CN113456031A - 一种脑状态预测模型的训练装置、预测装置及电子设备 - Google Patents

一种脑状态预测模型的训练装置、预测装置及电子设备 Download PDF

Info

Publication number
CN113456031A
CN113456031A CN202110909795.8A CN202110909795A CN113456031A CN 113456031 A CN113456031 A CN 113456031A CN 202110909795 A CN202110909795 A CN 202110909795A CN 113456031 A CN113456031 A CN 113456031A
Authority
CN
China
Prior art keywords
brain
age
image
predicted
module
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
Application number
CN202110909795.8A
Other languages
English (en)
Inventor
刘亚欧
韦人
段云云
卓芝政
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.)
Beijing Tiantan Hospital
Original Assignee
Beijing Tiantan Hospital
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 Beijing Tiantan Hospital filed Critical Beijing Tiantan Hospital
Priority to CN202110909795.8A priority Critical patent/CN113456031A/zh
Publication of CN113456031A publication Critical patent/CN113456031A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Veterinary Medicine (AREA)
  • Software Systems (AREA)
  • Animal Behavior & Ethology (AREA)
  • Neurology (AREA)
  • Physiology (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Linguistics (AREA)
  • Psychiatry (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)

Abstract

本申请提供了一种脑状态预测模型的训练装置、预测装置及电子设备，训练装置包括：构建模块，用于构建训练数据集；训练数据集中包括多个样本数据，每一个样本数据包括样本脑影像、真实脑年龄和真实脑性别；计算模块，用于通过卷积神经网络提取样本脑影像的抽象特征，计算得到输出脑性别概率和在多个预设脑年龄段内的输出脑年龄概率，计算输出脑年龄概率和真实脑年龄概率的相似度和输出脑性别概率和真实脑性别的相似度，得到第一计算结果和第二计算结果；训练模块，用于根据第一计算结果和第二计算结果，优化卷积神经网络的网络参数，得到脑状态预测模型；脑状态预测模型同时预测脑年龄预测和脑性别，且脑年龄预测精度更高。

