CN113221927B - 模型训练方法与电子装置 - Google Patents

模型训练方法与电子装置 Download PDF

Info

Publication number
CN113221927B
CN113221927B CN202010071863.3A CN202010071863A CN113221927B CN 113221927 B CN113221927 B CN 113221927B CN 202010071863 A CN202010071863 A CN 202010071863A CN 113221927 B CN113221927 B CN 113221927B
Authority
CN
China
Prior art keywords
brain
prediction model
age prediction
ages
images
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010071863.3A
Other languages
English (en)
Other versions
CN113221927A (zh
Inventor
谢成典
余春贤
黄士龢
郑孟哲
周坤贤
林庆波
陈亮恭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Acer Inc
National Yang Ming Chiao Tung University NYCU
Original Assignee
Acer Inc
National Yang Ming University NYMU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Acer Inc, National Yang Ming University NYMU filed Critical Acer Inc
Priority to CN202010071863.3A priority Critical patent/CN113221927B/zh
Publication of CN113221927A publication Critical patent/CN113221927A/zh
Application granted granted Critical
Publication of CN113221927B publication Critical patent/CN113221927B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明提供一种模型训练方法与电子装置。所述方法包括：根据训练集建立脑龄预测模型；根据验证集调整脑龄预测模型中的参数；将测试集输入至经调整参数后的脑龄预测模型以获得多个第一预测脑龄；判断第一预测脑龄是否符合第一特定条件；以及当第一预测脑龄符合第一特定条件时，完成脑龄预测模型的训练。

