 1
- 108010002321 Tight Junction Proteins Proteins 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 210000003792 cranial nerve Anatomy 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 210000004884 grey matter Anatomy 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 210000001578 tight junction Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06T2207/10088—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Pathology (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种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。该大脑年龄预测方法包括:获取包括健康人的大脑结构磁共振影像、性别标签和真实年龄的训练样本集;构建两阶段级联精炼网络,其中第一阶段网络和第二阶段网络均为多尺度紧密连接网络;第一阶段网络的输出连接第二阶段网络的输入;基于训练样本集,采用反向传播算法及梯度下降算法对两阶段级联精炼网络进行训练,得到大脑年龄预测模型;采用交叉验证法对大脑年龄预测模型进行验证,得到验证后的大脑年龄预测模型;将测试集输入至验证后的大脑年龄预测模型中,得到大脑年龄预测结果;测试集包括待测人的大脑结构磁共振影像和性别标签。本发明能提高大脑年龄的预测准确度。
Description
技术领域
本发明涉及大脑年龄预测技术领域,特别是涉及一种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。
背景技术
随着全球人口老龄化问题的日益严重,与老化有关的大脑疾病正在给社会造成越来越大的负担。而人类的大脑会随着年龄的增长而在结构上发生一些微妙的变化,这些变化会导致大脑在正常功能上产生退化,并与神经退行性等脑部疾病呈现出显著的相关性。基因、环境、疾病或受伤等原因可能会导致大脑的老化速率显著加快,需要提供一些方法来量化这种异常的大脑衰老速度,以评估当前大脑所处的衰老阶段。
人工智能方法可以利用大脑结构磁共振影像建立一个大脑老化的预测模型,以此对老年人的年龄进行预测,由模型预测出的年龄我们称之为“大脑年龄”。大脑年龄可以表明当前大脑所处的老化阶段,甚至可以预测未来的相关疾病的风险。由健康老年人影像数据所建立的预测模型,实际上描述了一种正常的老年人大脑衰老轨迹,而利用大脑年龄与其真实年龄的差值,可以反映一个人偏离健康大脑老化轨迹的程度,反映了其大脑衰老的提前或延后程度。现已被证明,老年人大脑年龄与真实年龄差距越大,则其精神或身体出现问题的风险越高,也更容易早逝。在临床上,医生可使用这一指标,评估老年人的大脑衰老程度,并采取相应的干预措施。
目前以结构磁共振影像预测大脑年龄的方法,主要以传统机器学习方法为主。在建立预测模型时,需要对大脑结构磁共振影像进行大量的预处理及特征提取工作。目前,常用于大脑年龄预测的特征有:灰度密度图(Grey matter densitymap,GMD)、白质密度图(White matterdensitymap,WMD)、白质体积、皮层厚度、网络特征参数等。提取的特征维度可能从数十维到上百维。因此,在利用传统机器学习方法建立大脑年龄预测模型过程中,往往需要进行特征选择或特征降维等步骤。例如,基于GMD特征、高斯回归过程、支持向量机等机器学习模型可用于预测大脑年龄,但由于基于GMD的模型具有特征维度高的缺点,所构建的模型容易过拟合,泛化能力差。另外,图像特征的提取易受到诸多因素的影响,例如:在GMD特征生成过程中就涉及图像平滑、体素大小等可选参数,这些参数对特征提取乃至大脑年龄预测的结果都有很大的影响。
此外,卷积神经网络正被尝试用于大脑年龄预测中,该方法同样存在几点不足:(1)结构磁共振影像不同于自然图像,它是一种三维的图像,而且训练样本量远小于自然图像,因此这对于卷积神经网络的结构提出了较高的挑战,要求卷积神经网络能对磁共振影像中所包含的信息进行充分的提取和利用。而目前应用于大脑年龄预测任务的卷积神经网络均过于传统,仅使用了卷积+池化+全连接的结构,对特征的提取及利用效率都有待提高。(2)在使用反向传播算法对卷积神经网络中的大量参数进行优化的过程中,现有方法仅使用每个样本真实年龄与预测大脑年龄的均值绝对误差(MAE)或均方误差(MSE)作为损失函数。因此,基于传统的卷积神经网络的大脑年龄预测方法存在预测准确性低的问题。