Description

一种脑状态预测模型的训练装置、预测装置及电子设备
技术领域
本申请涉及脑状态预测领域，具体而言，涉及一种脑状态预测模型的训练装置、预测装置及电子设备。
背景技术
随着机器学习的发展，越来越多针对图像所示属性的识别模型应运而生，这些图像识别模型经过学习后，能够处理、分析和理解图像，以识别各种不同模式的目标和对象，针对图像的属性，得到针对图像所示属性的某种较为客观的预测结果。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，图像识别模型可以根据大脑的脑影像的这些变化，预测得到大脑的脑年龄这一属性，从而量化病人的大脑的衰老程度，描述了一种正常人大脑衰老轨迹，结合其真实年龄，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，从而在大脑在正常功能上是否产生退化、是否存在神经退行性等脑部疾病提供一些参考。
现阶段，有一种技术是将年龄的识别视作一个回归问题，即，将真实的人的年龄标签输入神经网络中，通过迭代训练方式回归出这个真实值，这种方法计算的是两个点状数值之间的接近程度，对于脑影像而言，由于样本数据的数量少，年龄的跨度大，具体到每个年龄段的样本数据更是数量不足，因此，训练得到的图像识别模型的准确率较差。
发明内容
有鉴于此，本申请的目的在于提供一种脑状态预测模型的训练装置、预测装置及电子设备，能够预测得到脑年龄和脑性别两种信息，提供更加丰富的参考信息，同时，预测得到的脑年龄的准确率更高。
本申请实施例提供的一种脑状态预测模型的训练装置，所述训练装置包括构建模块、计算模块和训练模块：
所述构建模块，用于构建训练数据集；所述的训练数据集中包括多个样本数据，每一个样本数据包括样本脑影像以及与该样本脑影像对应的真实脑年龄和真实脑性别；
所述计算模块，用于通过卷积神经网络提取所述训练数据集中每一个样本数据中样本脑影像的抽象特征，对所述抽象特征进行计算，得到包括该样本脑影像对应的输出脑性别概率和该样本脑影像在多个预设脑年龄段内的输出脑年龄概率；计算所述多个预设脑年龄段内的输出脑年龄概率和对应样本数据中真实脑年龄在所述多个预设脑年龄段内的真实脑年龄概率的第一相似度，得到第一计算结果；以及，计算所述输出脑性别概率和对应样本数据中真实脑性别的第二相似度，得到第二计算结果；
所述训练模块，用于根据所述第一计算结果和第二计算结果，优化所述卷积神经网络的网络参数，直至所述卷积神经网络输出的第一计算结果和第二计算结果满足训练结束条件，得到训练好的卷积神经网络作为脑状态预测模型；其中，所述脑状态预测模型用于根据待预测脑影像，预测所述待预测脑影像对应的脑性别和脑年龄。
在一些实施例中，所述训练装置还包括构造模块：
所述构造模块，用于构造卷积神经网络，所述卷积神经网络包括：特征提取模块和预测输出模块，所述预测输出模块包括处理模块、第一目标函数和第二目标函数；
其中，所述特征提取模块用于提取所述训练数据集中每一个样本数据中样本脑影像的抽象特征，并将所述抽象特征输入到预测输出模块的处理模块中；
所述处理模块用于对样本脑影像的抽象特征进行计算，得到包括该样本脑影像对应的输出脑性别概率和该样本脑影像在多个预设脑年龄段内的输出脑年龄概率并输入给第一目标函数和第二目标函数；
所述第一目标函数对应有该样本脑影像的真实脑年龄在所述多个预设脑年龄段内的真实脑年龄概率，所述真实脑年龄在所述多个预设脑年龄段内的真实脑年龄概率是将对应样本数据中的真实脑年龄转换得到的；所述第一目标函数用于计算所述多个预设脑年龄段内的输出脑年龄概率和对应样本数据中真实脑年龄在所述多个预设脑年龄段内的真实脑年龄概率的第一相似度，得到第一计算结果；
所述第二目标函数对应该样本脑影像的真实脑性别，所述真实脑性别是根据对应样本数据生成的；所述第二目标函数用于计算所述输出脑性别概率和对应样本数据中真实脑性别的第二相似度，得到第二计算结果。
在一些实施例中，所述计算模块还用于：
在计算所述第一相似度和所述第二相似度之前，根据所述对应样本数据的真实脑年龄所在的预设脑年龄段中的样本数据的数目和多个预设脑年龄段内的样本数据的数目，确定所述对应样本数据的自适应权重；所述自适应权重表征该样本数据对所述卷积神经网络的影响程度；
根据所述对应样本数据的自适应权重，更新第一目标函数和第二目标函数中的样本数据的权重，得到更新后的第一目标函数和第二目标函数，以通过更新后的第一目标函数计算所述第一相似度和所述第二相似度。
在一些实施例中，所述计算模块在根据所述对应样本数据的真实脑年龄所在的预设脑年龄段中的样本数据的数目和多个预设脑年龄段内的样本数目，确定所述对应样本数据的自适应权重时，包括：
根据多个预设脑年龄段内的样本数目，计算所述训练数据集的样本数据的真实脑年龄的高斯核密度估计；
根据对应样本数据的真实脑年龄和所述高斯核密度估计，确定所述对应样本数据的自适应权重。
在一些实施例中，所述的脑状态预测模型的训练装置还包括校正模块，所述校正模块，用于利用脑状态预测模型得到每个样本数据中样本脑影像的预测脑年龄，并根据每个样本脑影像的预测脑年龄与该样本脑影像对应的真实脑年龄之间的误差，得到每个预设脑年龄段对应的误差作为所述脑状态预测模型的系统误差，所述脑状态预测模型的系统误差用于对利用所述脑状态预测模型得到的待预测脑影像的预测脑年龄进行线性校正，得到校正后的预测脑年龄。
在一些实施例中，所述的脑状态预测模型的训练装置还包括获取模块和预处理模块：
所述获取模块，用于获取3D脑影像，并将所述3D脑影像发送至所述预处理模块；
所述预处理模块，用于将3D脑影像配准到标准空间，获得配准后的3D脑影像，并进行去骨处理，获得去骨后3D脑影像作为所述样本脑影像。
在一些实施例中，还提供一种脑状态预测装置，所述预测装置包括：
获取模块，用于获取第一待预测脑影像；
第一预测模块，用于将第一待预测脑影像输入到预先训练好的脑状态预测模型中，通过脑状态预测模型提取所述第一待预测脑影像的抽象特征，对所述抽象特征进行计算，得到该第一待预测脑影像对应的输出脑性别概率和在多个预设脑年龄段内的输出脑年龄概率；
第二预测模块，用于根据该第一待预测脑影像对应的输出脑性别概率和在多个预设脑年龄段内的输出脑年龄概率，得到第一待预测脑影像对应的脑性别和脑年龄。
在一些实施例中，所述的脑状态预测装置的获取模块，所述获取模块，在获取第一待预测脑影像时，包括：获取初始待预测脑影像，对所述初始待预测脑影像进行数据增强处理，得到多个处理后的待预测脑影像，将初始待预测脑影像和处理后的待预测脑影像均作为第一待预测脑影像。
在一些实施例中，所述的脑状态预测装置的所述第二预测模块，在根据该第一待预测脑影像对应的输出脑性别概率和在多个预设脑年龄段内的输出脑年龄概率，得到第一待预测脑影像对应的脑性别和脑概率时，包括：
根据所述第一待预测脑影像在多个预设脑年龄段内的输出脑年龄概率，得到该第一待预测脑影像的预测脑年龄；
基于脑状态预测模型的系统误差对该预测脑年龄进行线性校正，得到校正后的预测脑年龄作为所述第一待预测脑影像对应的脑年龄；所述脑状态预测模型的系统误差，为每个预设脑年龄段对应的误差，所述每个预设脑年龄段对应的误差，是利用脑状态预测模型得到的训练数据集中每个样本数据中样本脑影像的预测脑年龄与该样本脑影像对应的真实脑年龄之间的误差得到的。
在一些实施例中，还提供一种电子设备，所述电子设备中包括所述脑状态预测模型的训练装置，以通过所述训练装置训练卷积神经网络得到脑状态预测模型；或者包括所述的脑状态预测装置，以通过所述的脑状态预测装置预测第一待预测脑影像对应的脑性别和脑年龄。