Description

模型训练方法与电子装置
技术领域
本发明涉及一种模型训练方法与电子装置，尤其涉及一种脑龄预测模型的模型训练方法与电子装置。
背景技术
精神疾病及神经退化性疾病皆会导致患者大脑产生加速退化的现像发生(例如，大脑灰质体积的加速萎缩)。在过去，临床医生对于大脑磁共振图像的判断皆仰赖所接受的医学专业训练，并根据长久累积的经验进行临床判读进而给予主观的诊断报告。然而，此主观的判读机制易受到医生经验及背景的不同，而产生不同的判读结果。此外，现行的判读机制亦无法提供一个具有高再现性的量化指标以清楚地描述患者大脑加速退化的确切现像。
发明内容
本发明提供一种模型训练方法与电子装置，可以自动且系统化的方式针对个体全脑变化情形进行评估以预测个体大脑年龄。
本发明提出一种模型训练方法，用于一电子装置，所述方法包括：根据一训练集(training set)建立一脑龄预测模型，其中所述训练集包括被识别为健康的多个第一人脑图像；根据一验证集(validation set)调整所述脑龄预测模型中的至少一参数，其中所述验证集包括被识别为健康的多个第二人脑图像；将一测试集(testing set)中被识别为不健康的多个第三人脑图像输入至经调整所述参数后的所述脑龄预测模型以获得分别对应所述多个第三人脑图像的多个第一预测脑龄；判断所述多个第一预测脑龄是否符合至少一第一特定条件；以及当所述多个第一预测脑龄符合所述第一特定条件时，完成所述脑龄预测模型的训练。
本发明提出一种电子装置，包括：输入电路与处理器。输入电路用以获得一训练集、一验证集以及一测试集，其中所述训练集包括被识别为健康的多个第一人脑图像，所述验证集包括被识别为健康的多个第二人脑图像且所述测试集包括被识别为不健康的多个第三人脑图像。处理器耦接至所述输入电路并用以执行下述运作：根据所述训练集建立一脑龄预测模型。根据所述验证集调整所述脑龄预测模型中的至少一参数。将所述多个第三人脑图像输入至经调整所述参数后的所述脑龄预测模型以获得分别对应所述多个第三人脑图像的多个第一预测脑龄。判断所述多个第一预测脑龄是否符合至少一第一特定条件。当所述多个第一预测脑龄符合所述第一特定条件时，完成所述脑龄预测模型的训练。
基于上述，本发明所提出的模型训练方法与电子装置是用以执行以全脑结构共变网络(structural covariance network)为基础的自动化脑年龄(brain age)预测。本发明的模型训练方法与电子装置通过从大脑磁振图像数据中提取灰质体积结构共变网络的特征，并导入数种机器学习算法，以自动且系统化的方式针对个体全脑变化情形进行评估以预测个体大脑年龄。通过本发明的模型训练方法所产生的模型，将可用以协助临床人员客观地了解个体大脑退化情形，并进一步协助临床疾病的诊断及作为生物指标之用。
附图说明
包含附图以便进一步理解本发明，且附图并入本说明书中并构成本说明书的一部分。附图说明本发明的实施例，并与描述一起用于解释本发明的原理。
图1是依照本发明的一实施例的一种模型训练方法的示意图；
图2是依照本发明的一实施例的步骤S103的详细流程图；
图3是依照本发明的一实施例的步骤S105的详细流程图；
图4是依照本发明的一实施例的步骤S109的详细流程图；
图5是依照本发明的一实施例的使用深度学习网络建立脑龄预测模型的流程图；
图6是依照本发明的一实施例的使用深度学习网络建立脑龄预测模型的示意图。
具体实施方式
现将详细地参考本发明的示范性实施例，示范性实施例的实例说明于附图中。只要有可能，相同组件符号在附图和描述中用来表示相同或相似部分。
本发明的模型训练方法适用于一电子装置(未示出)。电子装置包括输入电路(未示出)与(未示出)。输入电路耦接至处理器。输入电路例如是用于从电子装置外部或其他来源取得相关数据的输入接口或电路，在此并不设限。
处理器可以是中央处理单元(Central Processing Unit，CPU)，或者其他可程序化的一般用途或特殊用途的转换器(微处理器)，数字信号处理器(Digital SignalProcessor，DSP)，可程序化控制器，特殊应用集成电路(Application SpecificIntegrated Circuit，ASIC)或其他类似元件或上述元件的组合。
此外，电子装置还可以包括存储电路(未示出)。存储电路可以是任何型态的固定或可移动随机存取存储器(random access memory，RAM)、只读存储器(read-only memory，ROM)、闪存(flash memory)或类似组件或上述组件的组合。
在本范例实施例中，电子装置的存储电路中存储有多个代码段，在上述代码段被安装后，会由处理器来执行。例如，存储电路中包括多个模块，通过这些模块来分别执行应用于电子装置的各个运作，其中各模块是由一或多个代码段所组成。然而本发明不限于此，电子装置的各个运作也可以是使用其他硬件形式的方式来实现。
图1是依照本发明的一实施例的一种模型训练方法的示意图。
请参照图1，在步骤S101中，输入电路获得人脑图像。人脑图像可以是通过由磁共振成像(Magnetic Resonance Imaging，MRI)技术获得的T1加权图像或由其他技术所获得的人脑图像。特别是，步骤S101还可以分割为步骤S101a～步骤S101c。