发明内容
基于此,有必要提供一种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,以提高大脑年龄的预测准确度。
为实现上述目的,本发明提供了如下方案:
一种基于结构磁共振影像的大脑年龄级联精炼预测方法,包括:
获取训练样本集;所述训练样本集包括健康人的大脑结构磁共振影像、性别标签和真实年龄;所述健康人为身体状况达到设定健康标准的人;
构建两阶段级联精炼网络;所述两阶段级联精炼网络包括第一阶段网络和第二阶段网络;所述第一阶段网络和所述第二阶段网络均为多尺度紧密连接网络;所述第一阶段网络的输出连接所述第二阶段网络的输入;
基于所述训练样本集,采用反向传播算法及梯度下降算法对所述两阶段级联精炼网络进行训练,得到大脑年龄预测模型;
采用交叉验证法对所述大脑年龄预测模型进行验证,得到验证后的大脑年龄预测模型;
将测试集输入至所述验证后的大脑年龄预测模型中,得到大脑年龄预测结果;所述测试集包括待测人的大脑结构磁共振影像和性别标签。
可选的,所述基于所述训练样本集,采用反向传播算法及梯度下降算法对所述两阶段级联精炼网络进行训练,得到大脑年龄预测模型,具体包括:
将所述训练样本集中的健康人的大脑结构磁共振影像和性别标签作为输入,所述训练样本集中的健康人的真实年龄作为输出,以总损失函数最小为目标,采用反向传播算法及梯度下降算法对所述两阶段级联精炼网络中的第一阶段网络进行训练,得到训练好的第一阶段网络;所述总损失函数包括均方差误差、年龄差损失和排序损失;
对所述两阶段级联精炼网络中的第一阶段网络的输出结果进行离散化,得到离散化的大脑年龄;
将所述离散化的大脑年龄、所述训练样本集中的健康人的大脑结构磁共振影像和性别标签作为输入,所述训练样本集中的健康人的真实年龄作为输出,以总损失函数最小为目标,采用反向传播算法及梯度下降算法对所述两阶段级联精炼网络中的第二阶段网络进行训练,得到训练好的第二阶段网络;所述训练好的第一阶段网络和所述训练好的第二阶段网络构成大脑年龄预测模型。
可选的,所述对所述两阶段级联精炼网络中的第一阶段网络的输出结果进行离散化,得到离散化的大脑年龄,具体包括:
根据公式
对所述两阶段级联精炼网络中的第一阶段网络的输出结果进行离散化,得到离散化的大脑年龄;其中,为离散化的大脑年龄,为第一阶段网络的输出结果,δd为离散化步长,Round为按照小数位数进行四舍五入的运算函数。
可选的,所述年龄差损失为
其中,yi为训练样本集中第i个样本的真实年龄,yj为训练样本集中第j个样本的真实年龄,yi-yj为第i个样本与第j个样本之间的真实年龄差值,为训练样本集中第i个样本的大脑年龄预测值,为训练样本集中第j个样本的的大脑年龄预测值,NP为训练样本集中配对样本(i,j)的个数;
所述排序损失为
可选的,在所述获取训练样本集之后,还包括:
对所述训练样本集进行预处理;所述预处理包括图像非线性配准、头骨剥离以及图像数据标准化。
本发明还提供了一种基于结构磁共振影像的大脑年龄级联精炼预测系统,包括:
训练集获取模块,用于获取训练样本集;所述训练样本集包括健康人的大脑结构磁共振影像、性别标签和真实年龄;所述健康人为身体状况达到设定健康标准的人;
网络模型构建模块,用于构建两阶段级联精炼网络;所述两阶段级联精炼网络包括第一阶段网络和第二阶段网络;所述第一阶段网络和所述第二阶段网络均为多尺度紧密连接网络;所述第一阶段网络的输出连接所述第二阶段网络的输入;
训练模块,用于基于所述训练样本集,采用反向传播算法及梯度下降算法对所述两阶段级联精炼网络进行训练,得到大脑年龄预测模型;
验证模块,用于采用交叉验证法对所述大脑年龄预测模型进行验证,得到验证后的大脑年龄预测模型;
预测模块,用于将测试集输入至所述验证后的大脑年龄预测模型中,得到大脑年龄预测结果;所述测试集包括待测人的大脑结构磁共振影像和性别标签。
可选的,所述训练模块,具体包括:
第一训练单元,用于将所述训练样本集中的健康人的大脑结构磁共振影像和性别标签作为输入,所述训练样本集中的健康人的真实年龄作为输出,以总损失函数最小为目标,采用反向传播算法及梯度下降算法对所述两阶段级联精炼网络中的第一阶段网络进行训练,得到训练好的第一阶段网络;所述总损失函数包括均方差误差、年龄差损失和排序损失;
离散化单元,用于对所述两阶段级联精炼网络中的第一阶段网络的输出结果进行离散化,得到离散化的大脑年龄;