本申请所述的脑状态预测模型的训练装置，所述卷积神经网络没有采用传统的进行回归的训练方法，而是计算所述多个预设脑年龄段内的输出脑年龄概率和对应样本数据中真实脑年龄在所述多个预设脑年龄段内的真实脑年龄概率的相似度，利用某个脑年龄的相近脑年龄的脑影像，帮助卷积神经网络学习该脑年龄的特征，同时也可以弱化单个预设脑年龄段中多个脑影像之间的差异对卷积神经网络的影响，丰富卷积神经网络的输入，从而对卷积神经网络实现更有效的训练，提升了卷积神经网络的预测的准确度；同时，利用同一个脑状态预测模型，同步实现了脑年龄预测和脑性别预测，从待预测脑影像中提取了更多深层次信息用于临床挖掘。
进一步的，本申请根据所述对应样本数据的真实脑年龄所在的预设脑年龄段中的样本数据的数目和多个预设脑年龄段内的样本数目，确定该样本数据对应的第一目标函数和第二目标函数中的样本数据的权重，若某个年龄段中的样本数据的数目少，则该年龄段中的单个样本数据对应的第一目标函数和第二目标函数中的样本数据的权重大，反之，若某个年龄段中的样本数据的数目多，则该年龄段中的单个样本数据对应的第一目标函数和第二目标函数中的样本数据的权重小，以使卷积神经网络对各个年龄段的脑影像的学习程度相对一致，得到较大的脑年龄区间内均可适用的脑状态预测模型。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本申请所述脑状态预测模型的训练装置的结构示意图；
图2示出了本申请所述卷积神经网络的结构示意图一；
图3示出了本申请所述卷积神经网络的结构示意图二；
图4示出了本申请所述为卷积神经网络自动赋权的方法流程图；
图5示出了本申请所述脑状态预测装置的结构示意图；
图6示出了本申请所述第二预测模块得到第一待预测脑影像对应的脑性别和脑概率的方法流程图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。
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。随着年龄的增长，而在结构上发生一些微妙的变化。随着年龄的增长，大脑老化期间发生的一般变化包括:额叶和海马体收缩、脑外脊面变薄、白质减少、灰质增加等。正常情况下，不同年龄的人的大脑影像中所述发生变化的部位的脑部影像不同，因此，可以根据大脑影像，反过来预测大脑的脑年龄。
基因、环境、疾病或受伤等原因可能会导致大脑的老化速率有显著的加快，导致大脑所处的衰老阶段和人的真实年龄并不统一。通过预测得到大脑的脑年龄这一属性，从而量化病人的大脑的衰老程度，再结合正常人大脑衰老轨迹，反映一个人的大脑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，从而在大脑在正常功能上是否产生退化、是否存在神经退行性等脑部疾病提供一些参考。
目前，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 density map,GMD)、白质密度图(White matter density map,WMD)、白质体积、皮层厚度等。预测模型的训练过程中，通常是将年龄的识别视作一个回归问题，即，将真实的人的年龄标签输入神经网络中，通过迭代训练方式回归出这个真实值，这种方法计算的是两个点状数值之间的接近程度，而大脑影像的样本数据为带有年龄标签和性别标签的大脑影像，这些样本数据不论是来自公开数据集，还是医院或研究机构的私人数据集，都存在一些问题。首先，样本的数据量较少，而大脑年龄跨度大，导致预测模型对单个预设年龄段中的样本的认知不足；假设样本数据集收集了10000病人的数据，将人的年龄段预设为(0,1)、(1,2)、(2,3)、(3,4)……(89,90)，每个年龄段中的样本数据的均值仅为100多。特别是对于一些珍稀样本，例如儿童、青少年、80岁以上老人等，数据量更为稀少。预测模型对单个预设年龄段中的样本的认知不足，导致预测模型对脑年龄的预测精度低。其次，不论是来自公开数据集，还是医院或研究机构的私人数据集，样本数据的来源都是人的脑影像和人自己填报的年龄，不同的人的大脑衰老程度本就不同，即使样本数据集尽量筛选衰老程度正常的大脑的数据，但是也不能完全杜绝这种情况，同属于一个年龄段的样本，其大脑影像也是不同的，可能有些大脑影像更接近上一个年龄段，有些大脑影像更接近下一个年龄段，而人自己填报的年龄也可能会存在一些误差，因此，一个脑年龄对应的多个脑影像也存在一些不同。
基于此，本申请提出一种脑状态预测模型的训练装置，如图1所示，所述训练装置包括构建模块101、计算模块102和训练模块103：
构建模块101，用于构建训练数据集；所述的训练数据集中包括多个样本数据，每一个样本数据包括样本脑影像以及与该样本脑影像对应的真实脑年龄和真实脑性别；
计算模块102，用于通过卷积神经网络提取所述训练数据集中每一个样本数据中样本脑影像的抽象特征，对所述抽象特征进行计算，得到包括该样本脑影像对应的输出脑性别概率和该样本脑影像在多个预设脑年龄段内的输出脑年龄概率；计算所述多个预设脑年龄段内的输出脑年龄概率和对应样本数据中真实脑年龄在所述多个预设脑年龄段内的真实脑年龄概率的第一相似度，得到第一计算结果；以及，计算所述输出脑性别概率和对应样本数据中真实脑性别的第二相似度，得到第二计算结果；
训练模块103，用于根据所述第一计算结果和第二计算结果，优化所述卷积神经网络的网络参数，直至所述卷积神经网络输出的第一计算结果和第二计算结果满足训练结束条件，得到训练好的卷积神经网络作为脑状态预测模型；其中，所述脑状态预测模型用于根据待预测脑影像，预测所述待预测脑影像对应的脑性别和脑年龄。
所述构建模块101中，所述训练数据集的样本数据70％来源于公开数据集，30％来自于私有数据集，总共9800例，所有纳入的样本数据均为正常人，年龄范围6-90岁。所使用的样本脑影像为3D T1WI影像。所述正常人为身体状况达到设定健康标准的人。
本实施例中，所述的脑状态预测模型的训练装置，还包括获取模块401和预处理模块；
所述获取模块401，用于获取3D脑影像，并将所述3D脑影像发送至所述预处理模块；
所述预处理模块，用于将3D脑影像配准到标准空间，获得配准后的3D脑影像，并进行去骨处理，获得去骨后3D脑影像作为所述样本脑影像。
所述配准，是将输入的3D-T1WI脑影像配准到MNI标准空间，从而获得配准后3D脑影像。由于人脑存在个体差异,扫描时候的图像在空间中的坐标也不同,必须要首先消除个体差异,统一坐标,也就是需要将被试人员的大脑全部”订正/配准”到标准模板上,这样后续才能进行统计分析。
所述去骨处理中，使用HD-BET将配准后3D脑影像去除脑实质以外的结构，获得去骨后3D脑影像。所述去骨处理主要包括去除颅骨和线圈，去除干扰像素等。
所述的脑实质包括：大脑半球、小脑、脑干(中脑至延髓)。
除此之外，预处理模块还对去骨后3D脑影像进行去噪、滤波等处理，以降低脑影像噪声对后续计算的影响；使脑影像满足本申请的卷积神经网络的输入需求，例如图像尺寸等。
所述构建模块101，在构建所述训练数据集时，包括：还对所述训练数据集中的样本数据进行增强处理，并根据增强处理得到的样本数据更新训练数据集，以得到更新后的训练数据集。
所述增强处理为对所述每个样本数据中的样本脑影像进行转换，以根据一个样本数据生产多个样本数据，并将并将生成的多个第二样本数据添加至训练数据集中。
所述对所述每个样本数据中的样本脑影像进行转换，包括对样本脑影像进行镜像、比例缩放、水平翻转、垂直翻转、随机角度旋转、色度、亮度、饱和度、对比度的变化，从而生成多个样本数据。
样本数据中的样本脑影像再进行亮度归一化处理，并根据亮度归一化处理的结果再次更新样本数据。