详细来说，在步骤S101a中，处理器会获得训练集，此训练集会包括被识别为健康的多个人脑图像(亦称为，第一人脑图像)。在本实施例中，第一人脑图像的数量为八百，然而本发明并不用于限定第一人脑图像的数量。此外，“被识别为健康的人脑图像”例如是经医师诊断(或被判断为)没有患精神疾病及神经退化性疾病的人的人脑图像。需注意的是，训练集中的每一个第一人脑图像会被标记图像中的受测者的实际年龄，而健康的受测者的脑年龄可以相同(或接近)于受测者的实际年龄。
在步骤S101b中，处理器会获得验证集，此验证集会包括被识别为健康的多个人脑图像(亦称为，第二人脑图像)。在本实施例中，第二人脑图像的数量为一百，然而本发明并不用于限定第二人脑图像的数量。类似地，“被识别为健康的人脑图像”例如是经医师诊断(或被判断为)没有患精神疾病及神经退化性疾病的人的人脑图像。需注意的是，验证集中的每一个第二人脑图像会被标记图像中的受测者的脑年龄，而健康的受测者的脑年龄可以相同(或接近)于受测者的实际年龄。
在步骤S101c中，处理器会获得测试集，此测试集会包括被识别为不健康的多个人脑图像(亦称为，第三人脑图像)。在本实施例中，第三人脑图像的数量为七十五，然而本发明并不用于限定第三人脑图像的数量。此外，“被识别为不健康的人脑图像”例如是经医师诊断(或被判断为)患精神疾病及神经退化性疾病的人的人脑图像。需注意的是，测试集中的每一个第三人脑图像会被标记图像中的受测者的脑年龄。在此需说明的是，不健康的受测者的脑年龄可以由医师，被识别为不健康的受测者的脑年龄通常会大于(例如，大于一门坎值)受测者的实际年龄。
在建立脑龄预测模型的过程中，在步骤S103，处理器会根据训练集中的第一人脑图像建立脑龄预测模型。特别是，图2是依照本发明的一实施例的步骤S103的详细流程图。
请参照图2，步骤S103又可以包括步骤S1031～S1039。在取得前述训练集中的多个第一人脑图像后，在步骤S1031中，处理器会对每一个第一人脑图像执行组织分割(tissuesegmentation)以获得大脑灰质图像(亦称为，第一大脑灰质图像)。在步骤S1033中，处理器会执行空间正规化(spatial normalization)操作以将第一大脑灰质图像正规化(或配准)至一坐标空间系统，并建立对应于第一大脑灰质图像的图像模板。前述的坐标空间系统例如是蒙特罗神经协会(Montreal Neurological Institute，MRI)空间。
在步骤S1035中，处理器会对正规化至坐标空间系统的第一大脑灰质图像执行独立成分分析(independent component analysis)操作以获得由多个脑特征所组成的大脑结构共变网络。在此需说明的是，大脑结构共变网络中的脑特征代表前述多个第一人脑图像的人脑中会具有共同变化(例如，增加或减少)的特征，而此些特征可以有效地用于脑年龄的预测。
在步骤S1037中，处理器会获得大脑结构共变网络中多个脑特征中的部份特征(亦称为，第一脑特征)。特别是，第一脑特征的数量会小于前述多个脑特征的数量，但使用第一脑特征预测脑年龄的准确度会接近于使用大脑结构共变网络中所有脑特征预测脑年龄的准确度。例如，使用第一脑特征预测脑年龄的准确度与使用大脑结构共变网络中所有脑特征预测脑年龄的准确度两者的差距小于一门坎值。
举例来说，假设大脑结构共变网络具有一百五十个特征，处理器可以计算此一百五十个特征的平均绝对误差(Mean Absolute Error，MAE)与决定系数(coefficient ofdetermination，记为R2)，并根据平均绝对误差与决定系数找出此一百五十个点的变化趋势。特别是，假设在某些数量的特征(例如，四十个特征)之后的变化趋势不明显，则处理器可以选择该些数量的特征作为前述的第一脑特征，且此些第一脑特征的预测脑龄的能力会接近于使用大脑结构共变网络中所有的特征的预测脑龄的能力。此外，针对前述的第一脑特征是大脑结构共变网络中的哪些特征，可以是通过重复实验的方式所得知，在此不再赘述。
之后在步骤S1039，处理器会根据前述的第一脑特征与机器学习算法建立脑龄预测模型。例如，处理器会根据前述的第一脑特征与机器学习算法训练脑龄预测模型，利用嵌套交叉验证技术(nested cross-validation)选取相关机器学习算法的超参数(hyper-parameters)，以建立出一个具有高度推演能力的以大脑结构共变网络为基础的脑龄预测模型。前述的机器学习算法例如是Lasso回归(Lasso regression)、弹性网络回归(ElasticNet regression)、支持向量回归(Support Vector Regression)、随机森林回归(RandomForest Regression)或XGBoost回归(XGBoost regression)等算法。
请再次参照图1，在完成脑龄预测模型的建立后，在步骤S105中，处理器会根据验证集中的第二人脑图像调整脑龄预测模型中的至少一参数(或权重)。特别是，图3是依照本发明的一实施例的步骤S105的详细流程图。
请参照图3，步骤S105又可以包括步骤S1051～S1057。在步骤S1051中，处理器会对验证集中的每一第二人脑图像执行组织分割以获得第二大脑灰质图像，将第二大脑灰质图像正规化至前述的坐标空间系统并对齐先前建立的图像模板。对齐图像模板主要是要让不同大小的人脑图像可以被缩放至相同大小进行比对。