第二训练单元,用于将所述离散化的大脑年龄、所述训练样本集中的健康人的大脑结构磁共振影像和性别标签作为输入,所述训练样本集中的健康人的真实年龄作为输出,以总损失函数最小为目标,采用反向传播算法及梯度下降算法对所述两阶段级联精炼网络中的第二阶段网络进行训练,得到训练好的第二阶段网络;所述训练好的第一阶段网络和所述训练好的第二阶段网络构成大脑年龄预测模型。
可选的,所述离散化单元,具体包括:
离散子单元,用于根据公式
对所述两阶段级联精炼网络中的第一阶段网络的输出结果进行离散化,得到离散化的大脑年龄;其中,为离散化的大脑年龄,为第一阶段网络的输出结果,δd为离散化步长,Round为按照小数位数进行四舍五入的运算函数。
可选的,所述年龄差损失为
其中,yi为训练样本集中第i个样本的真实年龄,yj为训练样本集中第j个样本的真实年龄,yi-yj为第i个样本与第j个样本之间的真实年龄差值,为训练样本集中第i个样本的大脑年龄预测值,为训练样本集中第j个样本的的大脑年龄预测值,NP为训练样本集中配对样本(i,j)的个数;
所述排序损失为
可选的,所述基于结构磁共振影像的大脑年龄级联精炼预测系统,还包括:
预处理模块,用于对所述训练样本集进行预处理;所述预处理包括图像非线性配准、头骨剥离以及图像数据标准化。
与现有技术相比,本发明的有益效果是:
本发明提出了一种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,所述基于结构磁共振影像的大脑年龄级联精炼预测方法提出了一种两阶段级联精炼网络(Two-stage-refine-net,TSRN),其中第一阶段网络用于粗略的预测出大脑年龄,而第二阶段网络则是在第一阶段预测结果的基础上进行精炼预测,从而达到更精准的预测效果;在TSRN中的两阶段网络使用了多尺度紧密连接(ScaleDense)网络,通过在不同尺度之间建立紧密连接,提高了特征的利用效率;将性别因素作为输入变量,而性别因素同样会对大脑体积、结构等造成细微的不同,这样也进一步提高了大脑年龄的预测准确度。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于结构磁共振影像的大脑年龄级联精炼预测方法的流程图;
图2为本发明实施例提供的两阶段级联精炼网络的结构示意图;
图3为本发明实施例提供的多尺度紧密连接(ScaleDense)网络结构的卷积部分的结构示意图;
图4为本发明实施例提供的第一阶段网络的结构示意图;
图5为本发明实施例提供的第二阶段网络的结构示意图;
图6为本发明实施例提供的基于结构磁共振影像的大脑年龄级联精炼预测系统的结构示意图。
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。
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。
本实施例提供的基于结构磁共振影像的大脑年龄级联精炼预测方法,通过级联形式的卷积神经网络,基于结构磁共振影像对待测人(例如老年人)的大脑年龄进行预测。该方法将卷积神经网络视作一种高维特征提取器,对复杂的大脑结构磁共振影像的特征信息进行分层次表征描述,先表示出底层的特征,然后将这些低层特征组合得到更为细致丰富的高层特征进行表达,高效地提炼出有效特征,以此评估当前大脑所处的衰老阶段,即“大脑年龄”。
图1为本发明实施例提供的基于结构磁共振影像的大脑年龄级联精炼预测方法的流程图。该方法借助卷积神经网络的特征提取能力,使用Pytorch深度学习框架,构建卷积神经网络模型(两阶段级联精炼网络TSRN)。该模型能高效地学习老年人大脑神经影像中潜在特征与实际年龄的之间的联系,以此来预测老年人的大脑年龄。参见图1,本实施例的基于结构磁共振影像的大脑年龄级联精炼预测方法,包括:
步骤101:获取训练样本集;所述训练样本集包括健康人的大脑结构磁共振影像、性别标签和真实年龄;所述健康人为身体状况达到设定健康标准的人。所述大脑结构磁共振影像选取公开数据集中的健康老年人的T1结构磁共振影像。
步骤102:构建两阶段级联精炼网络;所述两阶段级联精炼网络包括第一阶段网络和第二阶段网络;所述第一阶段网络和所述第二阶段网络均为多尺度紧密连接网络;所述第一阶段网络的输出连接所述第二阶段网络的输入。
步骤103:基于所述训练样本集,采用反向传播算法及梯度下降算法对所述两阶段级联精炼网络进行训练,得到大脑年龄预测模型。