所述计算模块102通过卷积神经网络提取所述训练数据集中每一个样本数据中样本脑影像的抽象特征，具体对所述抽象特征进行计算，得到包括该样本脑影像对应的输出脑性别概率和该样本脑影像在多个预设脑年龄段内的输出脑年龄概率的过程如下：将根据所述抽象特征计算脑年龄概率视为一种分类问题，即，将年龄分为多个不同的年龄段，年龄段可以根据实际情况合理设置，例如将一岁视为一个年龄段。那么，包含6-90的脑年龄的训练数据集，则可以分为形如[(6，7)，(7，8)(8，9)，…，(87，88)(88，89)(89，90)]的年龄组。使用这种分类的年龄组作为标签，通过卷积神经网络，使用softmax激活函数则可以计算出样本脑影像属于具体年龄组的概率，从而得到该样本脑影像在多个预设脑年龄段内的输出脑年龄概率。
同理，利用所述卷积神经网络得到该样本脑影像的脑性别为男或女的概率。
相近脑年龄上的脑影像的特征是非常相似的，这是因为大脑的成长是一个缓慢且平稳的过程，因此，可以利用某个脑年龄的相近脑年龄的脑影像，帮助卷积神经网络学习该脑年龄的特征，同时也可以单个预设脑年龄段中多个脑影像之间的差异对卷积神经网络的影响，因此，所述卷积神经网络没有采用传统的进行回归的训练方法，而是计算所述多个预设脑年龄段内的输出脑年龄概率和对应样本数据中真实脑年龄在所述多个预设脑年龄段内的真实脑年龄概率的相似度，可以丰富卷积神经网络的输入，从而对卷积神经网络实现更有效的训练，提升了卷积神经网络的预测的准确度；同时，利用同一个脑状态预测模型，同步实现了脑年龄预测和脑性别预测，从待预测脑影像中提取了更多深层次信息用于临床挖掘。
所述训练模块103训练卷积神经网络的过程中，卷积神经网络输出的第一计算结果和第二计算结果，表征了卷积神经网络的改进方向，据此调整卷积神经网络的网络参数以优化卷积神经网络，再次将样本数据输入到卷积神经网络，得到新的第一计算结果和第二计算结果，并判断新的第一计算结果和第二计算结果是否满足训练结束条件。若满足训练结束条件，则停止训练，得到训练好的卷积神经网络作为脑状态预测模型，反之，若不满足训练结束条件，则重复上述过程，直至第一计算结果和第二计算结果满足训练结束条件。
所述的训练结束条件为第一计算结果小于第一设定阈值且第二计算结果小于第二设定阈值；即所述多个预设脑年龄段内的输出脑年龄概率和对应样本数据中真实脑年龄在所述多个预设脑年龄段内的真实脑年龄概率的相似度小于第一设定阈值，所述输出脑性别概率和对应样本数据中真实脑性别的相似度小于第二设定阈值。
本申请实施例中，在Adam优化器优化上述设计的第一目标函数2022和第二目标函数2023，以0.0007为初始学习率，分别在30epoch和100epoch时设置0.3的gamma，并训练480epoch。
本申请实施例中，所述的脑状态预测模型的训练装置还包括构造模块：
所述构造模块，用于构造卷积神经网络，如图2所示，所述卷积神经网络包括：特征提取模块201和预测输出模块202，所述预测输出模块202包括处理模块2021、第一目标函数2022和第二目标函数2023；
所述特征提取模块201用于提取所述训练数据集中每一个样本数据中样本脑影像的抽象特征，并将所述抽象特征输入到预测输出模块202的处理模块2021中；
所述处理模块2021用于对样本脑影像的抽象特征进行计算，得到包括该样本脑影像对应的输出脑性别概率和该样本脑影像在多个预设脑年龄段内的输出脑年龄概率并输入给第一目标函数2022和第二目标函数2023；
所述第一目标函数2022对应有该样本脑影像的真实脑年龄在所述多个预设脑年龄段内的真实脑年龄概率，所述真实脑年龄在所述多个预设脑年龄段内的真实脑年龄概率是将对应样本数据中的真实脑年龄转换得到的；所述第一目标函数2022用于计算所述多个预设脑年龄段内的输出脑年龄概率和对应样本数据中真实脑年龄在所述多个预设脑年龄段内的真实脑年龄概率的第一相似度，得到第一计算结果；
所述第二目标函数2023对应该样本脑影像的真实脑性别，所述真实脑性别是根据对应样本数据生成的；所述第二目标函数2023用于计算所述输出脑性别概率和对应样本数据中真实脑性别的第二相似度，得到第二计算结果。。
如图3所示的卷积神经网络的结构示意图二，本申请实施例中，所述的特征提取模块201由若干层基本模块叠加而成。每层基本模块由3D卷积层、标准化层、最大池化层和ReLU激活函数构成。训练数据集中的样本脑影像为160x192x160大小，将样本脑影像输入网络，通过5层所述基本模块后得到所述抽象特征。在上一层基本模块中提取的抽象特征，在进入到下一层基本模块后对其进行加倍，以推断出一个足够丰富的样本脑影像的信息表征。5层基本模块实现了高度抽象的特征提取，在保证效果的同时提高了卷积神经网络计算速度，从而使本申请所述的脑状态预测模型可以应用于实际生产场景。
所述的处理模块2021的输入为样本脑影像的抽象特征，处理模块2021包括平均池化层、随机丢弃层、单层3D卷积层和softmax函数；所述抽象特征经过平均池化、随机丢弃层和单层3D卷积后通过softmax函数输出该样本脑影像对应的输出脑性别概率和该样本脑影像在多个预设脑年龄段内的输出脑年龄概率。
由于处理模块2021计算脑年龄时，不同于既往方法，并非进行回归而是进行分布拟合，因此，对于输入的样本数据中的真实脑年龄，将真实脑年龄x转换为以x为均值、0.5为方差的正态分布，然后在6-90的整数格点进行采样并标准化，得到[(6，7)，(7，8)(8，9)，…，(87，88)(88，89)(89，90)]的年龄组中每个预设脑年龄段内的真实脑年龄概率。
所述第一目标函数2022作为卷积神经网络脑年龄部分的目标函数，采用K-L散度计算所述多个预设脑年龄段内的输出脑年龄概率和对应样本数据中真实脑年龄在所述多个预设脑年龄段内的真实脑年龄概率的相似度。如图3中Brain age head部分所示，深色的target部分为所述多个预设脑年龄段内的真实脑年龄概率，浅色的prediction部分为多个预设脑年龄段内的输出脑年龄概率。
所述第二目标函数2023作为卷积神经网络脑性别部分的目标函数，采用二分类交叉熵计算所述输出脑性别概率和对应样本数据中真实脑性别的相似度，所述样本脑影像的真实脑性别为男、女，对应的概率为1、0或0、1。如图3中Sex age head部分所示，所述输出脑性别概率表示脑性别为男的概率为0.836和脑性别为女的概率为0.131。
所述卷积神经网络的整体目标函数由第一目标函数2022和第二目标函数2023线性叠加构成。
本申请实施例中，所述计算模块102还用于在计算所述第一相似度和所述第二相似度之前，通过以下步骤为卷积神经网络自动赋权：
如图4所示，所述卷积神经网络自动赋权的步骤包括：S301、根据所述对应样本数据的真实脑年龄所在的预设脑年龄段中的样本数据的数目和多个预设脑年龄段内的样本数据的数目，确定所述对应样本数据的自适应权重；所述自适应权重表征该样本数据对所述卷积神经网络的影响程度；
S302、根据所述对应样本数据的自适应权重，更新第一目标函数2022和第二目标函数2023中的样本数据的权重，得到更新后的第一目标函数2022和第二目标函数2023，以通过更新后的第一目标函数2022计算所述第一相似度和所述第二相似度。
S301中，所述自适应权重与该样本数据的真实脑年龄所在的预设脑年龄段中的样本数据的数目负相关。
