CN113378898B - 基于相对熵损失函数卷积神经网络的脑龄预测方法 - Google Patents

基于相对熵损失函数卷积神经网络的脑龄预测方法 Download PDF

Info

Publication number
CN113378898B
CN113378898B CN202110590764.0A CN202110590764A CN113378898B CN 113378898 B CN113378898 B CN 113378898B CN 202110590764 A CN202110590764 A CN 202110590764A CN 113378898 B CN113378898 B CN 113378898B
Authority
CN
China
Prior art keywords
image data
sample set
loss function
entropy loss
relative entropy
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
CN202110590764.0A
Other languages
English (en)
Other versions
CN113378898A (zh
Inventor
丁卫平
沈鑫杰
黄嘉爽
李铭
秦廷桢
孙颖
潘柏儒
冯志豪
鞠恒荣
程纯
曹金鑫
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.)
Nantong University
Original Assignee
Nantong University
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 Nantong University filed Critical Nantong University
Priority to CN202110590764.0A priority Critical patent/CN113378898B/zh
Publication of CN113378898A publication Critical patent/CN113378898A/zh
Application granted granted Critical
Publication of CN113378898B publication Critical patent/CN113378898B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种基于相对熵损失函数卷积神经网络的脑龄预测方法，包括如下步骤：步骤1.利用采集被试的功能型磁共振影像数据形成原始样本集；步骤2.原始样本集中功能型磁共振影像数据预处理形成三维的T1图像数据并形成样本集；步骤3.将样本集划分为训练样本集和测试样本集；步骤4.利用训练样本集训练3DCNN形成脑龄预测模型，所述3DNN在训练过程中采用分类网络的相对熵损失函数反向更新3DCNN的网络参数；步骤5.将测试集输入脑龄预测模型得到预测的脑龄；用相对熵损失函数反向更新3DCNN的网络参数，同时采用中心化功能型磁共振影像数据中剔除周围无用信息，提高了脑龄预测模型的鲁棒性及预测精度。