图2为本发明实施例提供的两阶段级联精炼网络的结构示意图,参见图2,在两阶段级联精炼网络中,第一阶段网络通过已知的大脑结构磁共振影像和性别标签,预测出样本的大脑年龄;然后将预测得到的大脑年龄以步长δd进行离散化处理;再将离散化后的大脑年龄作为一个输入,输入到两阶段级联精炼网络中第二阶段网络中,从而得到更对精确的大脑年龄预测结果。在优化训练大脑年龄预测模型时,除了采用真实年龄和大脑年龄之间的均方误差作为损失函数外,还提出了年龄差损失和排序损失两种损失函数用于优化网络模型,以提高预测准确度。
所述步骤103,具体包括:
(1)将所述训练样本集中的健康人的大脑结构磁共振影像和性别标签作为输入,所述训练样本集中的健康人的真实年龄作为输出,以总损失函数最小为目标,采用反向传播算法及梯度下降算法对所述两阶段级联精炼网络中的第一阶段网络进行训练,得到训练好的第一阶段网络。所述训练好的第一阶段网络为预测精度高、泛化性能强的模型。所述总损失函数包括均方差误差、年龄差损失和排序损失,具体的,所述总损失函数是将均方差误差、年龄差损失和排序损失按照1:1:10的比例相加而成。
(2)对所述两阶段级联精炼网络中的第一阶段网络的输出结果进行离散化,得到离散化的大脑年龄。其中,离散化的具体公式为:
(3)将所述离散化的大脑年龄、所述训练样本集中的健康人的大脑结构磁共振影像和性别标签作为输入,所述训练样本集中的健康人的真实年龄作为输出,以总损失函数最小为目标,采用反向传播算法及梯度下降算法对所述两阶段级联精炼网络中的第二阶段网络进行训练,得到训练好的第二阶段网络;所述训练好的第二阶段网络为预测精度高、泛化性能强的模型。所述训练好的第一阶段网络和所述训练好的第二阶段网络构成大脑年龄预测模型。
其中,所述年龄差损失为
其中,yi为训练样本集中第i个样本的真实年龄,yj为训练样本集中第j个样本的真实年龄,yi-yj为第i个样本与第j个样本之间的真实年龄差值,为训练样本集中第i个样本的大脑年龄预测值,为训练样本集中第j个样本的的大脑年龄预测值,NP为训练样本集中配对样本(i,j)的个数;
所述排序损失为
步骤104:采用交叉验证法对所述大脑年龄预测模型进行验证,得到验证后的大脑年龄预测模型。具体的,利用交叉验证法大脑年龄预测模型进行验证,调整大脑年龄预测模型在训练中的超参数,得到验证后的大脑年龄预测模型。最终,验证后的大脑年龄预测模型在测试集上的预测结果的均值绝对误差能达到2.43岁。
步骤105:将测试集输入至所述验证后的大脑年龄预测模型中,得到大脑年龄预测结果;所述测试集包括待测人的大脑结构磁共振影像和性别标签。
最后由待测人的大脑年龄预测结果,可计算待测人的大脑年龄和真实年龄的差值,以此可评估待测人当前大脑偏离健康大脑衰老轨迹的程度。
本实施例中,大脑年龄预测模型中的多尺度紧密连接(ScaleDense)网络使用固定大小的三维大脑T1权重结构磁共振影像数据及性别标签作为输入。这个CNN架构(多尺度紧密连接网络)包含五个重复的卷积块(Convolutional Block),每个卷积块包含两个完全相同的非对称卷积单元(Asymmetric ConvolutionalUnit)和一个步长为2尺寸为2×2×2的最大池化层。非对称卷积单元包括四个卷积层,其卷积核尺寸分别为3×3×3,3×1×1,1×3×1,1×1×3,经四个卷积层计算得到特征映射经批标准化层(BatchNormalizationlayer)后再相加。在第一个卷积块中,特征通道的数量被设置为8,并在进入到下一个卷积块之后对其进行加倍,以推断出一个足够丰富的大脑信息表征。
另外,为缓解梯度消失问题,提高特征的利用效率,基于DenseNet,将不同卷积块所学习到的特征映射串联起来,增加了后续层输入的变量,提高了网络的特征利用效率及学习效果。每个卷积块都将综合之前所有卷积块输出特征映射的信息以作输入。由于不同卷积块输出特征映射的尺寸是不同的,所以首先使用最大池化层的方式将特征映射进行下采样,改变其尺寸,然后再将其与其他卷积块输出的特征映射串联成一个单独的张量,作为当前卷积块的输入。并在最后一个卷积块结束后,使用全局平均池化层(Global averagepooling),将特征映射矢量化为一个特征向量。最后的年龄预测是使用一个一维卷积层加上ReLU激活函数,它将全局平均池化得到的特征向量映射到一个单独的输出值。ScaleDense网络结构的卷积部分示意图如图3所示。
对于TSRN中第一阶段网络,输入为大脑结构磁共振影像和性别标签两部分,大脑结构磁共振影像经多尺度紧密连接(ScaleDense)块处理后得到一个128维的特征向量,而性别标签经过32、16维两层全连接层后,与影像特征向量连接到一起,再经40、16维全连接层计算后输出预测大脑年龄。第一阶段网络的结构示意图如图4所示。