训练数据集中样本数据的在各个预设年龄段中的人数由实际的受试人的年龄分布决定，各年龄段人数差异极大，尤其是年轻及年老受试者显著少于中间年龄段受试者，为保证卷积神经网络对各个年龄段的脑影像的学习程度相对一致，本申请根据所述对应样本数据的真实脑年龄所在的预设脑年龄段中的样本数据的数目和多个预设脑年龄段内的样本数目，确定该样本数据对应的第一目标函数2022和第二目标函数2023中的样本数据的权重，若某个年龄段中的样本数据的数目少，则该年龄段中的单个样本数据对应的第一目标函数2022和第二目标函数2023中的样本数据的权重大，反之，若某个年龄段中的样本数据的数目多，则该年龄段中的单个样本数据对应的第一目标函数2022和第二目标函数2023中的样本数据的权重小，以使卷积神经网络对各个年龄段的脑影像的学习程度相对一致，得到实现6到90岁均可适用的脑状态预测模型。
具体的，根据所述对应样本数据的真实脑年龄所在的预设脑年龄段中的样本数据的数目和多个预设脑年龄段内的样本数目，确定所述对应样本数据的自适应权重；包括：根据多个预设脑年龄段内的样本数目，获取训练数据集的样本数据的样本数目在脑年龄范围内的平滑的分布密度；
根据对应样本数据的真实脑年龄以及所述脑年龄范围内的样本数目的平滑的分布密度，获取对应样本数据所对应的年龄段的样本数目的密度；
根据所述对应样本数据所对应的年龄段的样本数目的密度，确定所述对应样本数据的自适应权重。
具体的，确定对应样本数据所对应的年龄段的样本数目的密度的倒数为第一目标函数2022和第二目标函数2023中的样本数据的权重。该年龄段的样本数目的密度越大，则所述权重越小；反之，年龄段的样本数目的密度越小，则所述权重越大。
因为人脑的衰老过程是逐渐发生的，因此，相近脑年龄上的脑影像的特征是非常相似的，可以利用某个脑年龄的相近脑年龄的脑影像，帮助卷积神经网络学习该脑年龄的特征；若干个相邻的脑年龄段中，样本脑数据的数目不一定呈现相对均匀发分布，但是卷积神经网络可以依据相近脑年龄的影响学习该脑年龄段的脑影像特征，因此，将样本数据的脑年龄区间内的样本数目的分布密度平滑化，兼顾相近脑年龄对卷积神经网络的影响，更加合理的根据训练数据集的情况为每个样本数据设计更加合理的权重，能够更好的保证卷积神经网络对各个年龄段的脑影像的学习程度相对一致。
本申请实施例中，所述计算模块102在根据所述对应样本数据的真实脑年龄所在的预设脑年龄段中的样本数据的数目和多个预设脑年龄段内的样本数目，确定所述对应样本数据的自适应权重时，包括：
根据多个预设脑年龄段内的样本数目，计算所述训练数据集的样本数据的样本数目在脑年龄范围内的高斯核密度估计；
根据对应样本数据的真实脑年龄和所述高斯核密度估计，确定所述对应样本数据的自适应权重。
通过上述自适应核密度估计法为卷积神经网络自动加权，大大提高卷积神经网络对各年龄段的预测能力，从而实现6到90岁均可适用的网络模型。
所述的脑状态预测模型的训练装置还包括校正模块，所述校正模块，用于利用脑状态预测模型得到每个样本数据中样本脑影像的预测脑年龄，并根据每个样本脑影像的预测脑年龄与该样本脑影像对应的真实脑年龄之间的误差，得到每个预设脑年龄段对应的误差作为所述脑状态预测模型的系统误差，所述脑状态预测模型的系统误差用于对利用所述脑状态预测模型得到的待预测脑影像的预测脑年龄进行线性校正，得到校正后的预测脑年龄。
训练完成的脑状态预测模型依然存在一些误差，由于脑状态预测模型对每个预设脑年龄段中脑影像的认知程度不同，因此，每个预设脑年龄段的脑影像对应的系统误差不同。
具体的，可以标记每个预设脑年龄段所对应的系统误差，进一步校正卷积神经网络在各个年龄段预测能力的不一致性，校正所述脑状态预测模型得到的待预测脑影像的预测脑年龄，得到更加准确的预测脑年龄。
每个预设脑年龄段所对应的系统误差通过以下方式获取：单个年龄段中可能包含多个样本数据，通过训练好的脑状态预测模型，预测该年龄段中的每个样本数据样本脑影像对应的脑年龄，并根据每个样本数据中的真实脑年龄，获取每个样本数据的预测得到的脑年龄与真实脑年龄之间的误差，在根据所述每个样本数据的预测得到的脑年龄与真实脑年龄之间的误差得到该预设脑年龄段对应的误差。通常情况下为求取该预设年龄段中的每个样本数据对应的误差的均值。
本申请实施例还提供一种脑状态预测装置，如图5所示，所述预测装置包括：
获取模块401，用于获取第一待预测脑影像；
第一预测模块402，用于将第一待预测脑影像输入到预先训练好的脑状态预测模型中，通过脑状态预测模型提取所述第一待预测脑影像的抽象特征，对所述抽象特征进行计算，得到该第一待预测脑影像对应的输出脑性别概率和在多个预设脑年龄段内的输出脑年龄概率；
第二预测模块403，用于根据该第一待预测脑影像对应的输出脑性别概率和在多个预设脑年龄段内的输出脑年龄概率，得到第一待预测脑影像对应的脑性别和脑年龄。
所述的脑状态预测装置的获取模块401，在获取第一待预测脑影像时，包括：获取初始待预测脑影像，对所述初始待预测脑影像进行数据增强处理，得到多个处理后的待预测脑影像，将初始待预测脑影像和处理后的待预测脑影像均作为第一待预测脑影像。
将多个第一待预测脑影像输入到预先训练好的脑状态预测模型中，通过脑状态预测模型提取所述每个第一待预测脑影像的抽象特征，对所述抽象特征进行计算，得到每个第一待预测脑影像对应的输出脑性别概率和在多个预设脑年龄段内的输出脑年龄概率；
将多个第一待预测脑影像对应的输出脑性别概率的均值，作为该第一待预测脑影像对应的输出脑性别概率；将多个第一待预测脑影像对应的输出脑性别概率和在多个预设脑年龄段内的输出脑年龄概率的均值，作为该第一待预测脑影像在多个预设脑年龄段内的输出脑年龄概率；基于均值思想，降低了脑状态预测模型的预测误差，提高脑状态预测模型预测结果的鲁棒性。
具体的，对初始待预测脑影像进行5次数据增强，增强方法与训练时一致，最终获得6个在多个预设脑年龄段内的输出脑年龄概率及输出脑性别概率，将6个在多个预设脑年龄段内的输出脑年龄概率及输出脑性别概率平均后获得该第一待预测脑影像在多个预设脑年龄段内的输出脑年龄概率和输出脑性别概率。
本申请实施例中，如图6所示，所述第二预测模块403，在根据该第一待预测脑影像对应的输出脑性别概率和在多个预设脑年龄段内的输出脑年龄概率，得到第一待预测脑影像对应的脑性别和脑概率时，包括：
S501、根据所述第一待预测脑影像在多个预设脑年龄段内的输出脑年龄概率，得到该第一待预测脑影像的预测脑年龄；
S502、基于脑状态预测模型的系统误差对该预测脑年龄进行线性校正，得到校正后的预测脑年龄作为所述第一待预测脑影像对应的脑年龄；所述脑状态预测模型的系统误差，为每个预设脑年龄段对应的误差，所述每个预设脑年龄段对应的误差，是利用脑状态预测模型得到的训练数据集中每个样本数据中样本脑影像的预测脑年龄与该样本脑影像对应的真实脑年龄之间的误差得到的。
具体的，根据该第一待预测脑影像对应的输出脑性别概率和在多个预设脑年龄段内的输出脑年龄概率，得到第一待预测脑影像对应的脑性别和脑年龄，具体包括：将多个预设脑年龄段内的输出脑年龄概率进行一阶中心矩估计，再基于脑状态预测模型的系统误差对该预测脑年龄进行线性校正，得到第一待预测脑影像对应的脑年龄。
将多个预设脑年龄段内的输出脑年龄概率进行二阶中心矩估计，获得脑年龄不确定度估计，所述脑年龄不确定度估计表征预测得到的第一待预测脑影像对应的脑年龄的可靠程度，可以作为工作人员评价第一待预测脑影像对应的人员的脑状态的参考数据。
将输出脑性别概率中最大的概率对应的性别，确定为第一待预测脑影像对应的脑性别。
如表一所示，本申请实施例还提供已发表的四种脑生理特征估计方法与本申请所述预测装置预测脑年龄的方法的性能对比。
Figure BDA0003203302350000181
表一