接着在步骤S1053中，处理器会根据对齐至图像模板的第二大脑灰质图像获得分别对应于前述多个第一脑特征的多个特征(亦称为，第二脑特征)。需说明的是，第二脑特征与第一脑特征分别为不同人脑中代表相同特性的特征。
之后在步骤S1055中，处理器会将第二脑特征输入至先前建立的脑龄预测模型以获得对应于第二大脑灰质图像的预测脑龄(亦称为，第二预测脑龄)。当第二预测脑龄不符合特定条件(亦称为，第二特定条件)时，在步骤S1057中，处理器会调整脑龄预测模型中的参数。第二特定条件例如是第二预测脑龄与实际脑龄的差距是否在一门坎值内。特别是，第二预测脑龄的估算成果可以协助了解所建立的脑龄预测模型于面对未知个案时的脑龄推演能力。可以通过这种方式，脑龄预测模型的推演能力可以趋于稳定且不会有过度拟合(over fitting)的情形发生。
请再次参照图1，在步骤S105之后，在步骤S107中，处理器会将测试集的第三人脑图像输入至经调整参数后的脑龄预测模型。在步骤S109中，处理器会获得分别对应第三人脑图像的预测脑龄(亦称为，第一预测脑龄)。特别是，图4是依照本发明的一实施例的步骤S109的详细流程图。
请参照图4，步骤S109又可以包括步骤S1091～S1095。
在步骤S1091中，类似于前述步骤S1051，处理器会对测试集中的每一个第三人脑图像执行组织分割以获得大脑灰质图像(亦称为，第三大脑灰质图像)，并将第三大脑灰质图像正规化至坐标空间系统并对齐图像模板。接着在步骤S1093中，处理器根据对齐至图像模板的第三大脑灰质图像获得分别对应于多个第一脑特征的多个脑特征(亦称为，第三脑特征)。需说明的是，第三脑特征与第一脑特征分别为不同人脑中代表相同特性的特征。之后在步骤S1095中，处理器会将第三脑特征输入至脑龄预测模型以获得前述第一预测脑龄中对应于第三大脑灰质图像的预测脑龄(亦称为，第三预测脑龄)。
请再次参照图1，在步骤S109之后，在步骤S111中，处理器会判断第一预测脑龄是否符合一特定条件(亦称为，第一特定条件)。第一特定条件例如是第一预测脑龄与实际脑龄的差距是否在一门坎值内。当第一预测脑龄符合第一特定条件时，在步骤S113中，处理器会成脑龄预测模型的训练。训练完成的脑龄预测模型可以用于之后的脑龄预测。
在此需说明的是，在前述的脑龄预测模型也可以是使用深度学习网络的技术来产生。
更详细来说，图5是依照本发明的一实施例的使用深度学习网络建立脑龄预测模型的流程图。图6是依照本发明的一实施例的使用深度学习网络建立脑龄预测模型的示意图。
请同时参照图5与图6，首先在步骤S501中，处理器会先配置自动编码器(autoencoder)600，其中自动编码器600会包括编码器60与解码器62。需说明的是，自动编码器600的主要功能是通过编码器60将输入图像IG1(例如，前述的第一人脑图像)撷取特征(或降低维度)后取得压缩表示(compressed representation)数据CRD，解码器62根据压缩表示数据CRD重建出输出图像IG2，且输出图像IG2会很接近于输入图像IG1。
为了达成输出图像IG2很接近于输入图像IG1的效果，在步骤S503中，处理器会将人脑图像IG1输入至自动编码器600以调整编码器60与解码器62的参数直到解码器600的输出图像IG2会很接近于编码器60的输入图像IG1。其中，两张图像接近例如是两张图像的差异(或差值)小于一门坎值。
之后在步骤S505中，处理器会配置脑龄预测模型601。其中，脑龄预测模型601会包括经调整参数后的编码器60与多个全连接(fully connected)层FCL。在步骤S507中，处理器会将人脑图像IG1(例如，第一人脑图像)输入至经调整参数后的编码器60以获得第一压缩表示数据，执行平坦化(flattern)操作以将第一压缩表示数据转换为一平坦化数据，并根据平坦化数据训练全连接层FCL直到脑龄预测模型601所输出的多个预测脑龄PA(亦称为，第三预测脑龄)分别接近于前述人脑图像IG1的实际年龄。需说明的是，平坦化操作例如是将压缩表示数据以一列排列表示，而经由此方式产生的数据可以称为平坦化数据。
之后，处理器可以使用验证集调整脑龄预测模型601中的参数。例如，处理器会根据验证集中的多个第二人脑图像调整脑龄预测模型601中的全连接层FCL的权重直到脑龄预测模型601所输出的多个预测脑龄(亦称为，第四预测脑龄)分别接近于前述多个第二人脑图像的实际年龄。需说明的是，在此运作中，处理器会调整全连接层FCL的权重直到脑龄预测模型601所输出的多个预测脑龄(亦称为，第四预测脑龄)分别与前述多个第二人脑图像的实际年龄的差距为最小，通过此方式可以完成以深度学习技术所建立的脑龄预测模型601的训练。
综上所述，本发明所提出的模型训练方法与电子装置是用以执行以全脑结构共变网络(structural covariance network)为基础的自动化脑年龄(brain age)预测。本发明的模型训练方法与电子装置通过从大脑磁振图像数据中提取灰质体积结构共变网络的特征，并导入数种机器学习算法，以自动且系统化的方式针对个体全脑变化情形进行评估以预测个体大脑年龄。通过本发明的模型训练方法所产生的模型，将可用以协助临床人员客观地了解个体大脑退化情形，并进一步协助临床疾病的诊断及作为生物指标之用。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (3)