而对于TSRN中的第二阶段网络,其输入包括三部分,分别为大脑结构磁共振影像、性别标签以及离散化后的第一阶段网络预测的大脑年龄。对大脑结构磁共振影像和性别标签的处理方式同第一阶段,而不同的是,此时多尺度紧密连接(ScaleDense)块的输出和离散化大脑年龄相加后得到精炼预测后的大脑年龄,第二阶段网络的结构示意图如图5所示。
作为一种可选的实施方式,在步骤101之后,还包括:
对所述训练样本集进行预处理;所述预处理包括图像非线性配准、头骨剥离以及图像数据标准化。具体的,图像配准包括:将输入的大脑结构磁共振影像执行非线性配准操作;头骨剥离包括:通过预先设定阈值获取已配准后的大脑结构磁共振影像的头骨剥离图像;图像数据标准化包括:计算经过头骨剥离后的大脑轮廓内体素的平均值和标准差,将大脑轮廓内体素进行高斯标准化。对原始输入的大脑结构磁共振影像进行预处理操作,一方面可以提高深度学方法预测大脑年龄的预测精度,另一方面加快了处理分析的速度,具有高效性与易用性。此外,对训练样本集中的性别标签还可以进行独热编码处理。
本实施例的基于结构磁共振影像的大脑年龄级联精炼预测方法具有以下优点:
(1)提出了一种两阶段级联精炼网络TSRN,其中第一阶段网络用于粗略的预测出大脑年龄,而第二阶段网络则是在第一阶段预测结果的基础上进行精炼预测,从而达到更精准的预测效果。
(2)除了使用均方误差(MSE)作为损失函数以外,还提出两种排序损失来训练TSRN网络。其中,第一个损失函数被称为“年龄差损失”,定义为两个样本之间真实年龄差和预测大脑年龄差的均方误差。第二个损失函数被称为“排序损失”,定义为一组样本之间真实年龄排序和预测大脑年龄排序的斯皮尔曼相关系数。这样能够得到预测精准度更高的网络,能够提高大脑年龄的预测准确度。
(3)在TSRN中的两阶段网络使用了多尺度紧密连接网络机制ScaleDense,通过在不同尺度之间建立紧密连接,提高了特征的利用效率。
(4)将性别因素作为输入变量,而性别因素同样会对大脑体积、结构等造成细微的不同,这样也能够进一步提高大脑年龄的预测准确度。
本发明还提供了一种基于结构磁共振影像的大脑年龄级联精炼预测系统,图6为本发明实施例提供的基于结构磁共振影像的大脑年龄级联精炼预测系统的结构示意图。参见图6,所述基于结构磁共振影像的大脑年龄级联精炼预测系统包括:
训练集获取模块201,用于获取训练样本集;所述训练样本集包括健康人的大脑结构磁共振影像、性别标签和真实年龄;所述健康人为身体状况达到设定健康标准的人。
网络模型构建模块202,用于构建两阶段级联精炼网络;所述两阶段级联精炼网络包括第一阶段网络和第二阶段网络;所述第一阶段网络和所述第二阶段网络均为多尺度紧密连接网络;所述第一阶段网络的输出连接所述第二阶段网络的输入。
训练模块203,用于基于所述训练样本集,采用反向传播算法及梯度下降算法对所述两阶段级联精炼网络进行训练,得到大脑年龄预测模型。
验证模块204,用于采用交叉验证法对所述大脑年龄预测模型进行验证,得到验证后的大脑年龄预测模型。
预测模块205,用于将测试集输入至所述验证后的大脑年龄预测模型中,得到大脑年龄预测结果;所述测试集包括待测人的大脑结构磁共振影像和性别标签。
作为一种可选的实施方式,所述训练模块203,具体包括:
第一训练单元,用于将所述训练样本集中的健康人的大脑结构磁共振影像和性别标签作为输入,所述训练样本集中的健康人的真实年龄作为输出,以总损失函数最小为目标,采用反向传播算法及梯度下降算法对所述两阶段级联精炼网络中的第一阶段网络进行训练,得到训练好的第一阶段网络;所述总损失函数包括均方差误差、年龄差损失和排序损失。
离散化单元,用于对所述两阶段级联精炼网络中的第一阶段网络的输出结果进行离散化,得到离散化的大脑年龄。
第二训练单元,用于将所述离散化的大脑年龄、所述训练样本集中的健康人的大脑结构磁共振影像和性别标签作为输入,所述训练样本集中的健康人的真实年龄作为输出,以总损失函数最小为目标,采用反向传播算法及梯度下降算法对所述两阶段级联精炼网络中的第二阶段网络进行训练,得到训练好的第二阶段网络;所述训练好的第一阶段网络和所述训练好的第二阶段网络构成大脑年龄预测模型。
作为一种可选的实施方式,所述离散化单元,具体包括:
离散子单元,用于根据公式
对所述两阶段级联精炼网络中的第一阶段网络的输出结果进行离散化,得到离散化的大脑年龄;其中,离散化的大脑年龄,为第一阶段网络的输出结果,δd为离散化步长,Round为按照小数位数进行四舍五入的运算函数。
作为一种可选的实施方式,所述年龄差损失为
其中,yi为训练样本集中第i个样本的真实年龄,yj为训练样本集中第j个样本的真实年龄,yi-yj为第i个样本与第j个样本之间的真实年龄差值,为训练样本集中第i个样本的大脑年龄预测值,为训练样本集中第j个样本的的大脑年龄预测值,NP为训练样本集中配对样本(i,j)的个数。