本申请实施例还提供一种电子设备，所述电子设备中包括所述脑状态预测模型的训练装置，以通过所述训练装置训练卷积神经网络得到脑状态预测模型；或者包括所述的脑状态预测装置，以通过所述的脑状态预测装置预测第一待预测脑影像对应的脑性别和脑年龄。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考方法实施例中的对应过程，本申请中不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，平台服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种脑状态预测模型的训练装置，其特征在于，所述训练装置包括构建模块、计算模块和训练模块：
所述构建模块，用于构建训练数据集；所述的训练数据集中包括多个样本数据，每一个样本数据包括样本脑影像以及与该样本脑影像对应的真实脑年龄和真实脑性别；
所述计算模块，用于通过卷积神经网络提取所述训练数据集中每一个样本数据中样本脑影像的抽象特征，对所述抽象特征进行计算，得到包括该样本脑影像对应的输出脑性别概率和该样本脑影像在多个预设脑年龄段内的输出脑年龄概率；计算所述多个预设脑年龄段内的输出脑年龄概率和对应样本数据中真实脑年龄在所述多个预设脑年龄段内的真实脑年龄概率的第一相似度，得到第一计算结果；以及，计算所述输出脑性别概率和对应样本数据中真实脑性别的第二相似度，得到第二计算结果；
所述训练模块，用于根据所述第一计算结果和第二计算结果，优化所述卷积神经网络的网络参数，直至所述卷积神经网络输出的第一计算结果和第二计算结果满足训练结束条件，得到训练好的卷积神经网络作为脑状态预测模型；其中，所述脑状态预测模型用于根据待预测脑影像，预测所述待预测脑影像对应的脑性别和脑年龄。
2.根据权利要求1所述的脑状态预测模型的训练装置，其特征在于，所述训练装置还包括构造模块：
所述构造模块，用于构造卷积神经网络，所述卷积神经网络包括：特征提取模块和预测输出模块，所述预测输出模块包括处理模块、第一目标函数和第二目标函数；
其中，所述特征提取模块用于提取所述训练数据集中每一个样本数据中样本脑影像的抽象特征，并将所述抽象特征输入到预测输出模块的处理模块中；
所述处理模块用于对样本脑影像的抽象特征进行计算，得到包括该样本脑影像对应的输出脑性别概率和该样本脑影像在多个预设脑年龄段内的输出脑年龄概率并输入给第一目标函数和第二目标函数；
所述第一目标函数对应有该样本脑影像的真实脑年龄在所述多个预设脑年龄段内的真实脑年龄概率，所述真实脑年龄在所述多个预设脑年龄段内的真实脑年龄概率是将对应样本数据中的真实脑年龄转换得到的；所述第一目标函数用于计算所述多个预设脑年龄段内的输出脑年龄概率和对应样本数据中真实脑年龄在所述多个预设脑年龄段内的真实脑年龄概率的第一相似度，得到第一计算结果；
所述第二目标函数对应该样本脑影像的真实脑性别，所述真实脑性别是根据对应样本数据生成的；所述第二目标函数用于计算所述输出脑性别概率和对应样本数据中真实脑性别的第二相似度，得到第二计算结果。
3.根据权利要求2所述的脑状态预测模型的训练装置，其特征在于，所述计算模块还用于：
在计算所述第一相似度和所述第二相似度之前，根据所述对应样本数据的真实脑年龄所在的预设脑年龄段中的样本数据的数目和多个预设脑年龄段内的样本数据的数目，确定所述对应样本数据的自适应权重；所述自适应权重表征该样本数据对所述卷积神经网络的影响程度；
根据所述对应样本数据的自适应权重，更新第一目标函数和第二目标函数中的样本数据的权重，得到更新后的第一目标函数和第二目标函数，以通过更新后的第一目标函数计算所述第一相似度和所述第二相似度。
4.根据权利要求3所述的脑状态预测模型的训练装置，其特征在于，所述计算模块在根据所述对应样本数据的真实脑年龄所在的预设脑年龄段中的样本数据的数目和多个预设脑年龄段内的样本数目，确定所述对应样本数据的自适应权重时，包括：
根据多个预设脑年龄段内的样本数目，计算所述训练数据集的样本数据的真实脑年龄的高斯核密度估计；
根据对应样本数据的真实脑年龄和所述高斯核密度估计，确定所述对应样本数据的自适应权重。
5.根据权利要求1所述的脑状态预测模型的训练装置，其特征在于，所述训练装置还包括校正模块；
所述校正模块，用于利用脑状态预测模型得到每个样本数据中样本脑影像的预测脑年龄，并根据每个样本脑影像的预测脑年龄与该样本脑影像对应的真实脑年龄之间的误差，得到每个预设脑年龄段对应的误差作为所述脑状态预测模型的系统误差，所述脑状态预测模型的系统误差用于对利用所述脑状态预测模型得到的待预测脑影像的预测脑年龄进行线性校正，得到校正后的预测脑年龄。
6.根据权利要求1所述的脑状态预测模型的训练装置，其特征在于，还包括获取模块和预处理模块：
所述获取模块，用于获取3D脑影像，并将所述3D脑影像发送至所述预处理模块；
所述预处理模块，用于将3D脑影像配准到标准空间，获得配准后的3D脑影像，并进行去骨处理，获得去骨后3D脑影像作为所述样本脑影像。
7.一种脑状态预测装置，其特征在于，所述预测装置包括：
获取模块，用于获取第一待预测脑影像；
第一预测模块，用于将第一待预测脑影像输入到预先训练好的脑状态预测模型中，通过脑状态预测模型提取所述第一待预测脑影像的抽象特征，对所述抽象特征进行计算，得到该第一待预测脑影像对应的输出脑性别概率和在多个预设脑年龄段内的输出脑年龄概率；
第二预测模块，用于根据该第一待预测脑影像对应的输出脑性别概率和在多个预设脑年龄段内的输出脑年龄概率，得到第一待预测脑影像对应的脑性别和脑年龄。
8.根据权利要求7所述的脑状态预测装置，其特征在于，所述获取模块，在获取第一待预测脑影像时，包括：获取初始待预测脑影像，对所述初始待预测脑影像进行数据增强处理，得到多个处理后的待预测脑影像，将初始待预测脑影像和处理后的待预测脑影像均作为第一待预测脑影像。
9.根据权利要求7所述的脑状态预测装置，其特征在于，所述第二预测模块，在根据该第一待预测脑影像对应的输出脑性别概率和在多个预设脑年龄段内的输出脑年龄概率，得到第一待预测脑影像对应的脑性别和脑概率时，包括：
根据所述第一待预测脑影像在多个预设脑年龄段内的输出脑年龄概率，得到该第一待预测脑影像的预测脑年龄；
基于脑状态预测模型的系统误差对该预测脑年龄进行线性校正，得到校正后的预测脑年龄作为所述第一待预测脑影像对应的脑年龄；所述脑状态预测模型的系统误差，为每个预设脑年龄段对应的误差，所述每个预设脑年龄段对应的误差，是利用脑状态预测模型得到的训练数据集中每个样本数据中样本脑影像的预测脑年龄与该样本脑影像对应的真实脑年龄之间的误差得到的。
10.一种电子设备，其特征在于，所述电子设备中包括权利要求1至6任一项所述脑状态预测模型的训练装置，以通过所述训练装置训练卷积神经网络得到脑状态预测模型；或者包括权利要求7至9任一项所述的脑状态预测装置，以通过所述的脑状态预测装置预测第一待预测脑影像对应的脑性别和脑年龄。
CN202110909795.8A 2021-08-09 2021-08-09 一种脑状态预测模型的训练装置、预测装置及电子设备 Pending CN113456031A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110909795.8A CN113456031A (zh) 2021-08-09 2021-08-09 一种脑状态预测模型的训练装置、预测装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110909795.8A CN113456031A (zh) 2021-08-09 2021-08-09 一种脑状态预测模型的训练装置、预测装置及电子设备