Description

基于相对熵损失函数卷积神经网络的脑龄预测方法
技术领域
本发明涉及到及脑磁共振图像处理领域，具体来说涉及一种基于相对熵损失函数卷积神经网络的脑龄预测方法。
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，可以将脑龄与实际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。
功能型磁共振成像的应用分为三种情况：(1)扩散成像，人体内的水分子存在布朗运动形式的随机扩散。这种扩散信息与弛豫时间T1、T2是无关的，它能在分子水平上提供功能型的信息。(2)灌注成像，在显微毛细血管层次上的血液动力学成像，传统上是用同位素成像的方法来解决的。在磁共振成像中的平面回波成像方法不仅能同样提供有关的区域脑血流及脑血流量的信息，而且比传统方法具有更高的空间分辨率。(3)任务急活的图像，人体在做某项活动时，大脑皮层特殊的区域中会有相应的反映。用fMRI测定大脑血液的氧合水平就能直接进行脑功能的研究。功能磁共振成像的新技术，将正电子发射断层扫描技术和磁共振成像两项技术优势结合起来，通过检验血流进入脑细胞的磁场变化而实现脑功能成像，它给出更精确的结构与功能关系。
在现有的基于功能型的脑龄预测模型中，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
为了解决上述问题，本发明提供一种基于相对熵损失函数卷积神经网络的脑龄预测方法，所述脑龄预测方法精度高。
为了实现以上目的，本发明采用的一种技术方案如下：
一种基于相对熵损失函数卷积神经网络的脑龄预测方法，包括以下步骤：
步骤1.采集被试的功能型磁共振影像数据形成原始样本集，所述原始样本集的样本包括被试的功能型磁共振影像数据及对应的被试的实际年龄；
步骤2.对原始样本集中功能型磁共振影像数据预处理形成三维的T1图像数据，并将T1图像数据和实际年龄一一对应形成样本集；
步骤3.将样本集划分为训练样本集和测试样本集；
步骤4.利用训练样本集训练3DCNN形成脑龄预测模型，所述3DNN在训练过程中采用分类网络的相对熵损失函数反向更新3DCNN的网络参数；
步骤5.将测试集输入脑龄预测模型得到预测的脑龄。
进一步地，所述步骤2中包含以下步骤：
步骤21.对原始样本集中功能型磁共振影像数据利用切片时间矫正、头动矫正和空间正则化预处理将噪声信息去除并形成三维图像数据；
步骤22.对所述三维图像数据中心化处理形成三维的T1图像数据。
进一步地，所述步骤3包含以下步骤：
步骤31.将样本训练集中的T1图像数据送入3DCNN的特征提取网络提取特征图；
步骤32.将特征图送至3DCNN的分类网络得到各实际年龄标签agec的分类概率pc，利用
Figure BDA0003089435740000021
得到预测脑龄；
步骤33.利用预测脑龄pred和实际年龄age计算相对熵损失函数：
Figure BDA0003089435740000022
其中，n为样本训练集中T1图像数据的个数，利用相对熵损失函数反向更新特征提取网络及分类网络的网络参数，直至达到预设的迭代停止条件。
进一步地，所述步骤33中预设的迭代停止条件包含迭代次数或者相对熵损失函数最大阈值。
进一步地，所述特征提取网络包含五个特征提取模块，前四个特征提取模块均包含3*3*3的卷积层、批归一化层、Relu激活函数层、步长为2的池化层，第五个特征提取模块包含1*1*1的卷积层、批归一化层、Relu激活函数层、步长为2的池化层，所述五个特征提取模块的通道数分别为32、64、128、128及32。
进一步地，所述批归一化层中的批归一化处理具体为：
步骤a.计算经过卷积层后批量T1图像数据的均值μβ：
Figure BDA0003089435740000031
步骤b.计算经过卷积层后批量T1图像数据的方差
Figure BDA0003089435740000032
步骤c.规划范处理：
Figure BDA0003089435740000033
本发明的有益效果在于：利用相对熵损失函数反向更新3DCNN的网络参数，同时采用中心化功能型磁共振影像数据中剔除周围无用信息，提高了脑龄预测模型的鲁棒性及预测精度；利用平均绝对误差作为模型精确度的指标，可以发现本发明的脑龄预测方法相对于支持向量回归算法(SVR)及深度学习法(DNN)具有更高的精度。
附图说明
图1为本申请实施例中一种基于相对熵损失函数卷积神经网络的脑龄预测方法的流程图；
图2为本申请实施例中脑龄预测模型的网络架构图。
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，本发明中的第五、五个均是为了说明算法模型中的不同卷积层，没有限定意义。基于本发明中的实施例，本领域技术人员在没有作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。
如图2所示，脑龄预测模型对应的3DCNN网络包含特征提取网络及分类网络，所述特征提取网络包含五个特征提取模块，前四个特征提取模块均包含3*3*3的卷积层、批归一化层、Relu激活函数层、步长为2的池化层，第五个特征提取模块包含1*1*1的卷积层、批归一化层、Relu激活函数层、步长为2的池化层，所述五个特征提取模块的通道数分别为32、64、128、128及32；分类网络包含全连接层及softmax分类器。
如图1所述，本实施例中一种基于相对熵损失函数卷积神经网络的脑龄预测方法包括以下步骤：
步骤1.采集被试的功能型磁共振影像数据形成原始样本集，所述原始样本集的样本包括被试的功能型磁共振影像数据及对应的被试的实际年龄；
步骤2.对原始样本集中功能型磁共振影像数据预处理形成三维的T1图像数据，并将T1图像数据和实际年龄一一对应形成样本集；由于采集的功能型磁共振影像数据存在噪声，因此需要进行去噪处理，同时为了剔除功能型磁共振影像数据中边缘无用的数据需要进行中心化处理，具体包括如下步骤：
步骤21.对原始样本集中功能型磁共振影像数据利用切片时间矫正、头动矫正和空间正则化预处理将噪声信息去除并形成61*73*61的三维图像数据；
步骤22.对所述三维图像数据中心化处理形成50*50*50的三维T1图像数据。