1.一种模型训练方法，用于电子装置，其特征在于，所述方法包括：
根据训练集建立脑龄预测模型，其中所述训练集包括被识别为健康的多个第一人脑图像，所述根据所述训练集建立所述脑龄预测模型的步骤包括：
配置自动编码器，其中所述自动编码器包括编码器与解码器；
将所述多个第一人脑图像输入至所述自动编码器以调整所述编码器与所述解码器的参数直到所述解码器的输出图像与所述编码器的输入图像之间的差值在图像门坎值内；
配置所述脑龄预测模型，其中所述脑龄预测模型包括经调整参数后的所述编码器与多个全连接层；以及
将所述多个第一人脑图像输入至经调整参数后的所述编码器以获得第一压缩表示数据，并根据所述第一压缩表示数据训练所述多个全连接层直到所述脑龄预测模型所输出的多个第三预测脑龄与所述多个第一人脑图像的实际年龄之间的差距在门坎值内；
根据验证集调整所述脑龄预测模型中的至少一参数，其中所述验证集包括被识别为健康的多个第二人脑图像，所述根据所述验证集调整所述脑龄预测模型中的所述至少一参数的步骤包括：
根据所述多个第二人脑图像调整所述脑龄预测模型中的所述多个全连接层的权重直到所述脑龄预测模型所输出的多个第四预测脑龄与所述多个第二人脑图像的实际年龄之间的差距在所述门坎值内；
将测试集中被识别为不健康的多个第三人脑图像输入至经调整所述参数后的所述脑龄预测模型以获得分别对应所述多个第三人脑图像的多个第一预测脑龄；
判断所述多个第一预测脑龄是否符合至少一第一特定条件；以及
当所述多个第一预测脑龄符合所述第一特定条件时，完成所述脑龄预测模型的训练，
其中，所述至少一第一特定条件包括所述多个第一预测脑龄与实际脑龄之间的差距是否在所述门坎值内。
2.根据权利要求1所述的模型训练方法，其特征在于，根据所述第一压缩表示数据训练所述多个全连接层的步骤包括：
执行平坦化操作以将所述第一压缩表示数据转换为平坦化数据；以及
根据所述平坦化数据训练所述多个全连接层。
3.一种电子装置，其特征在于，包括：
输入电路，用以获得训练集、验证集以及测试集，其中所述训练集包括被识别为健康的多个第一人脑图像，所述验证集包括被识别为健康的多个第二人脑图像且所述测试集包括被识别为不健康的多个第三人脑图像；以及
处理器，耦接至所述输入电路并用以执行下述运作：
根据所述训练集建立脑龄预测模型，所述根据所述训练集建立所述脑龄预测模型的步骤包括：
配置自动编码器，其中所述自动编码器包括编码器与解码器；
将所述多个第一人脑图像输入至所述自动编码器以调整所述编码器与所述解码器的参数直到所述解码器的输出图像与所述编码器的输入图像之间的差值在图像门坎值内；
配置所述脑龄预测模型，其中所述脑龄预测模型包括经调整参数后的所述编码器与多个全连接层；以及
将所述多个第一人脑图像输入至经调整参数后的所述编码器以获得第一压缩表示数据，并根据所述第一压缩表示数据训练所述多个全连接层直到所述脑龄预测模型所输出的多个第三预测脑龄与所述多个第一人脑图像的实际年龄之间的差距在门坎值内，
根据所述验证集调整所述脑龄预测模型中的至少一参数，所述根据所述验证集调整所述脑龄预测模型中的所述至少一参数的步骤包括：
根据所述多个第二人脑图像调整所述脑龄预测模型中的所述多个全连接层的权重直到所述脑龄预测模型所输出的多个第四预测脑龄与所述多个第二人脑图像的实际年龄之间的差距在所述门坎值内，
将所述多个第三人脑图像输入至经调整所述参数后的所述脑龄预测模型以获得分别对应所述多个第三人脑图像的多个第一预测脑龄，
判断所述多个第一预测脑龄是否符合至少一第一特定条件，以及
当所述多个第一预测脑龄符合所述第一特定条件时，完成所述脑龄预测模型的训练，
其中，所述至少一第一特定条件包括所述多个第一预测脑龄与实际脑龄之间的差距是否在所述门坎值内。
CN202010071863.3A 2020-01-21 2020-01-21 模型训练方法与电子装置 Active CN113221927B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010071863.3A CN113221927B (zh) 2020-01-21 2020-01-21 模型训练方法与电子装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010071863.3A CN113221927B (zh) 2020-01-21 2020-01-21 模型训练方法与电子装置