Publications (1)

Publication Number Publication Date
CN113456031A true CN113456031A (zh) 2021-10-01

Family

ID=77867627

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110909795.8A Pending CN113456031A (zh) 2021-08-09 2021-08-09 一种脑状态预测模型的训练装置、预测装置及电子设备

Country Status (1)

Country Link
CN (1) CN113456031A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114732358A (zh) * 2022-03-15 2022-07-12 南开大学 基于状态转换特征的脑信号检测方法
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
WO2024014724A1 (ko) * 2022-07-14 2024-01-18 이화여자대학교 산학협력단 뇌영상으로부터 뇌성별 및 뇌연령을 예측하는 방법 및 장치

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103544486A (zh) * 2013-10-31 2014-01-29 东南大学 基于自适应标记分布的人类年龄估计方法
CN106203294A (zh) * 2016-06-30 2016-12-07 广东微模式软件股份有限公司 基于人脸属性分析的人证合一身份验证方法
CN106408223A (zh) * 2016-11-30 2017-02-15 华北电力大学（保定） 基于气象相似日及误差校正的短期负荷预测方法
CN106650642A (zh) * 2016-12-06 2017-05-10 东南大学 基于标记分布的解决类别缺失问题的人类年龄自动估计方法
CN107609697A (zh) * 2017-09-06 2018-01-19 南京邮电大学 一种风力发电功率预测方法
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
CN111650572A (zh) * 2020-07-23 2020-09-11 浪潮云信息技术股份公司 一种减小短时降水估测偏差的方法及系统
CN111863247A (zh) * 2020-08-03 2020-10-30 北京航空航天大学 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
CN112257503A (zh) * 2020-09-16 2021-01-22 深圳微步信息股份有限公司 一种性别年龄识别方法、装置及存储介质
CN112287726A (zh) * 2019-07-24 2021-01-29 初速度（苏州）科技有限公司 一种红外样本图像获取方法及装置
CN112307796A (zh) * 2019-07-24 2021-02-02 初速度（苏州）科技有限公司 一种用于红外图像的年龄预测方法及装置
CN112435070A (zh) * 2020-12-03 2021-03-02 深圳市欢太科技有限公司 确定用户年龄的方法、装置、设备及存储介质
CN112651372A (zh) * 2020-12-31 2021-04-13 北京眼神智能科技有限公司 基于人脸图像的年龄判断方法及装置、电子设备、存储介质
CN112668455A (zh) * 2020-12-24 2021-04-16 平安科技（深圳）有限公司 人脸年龄识别方法、装置、终端设备及存储介质
CN112766379A (zh) * 2021-01-21 2021-05-07 中国科学技术大学 一种基于深度学习多权重损失函数的数据均衡方法
CN112784884A (zh) * 2021-01-07 2021-05-11 重庆兆琨智医科技有限公司 一种医学图像分类方法、系统、介质及电子终端
CN112818946A (zh) * 2021-03-08 2021-05-18 苏州科达科技股份有限公司 年龄识别模型的训练、年龄识别方法、装置及电子设备
CN113128369A (zh) * 2021-04-01 2021-07-16 重庆邮电大学 一种融合均衡损失的轻量级网络人脸表情识别方法