在步骤21中，其中时间矫正Slice Timing设置为2秒，切片数量Slice Number设为32；步骤21可以通过脑成像数据处理与分析Data Processing&Analysis for BrainImaging去除噪声，将医学数字成像和通信Digital Imaging and Communications inMedicine数据转化需要的61*73*61的三维图像数据，上述过程可在DPARSFA软件中实现。
步骤3.将样本集划分为训练样本集和测试样本集；具体包括如下步骤：
步骤31.将样本训练集中的T1图像数据送入3DCNN的特征提取网络提取特征图；
步骤32.将特征图送至3DCNN的分类网络得到各实际年龄标签agec的分类概率pc，利用
Figure BDA0003089435740000041
得到预测脑龄；
步骤33.利用预测脑龄pred和实际年龄age计算相对熵损失函数：
Figure BDA0003089435740000042
其中，n为样本训练集中T1图像数据的个数，利用相对熵损失函数反向更新特征提取网络及分类网络的网络参数，直至达到预设的迭代停止条件，所述预设的迭代停止条件包含迭代次数或者相对熵损失函数最大阈值。
步骤4.利用训练样本集训练3DCNN形成脑龄预测模型，所述3DNN在训练过程中采用分类网络的相对熵损失函数反向更新3DCNN的网络参数；
步骤5.将测试集输入脑龄预测模型得到预测的脑龄。
步骤6：将被试的功能型性磁共振影像数据U*输入到步骤4保存的改进后3D卷积神经网络中，得到当前被试者的大脑年龄
Figure BDA0003089435740000043
最后以一个分布数组展示；
在脑龄预测模型的卷积模块中存在批归一化层，所述批归一化层进入激活函数之前将数据压缩在0-1之间，提高训练速度和精度，防止梯度下降过快，具体包括以下步骤：
步骤a.计算经过卷积层后批量T1图像数据的均值μβ
Figure BDA0003089435740000044
步骤b.计算经过卷积层后批量T1图像数据的方差
Figure BDA0003089435740000045
步骤c.规划范处理：
Figure BDA0003089435740000051
在一具体实施例中，样本集数据库、训练样本数量、测试样本数量，详见表1，此时对应的年龄标签为494个。
样本集名称 样本集总量 训练样本集 验证样本集 测试样本集
SALD 494 296 99 99
表1
学习速率和权重衰减参数分别设置为0.001和0.0005，批大小设置为50，全连接层dropout rate设置为0.5，迭代次数设为800次，所述平均绝对误差定义为
Figure BDA0003089435740000052
其中，x，y分别为被试者预测年龄和实际年龄,n是被试者的数量，由表2可知，本发明的脑龄预测方法相对于支持向量回归算法(SVR)及深度学习法(DNN)具有更高的精度。
方法 数据集 MAE
本文 SALD 7.5875
SVR SALD 8.1139
DNN SALD 8.0941
表2
以上实施例仅表达了本发明的较佳实施方式，其描述较为具体和详细但并不能因此而理解为对本申请专利范围的限制。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于相对熵损失函数卷积神经网络的脑龄预测方法，其特征在于，包括以下步骤：
步骤1.采集被试的功能型磁共振影像数据形成原始样本集，所述原始样本集的样本包括测试的功能型磁共振影像数据及对应的测试的实际年龄；
步骤2.对原始样本集中功能型磁共振影像数据预处理形成三维的T1图像数据，并将T1图像数据和实际年龄一一对应形成样本集；
步骤3.将样本集划分为训练样本集和测试样本集；
步骤4.利用训练样本集训练3DCNN形成脑龄预测模型，所述3DCNN在训练过程中采用分类网络的相对熵损失函数反向更新3DCNN的网络参数；
步骤5.将测试集输入脑龄预测模型得到预测的脑龄；
所述步骤3包含以下步骤：
步骤31.将样本训练集中的T1图像数据送入3DCNN的特征提取网络提取特征图；
步骤32.将特征图送至3DCNN的分类网络得到各实际年龄标签agec的分类概率pc，利用
Figure FDA0004139193540000011
得到预测脑龄；
步骤33.利用预测脑龄pred和实际年龄age计算相对熵损失函数：
Figure FDA0004139193540000012
其中，n为样本训练集中T1图像数据的个数，利用相对熵损失函数反向更新特征提取网络及分类网络的网络参数，直至达到预设的迭代停止条件；
所述步骤33中预设的迭代停止条件包含迭代次数或者相对熵损失函数最大阈值；
所述特征提取网络包含五个特征提取模块，前四个特征提取模块均包含3*3*3的卷积层、批归一化层、Relu激活函数层、步长为2的池化层，第五个特征提取模块包含1*1*1的卷积层、批归一化层、Relu激活函数层、步长为2的池化层，所述五个特征提取模块的通道数分别为32、64、128、128及32；
所述批归一化层中的批归一化处理具体为：
步骤a.计算经过卷积层后批量T1图像数据的均值μβ：
Figure FDA0004139193540000013
步骤b.计算经过卷积层后批量T1图像数据的方差
Figure FDA0004139193540000014
Figure FDA0004139193540000015
步骤c.规划范处理：
Figure FDA0004139193540000016
2.根据权利要求1所述的基于相对熵损失函数卷积神经网络的脑龄预测方法，其特征在于，所述步骤2中包含以下步骤：
步骤21.对原始样本集中功能型磁共振影像数据利用切片时间矫正、头动矫正和空间正则化预处理将噪声信息去除并形成三维图像数据；
步骤22.对所述三维图像数据中心化处理形成三维的T1图像数据。
CN202110590764.0A 2021-05-28 2021-05-28 基于相对熵损失函数卷积神经网络的脑龄预测方法 Active CN113378898B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110590764.0A CN113378898B (zh) 2021-05-28 2021-05-28 基于相对熵损失函数卷积神经网络的脑龄预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110590764.0A CN113378898B (zh) 2021-05-28 2021-05-28 基于相对熵损失函数卷积神经网络的脑龄预测方法