所述排序损失为
作为一种可选的实施方式,所述基于结构磁共振影像的大脑年龄级联精炼预测系统,还包括:
预处理模块,用于对所述训练样本集进行预处理;所述预处理包括图像非线性配准、头骨剥离以及图像数据标准化。
本实施例的基于结构磁共振影像的大脑年龄级联精炼预测系统,大脑年龄的预测精准度高、特征的利用效率高。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于结构磁共振影像的大脑年龄级联精炼预测方法,其特征在于,包括:
获取训练样本集;所述训练样本集包括健康人的大脑结构磁共振影像、性别标签和真实年龄;所述健康人为身体状况达到设定健康标准的人;
构建两阶段级联精炼网络;所述两阶段级联精炼网络包括第一阶段网络和第二阶段网络;所述第一阶段网络和所述第二阶段网络均为多尺度紧密连接网络;所述第一阶段网络的输出连接所述第二阶段网络的输入;
基于所述训练样本集,采用反向传播算法及梯度下降算法对所述两阶段级联精炼网络进行训练,得到大脑年龄预测模型;
采用交叉验证法对所述大脑年龄预测模型进行验证,得到验证后的大脑年龄预测模型;
将测试集输入至所述验证后的大脑年龄预测模型中,得到大脑年龄预测结果;所述测试集包括待测人的大脑结构磁共振影像和性别标签。
2.根据权利要求1所述的一种基于结构磁共振影像的大脑年龄级联精炼预测方法,其特征在于,所述基于所述训练样本集,采用反向传播算法及梯度下降算法对所述两阶段级联精炼网络进行训练,得到大脑年龄预测模型,具体包括:
将所述训练样本集中的健康人的大脑结构磁共振影像和性别标签作为输入,所述训练样本集中的健康人的真实年龄作为输出,以总损失函数最小为目标,采用反向传播算法及梯度下降算法对所述两阶段级联精炼网络中的第一阶段网络进行训练,得到训练好的第一阶段网络;所述总损失函数包括均方差误差、年龄差损失和排序损失;
对所述两阶段级联精炼网络中的第一阶段网络的输出结果进行离散化,得到离散化的大脑年龄;
将所述离散化的大脑年龄、所述训练样本集中的健康人的大脑结构磁共振影像和性别标签作为输入,所述训练样本集中的健康人的真实年龄作为输出,以总损失函数最小为目标,采用反向传播算法及梯度下降算法对所述两阶段级联精炼网络中的第二阶段网络进行训练,得到训练好的第二阶段网络;所述训练好的第一阶段网络和所述训练好的第二阶段网络构成大脑年龄预测模型。
5.根据权利要求1所述的一种基于结构磁共振影像的大脑年龄级联精炼预测方法,其特征在于,在所述获取训练样本集之后,还包括:
对所述训练样本集进行预处理;所述预处理包括图像非线性配准、头骨剥离以及图像数据标准化。
6.一种基于结构磁共振影像的大脑年龄级联精炼预测系统,其特征在于,包括:
训练集获取模块,用于获取训练样本集;所述训练样本集包括健康人的大脑结构磁共振影像、性别标签和真实年龄;所述健康人为身体状况达到设定健康标准的人;
网络模型构建模块,用于构建两阶段级联精炼网络;所述两阶段级联精炼网络包括第一阶段网络和第二阶段网络;所述第一阶段网络和所述第二阶段网络均为多尺度紧密连接网络;所述第一阶段网络的输出连接所述第二阶段网络的输入;
训练模块,用于基于所述训练样本集,采用反向传播算法及梯度下降算法对所述两阶段级联精炼网络进行训练,得到大脑年龄预测模型;
验证模块,用于采用交叉验证法对所述大脑年龄预测模型进行验证,得到验证后的大脑年龄预测模型;
预测模块,用于将测试集输入至所述验证后的大脑年龄预测模型中,得到大脑年龄预测结果;所述测试集包括待测人的大脑结构磁共振影像和性别标签。
7.根据权利要求6所述的一种基于结构磁共振影像的大脑年龄级联精炼预测系统,其特征在于,所述训练模块,具体包括:
第一训练单元,用于将所述训练样本集中的健康人的大脑结构磁共振影像和性别标签作为输入,所述训练样本集中的健康人的真实年龄作为输出,以总损失函数最小为目标,采用反向传播算法及梯度下降算法对所述两阶段级联精炼网络中的第一阶段网络进行训练,得到训练好的第一阶段网络;所述总损失函数包括均方差误差、年龄差损失和排序损失;
离散化单元,用于对所述两阶段级联精炼网络中的第一阶段网络的输出结果进行离散化,得到离散化的大脑年龄;
第二训练单元,用于将所述离散化的大脑年龄、所述训练样本集中的健康人的大脑结构磁共振影像和性别标签作为输入,所述训练样本集中的健康人的真实年龄作为输出,以总损失函数最小为目标,采用反向传播算法及梯度下降算法对所述两阶段级联精炼网络中的第二阶段网络进行训练,得到训练好的第二阶段网络;所述训练好的第一阶段网络和所述训练好的第二阶段网络构成大脑年龄预测模型。