Publications (2)

Publication Number Publication Date
CN113221927A CN113221927A (zh) 2021-08-06
CN113221927B true CN113221927B (zh) 2024-01-23

Family

ID=77085417

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010071863.3A Active CN113221927B (zh) 2020-01-21 2020-01-21 模型训练方法与电子装置

Country Status (1)

Country Link
CN (1) CN113221927B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117158890A (zh) * 2023-04-04 2023-12-05 深圳市中医院 一种基于分段脑龄模型的脑龄预测方法及相关装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
WO2019136745A1 (zh) * 2018-01-15 2019-07-18 深圳博脑医疗科技有限公司 一种基于磁共振图像的脑龄测试方法及脑龄测试装置
CN110097968A (zh) * 2019-03-27 2019-08-06 中国科学院自动化研究所 基于静息态功能磁共振影像的婴儿脑龄预测方法、系统
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9984283B2 (en) * 2015-02-14 2018-05-29 The Trustees Of The University Of Pennsylvania Methods, systems, and computer readable media for automated detection of abnormalities in medical images

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2019136745A1 (zh) * 2018-01-15 2019-07-18 深圳博脑医疗科技有限公司 一种基于磁共振图像的脑龄测试方法及脑龄测试装置
CN110337670A (zh) * 2018-01-15 2019-10-15 深圳博脑医疗科技有限公司 一种基于磁共振图像的脑龄测试方法及脑龄测试装置
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
CN110097968A (zh) * 2019-03-27 2019-08-06 中国科学院自动化研究所 基于静息态功能磁共振影像的婴儿脑龄预测方法、系统
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

Also Published As

Publication number Publication date
CN113221927A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
TWI726574B (zh) 模型訓練方法與電子裝置
Parisi et al. Feature-driven machine learning to improve early diagnosis of Parkinson's disease
CN109447183B (zh) 预测模型训练方法、装置、设备以及介质
US10898125B2 (en) Deep learning architecture for cognitive examination subscore trajectory prediction in Alzheimer's disease
Guo et al. Resting state fMRI and improved deep learning algorithm for earlier detection of Alzheimer’s disease
US8798345B2 (en) Diagnosis processing device, diagnosis processing system, diagnosis processing method, diagnosis processing program and computer-readable recording medium, and classification processing device
KR102100698B1 (ko) 앙상블 학습 알고리즘을 이용한 인공지능 기반 진단 보조 시스템
US20150046176A1 (en) System and method for improving neurologist's workflow on alzeimer's disease
US20230245772A1 (en) A Machine Learning System and Method for Predicting Alzheimer's Disease Based on Retinal Fundus Images
JP7382306B2 (ja) 診断支援装置、プログラム、学習済みモデル、および学習装置
CN113221927B (zh) 模型训练方法与电子装置
EP3745413B1 (en) A method and system for predicting neurological disease
WO2019222664A1 (en) Systems and methods for cognitive diagnostics in connection with major depressive disorder and response to antidepressants
CN113298758A (zh) 阿尔兹海默症的辅助诊断系统、其数据处理方法及终端
CN112561848A (zh) 区域性脑年龄预测的方法、非暂时性电脑可读介质及设备
WO2021072084A1 (en) Systems and methods for cognitive diagnostics for neurological disorders: parkinson's disease and comorbid depression
KR20190122189A (ko) 뇌졸중 환자의 운동 회복 예측 모델
TW202111617A (zh) 區域性腦年齡預測之方法、非暫時性電腦可讀媒體及設備
CN110801228A (zh) 一种基于神经网络预测的脑效应连接度量方法
KR20230128210A (ko) 치매 진단을 위한 의료 영상 회귀분석 장치 및 방법
WO2021245733A1 (ja) 脳画像解析装置、制御方法、及びコンピュータ可読媒体
CN111466877B (zh) 一种基于lstm网络的氧减状态预测方法
CN114203306A (zh) 医疗事件预测模型训练方法、医疗事件预测方法及装置
Seshadri et al. Early prediction of Alzheimer’s disease with a multimodal multitask deep learning model
Case et al. Simple approach to quantify hypoxic-ischemic brain injury severity from computed tomography imaging files after cardiac arrest

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