Publications (2)

Publication Number Publication Date
CN113378898A CN113378898A (zh) 2021-09-10
CN113378898B true CN113378898B (zh) 2023-05-19

Family

ID=77574671

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110590764.0A Active CN113378898B (zh) 2021-05-28 2021-05-28 基于相对熵损失函数卷积神经网络的脑龄预测方法

Country Status (1)

Country Link
CN (1) CN113378898B (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

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110097968B (zh) * 2019-03-27 2020-06-30 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
EP3735897A1 (en) * 2019-05-09 2020-11-11 Inteneural Networks Inc. A system and a method for determining brain age using a neural network
US20210082565A1 (en) * 2019-06-01 2021-03-18 Inteneural Networks Inc. Method and system for predicting neurological treatment
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
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

Also Published As

Publication number Publication date
CN113378898A (zh) 2021-09-10

Similar Documents

Publication Publication Date Title
Tian et al. Topographic organization of the human subcortex unveiled with functional connectivity gradients
Devi et al. Neonatal brain MRI segmentation: A review
CN110969626B (zh) 基于3d神经网络的人脑核磁共振影像的海马体提取方法
Owen et al. Test–retest reliability of computational network measurements derived from the structural connectome of the human brain
CN110840468B (zh) 自闭症风险评估方法及装置、终端设备、存储介质
Dimitriadis et al. Improving the reliability of network metrics in structural brain networks by integrating different network weighting strategies into a single graph
CN110969614B (zh) 基于三维卷积神经网络的脑龄预测方法及系统
CN113616184A (zh) 基于多模态磁共振图像的脑网络建模与个体预测方法
CN110197492A (zh) 一种心脏mri左心室分割方法及系统
Coupé et al. LesionBrain: an online tool for white matter lesion segmentation
US20170069086A1 (en) Method and device for constructing brain templates
Tian et al. Hierarchical organization of the human subcortex unveiled with functional connectivity gradients
Yang et al. Large-scale brain functional network integration for discrimination of autism using a 3-D deep learning model
Songdechakraiwut et al. Topological learning and its application to multimodal brain network integration
Majka et al. Histology‐Based Average Template of the Marmoset Cortex With Probabilistic Localization of Cytoarchitectural Areas
WO2024083058A1 (zh) 一种大脑纤维束异常区域精准定位系统
Han et al. A novel convolutional variation of broad learning system for Alzheimer’s disease diagnosis by using MRI images
CN113378898B (zh) 基于相对熵损失函数卷积神经网络的脑龄预测方法
CN113255734A (zh) 一种基于自监督学习和迁移学习的抑郁症分类方法
Reiss et al. Extracting information from functional connectivity maps via function-on-scalar regression
Islam et al. A survey of graph based complex brain network analysis using functional and diffusional MRI
Afshar et al. Age prediction based on brain mri images using extreme learning machine
Mendoza et al. Enhanced automatic segmentation for superficial white matter fiber bundles for probabilistic tractography datasets
Chen et al. TractGraphCNN: anatomically informed graph CNN for classification using diffusion MRI tractography
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

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