10.根据权利要求6所述的一种基于结构磁共振影像的大脑年龄级联精炼预测系统,其特征在于,还包括:
预处理模块,用于对所述训练样本集进行预处理;所述预处理包括图像非线性配准、头骨剥离以及图像数据标准化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010766590.4A CN111863247B (zh) | 2020-08-03 | 2020-08-03 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010766590.4A CN111863247B (zh) | 2020-08-03 | 2020-08-03 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111863247A true CN111863247A (zh) | 2020-10-30 |
CN111863247B CN111863247B (zh) | 2022-04-15 |
Family
ID=72952887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010766590.4A Active CN111863247B (zh) | 2020-08-03 | 2020-08-03 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111863247B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113936806A (zh) * | 2021-09-18 | 2022-01-14 | 复旦大学 | 脑刺激响应模型构建方法、响应方法、装置及电子设备 |
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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170095180A1 (en) * | 2014-06-03 | 2017-04-06 | Samsung Life Public Welfare Foundation | Biological brain age calculation device and calculation method therefor |
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 |
KR20190143510A (ko) * | 2018-06-04 | 2019-12-31 | 주식회사 딥바이오 | 투 페이스 질병 진단 시스템 및 그 방법 |
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 |
CN111134677A (zh) * | 2020-02-14 | 2020-05-12 | 北京航空航天大学 | 一种基于磁共振影像的卒中致残预测方法及系统 |
-
2020
- 2020-08-03 CN CN202010766590.4A patent/CN111863247B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170095180A1 (en) * | 2014-06-03 | 2017-04-06 | Samsung Life Public Welfare Foundation | Biological brain age calculation device and calculation method therefor |
KR20190143510A (ko) * | 2018-06-04 | 2019-12-31 | 주식회사 딥바이오 | 투 페이스 질병 진단 시스템 및 그 방법 |
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 |
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 |
CN111134677A (zh) * | 2020-02-14 | 2020-05-12 | 北京航空航天大学 | 一种基于磁共振影像的卒中致残预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