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103544486A (zh) * 2013-10-31 2014-01-29 东南大学 基于自适应标记分布的人类年龄估计方法
CN106203294A (zh) * 2016-06-30 2016-12-07 广东微模式软件股份有限公司 基于人脸属性分析的人证合一身份验证方法
CN106408223A (zh) * 2016-11-30 2017-02-15 华北电力大学（保定） 基于气象相似日及误差校正的短期负荷预测方法
CN106650642A (zh) * 2016-12-06 2017-05-10 东南大学 基于标记分布的解决类别缺失问题的人类年龄自动估计方法
CN107609697A (zh) * 2017-09-06 2018-01-19 南京邮电大学 一种风力发电功率预测方法
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
CN112307796A (zh) * 2019-07-24 2021-02-02 初速度（苏州）科技有限公司 一种用于红外图像的年龄预测方法及装置
CN112287726A (zh) * 2019-07-24 2021-01-29 初速度（苏州）科技有限公司 一种红外样本图像获取方法及装置
CN111650572A (zh) * 2020-07-23 2020-09-11 浪潮云信息技术股份公司 一种减小短时降水估测偏差的方法及系统
CN111863247A (zh) * 2020-08-03 2020-10-30 北京航空航天大学 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
CN112257503A (zh) * 2020-09-16 2021-01-22 深圳微步信息股份有限公司 一种性别年龄识别方法、装置及存储介质
CN112435070A (zh) * 2020-12-03 2021-03-02 深圳市欢太科技有限公司 确定用户年龄的方法、装置、设备及存储介质
CN112668455A (zh) * 2020-12-24 2021-04-16 平安科技（深圳）有限公司 人脸年龄识别方法、装置、终端设备及存储介质
CN112651372A (zh) * 2020-12-31 2021-04-13 北京眼神智能科技有限公司 基于人脸图像的年龄判断方法及装置、电子设备、存储介质
CN112784884A (zh) * 2021-01-07 2021-05-11 重庆兆琨智医科技有限公司 一种医学图像分类方法、系统、介质及电子终端
CN112766379A (zh) * 2021-01-21 2021-05-07 中国科学技术大学 一种基于深度学习多权重损失函数的数据均衡方法
CN112818946A (zh) * 2021-03-08 2021-05-18 苏州科达科技股份有限公司 年龄识别模型的训练、年龄识别方法、装置及电子设备
CN113128369A (zh) * 2021-04-01 2021-07-16 重庆邮电大学 一种融合均衡损失的轻量级网络人脸表情识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BIN-BIN GAO,等: "Deep Label Distribution Learning with Label", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 *
LUFAN LIAO，等: "Multi-Branch Deformable Convolutional Neural Network with Label Distribution Learning for Fetal Brain Age Prediction", 《2020 IEEE 17TH INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114732358A (zh) * 2022-03-15 2022-07-12 南开大学 基于状态转换特征的脑信号检测方法
CN114732358B (zh) * 2022-03-15 2024-05-28 南开大学 基于状态转换特征的脑信号检测方法
WO2024014724A1 (ko) * 2022-07-14 2024-01-18 이화여자대학교 산학협력단 뇌영상으로부터 뇌성별 및 뇌연령을 예측하는 방법 및 장치
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

Similar Documents

Publication Publication Date Title
CN112017198B (zh) 基于自注意力机制多尺度特征的右心室分割方法及装置
CN113456031A (zh) 一种脑状态预测模型的训练装置、预测装置及电子设备
CN110070935B (zh) 基于对抗神经网络的医学图像合成方法、分类方法及装置
CN110503630B (zh) 一种基于三维深度学习模型的脑出血分类、定位与预测方法
CN110363760B (zh) 用于识别医学图像的计算机系统
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
KR20170016778A (ko) 심층신경망을 이용한 골 연령 산출방법 및 프로그램
CN113781640A (zh) 基于弱监督学习的三维人脸重建模型建立方法及其应用
CN112529909A (zh) 一种基于图像补全的肿瘤图像脑区分割方法及系统
CN105913431A (zh) 低分辨率医学图像的多图谱分割方法
CN110717905A (zh) 脑部图像检测方法、计算机设备和存储介质
CN102521832B (zh) 图像分析方法和系统
Asyhar et al. Implementation LSTM Algorithm for Cervical Cancer using Colposcopy Data
CN114241240A (zh) 脑部图像的分类方法、装置、电子设备及存储介质
CN112036298A (zh) 一种基于双段区块卷积神经网络的细胞检测方法
CN116258933A (zh) 基于全局信息感知的医学图像分割装置
CN114581459A (zh) 一种基于改进性3D U-Net模型的学前儿童肺部影像感兴趣区域分割方法
CN114926396A (zh) 一种精神障碍类磁共振图像初步筛查模型构建方法
CN110570425A (zh) 一种基于深度强化学习算法的肺结节分析方法及装置
CN113705670A (zh) 基于磁共振成像和深度学习的脑部图像分类方法及设备
CN116205915B (zh) 一种基于掩码的大脑年龄评估方法、系统及电子设备
CN116030063B (zh) Mri图像的分类诊断系统、方法、电子设备及介质
CN116778587A (zh) 一种基于深度学习的活体年龄推断方法、设备、存储介质
US20240046454A1 (en) Method and system for extracting multi-dimensional disconnection network region of symptom mapping
KR101948701B1 (ko) 피검체의 뇌 구조를 기술하는 잠재 변수에 기반하여 상기 피검체의 뇌질환을 판정하는 방법 및 이를 이용한 장치

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20211001