GAO HUANG 等: "Densely Connected Convolutional Networks", 《2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113936806A (zh) * | 2021-09-18 | 2022-01-14 | 复旦大学 | 脑刺激响应模型构建方法、响应方法、装置及电子设备 |
CN113936806B (zh) * | 2021-09-18 | 2024-03-08 | 复旦大学 | 脑刺激响应模型构建方法、响应方法、装置及电子设备 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN111863247B (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113571203B (zh) | 多中心基于联邦学习的脑肿瘤预后生存期预测方法及系统 | |
CN111863247B (zh) | 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 | |
CN110020623B (zh) | 基于条件变分自编码器的人体活动识别系统及方法 | |
CN113421652B (zh) | 对医疗数据进行分析的方法、训练模型的方法及分析仪 | |
JP7276915B2 (ja) | 脳機能地図のサル-ヒト種間移行に基づいて精神疾患の個別的予測を行う方法およびシステム | |
CN109544518B (zh) | 一种应用于骨骼成熟度评估的方法及其系统 | |
WO2021115084A1 (zh) | 一种基于结构磁共振影像的大脑年龄深度学习预测系统 | |
CN109003270B (zh) | 一种图像处理方法、电子设备及存储介质 | |
Hashemi et al. | Delve into Multiple Sclerosis (MS) lesion exploration: A modified attention U-Net for MS lesion segmentation in Brain MRI | |
CN113688862B (zh) | 一种基于半监督联邦学习的脑影像分类方法及终端设备 | |
CN112927799B (zh) | 融合多示例学习和多任务深度影像组学的生存期分析系统 | |
CN111134677B (zh) | 一种基于磁共振影像的卒中致残预测方法及系统 | |
CN112233805B (zh) | 基于多图谱神经影像学数据进行生物标志物的挖掘方法 | |
CN116168035B (zh) | 一种脑熵的确定方法、系统、电子设备及存储介质 | |
CN116452593A (zh) | 血管性认知障碍的ai评估模型的构建方法、装置及系统 | |
CN116843667A (zh) | 一种基于多任务学习的脑影像分类及脑认知评分预测方法 | |
CN113096756B (zh) | 病情演变分类方法、装置、电子设备和存储介质 | |
CN116205915B (zh) | 一种基于掩码的大脑年龄评估方法、系统及电子设备 | |
CN114334162A (zh) | 疾病患者智能预后预测方法、装置、存储介质及设备 | |
CN113822323A (zh) | 脑部扫描图像的识别处理方法、装置、设备及存储介质 | |
CN112690774B (zh) | 一种基于磁共振影像的卒中复发预测方法和系统 | |
CN113782221A (zh) | 基于自训练学习的疾病预测装置、设备及存储介质 | |
CN111582404B (zh) | 内容分类方法、装置及可读存储介质 | |
CN111932523B (zh) | 一种基于脑成像大数据深度学习的性别分类器 | |
CN115831356B (zh) | 一种基于人工智能算法的辅助预测诊断方法 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230713 Address after: 811, 8th Floor, Building 1, No. 158 West Fourth Ring North Road, Haidian District, Beijing, 100142 Patentee after: Beijing Tianzhi Xunze Technology Co.,Ltd. Address before: 100191 No. 37, Haidian District, Beijing, Xueyuan Road Patentee before: BEIHANG University |