CN113892936B - 一种基于全卷积神经网络的可解释脑龄预测方法 - Google Patents
一种基于全卷积神经网络的可解释脑龄预测方法 Download PDFInfo
- Publication number
- CN113892936B CN113892936B CN202111121817.0A CN202111121817A CN113892936B CN 113892936 B CN113892936 B CN 113892936B CN 202111121817 A CN202111121817 A CN 202111121817A CN 113892936 B CN113892936 B CN 113892936B
- Authority
- CN
- China
- Prior art keywords
- brain
- model
- age prediction
- neural network
- age
- 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
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 title claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 22
- 238000010206 sensitivity analysis Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 7
- 239000013315 hypercross-linked polymer Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000009499 grossing Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000004884 grey matter Anatomy 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000001103 thalamus Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000004326 gyrus cinguli Anatomy 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 230000000626 neurodegenerative effect Effects 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 210000004885 white matter Anatomy 0.000 description 1
Classifications
-
- 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
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
- A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for 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
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
-
- 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
- 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
- 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"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Theoretical Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Fuzzy Systems (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- High Energy & Nuclear Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Neurology (AREA)
- Tourism & Hospitality (AREA)
Abstract
本发明属于深度学习技术领域,具体涉及一种基于全卷积神经网络的可解释脑龄预测方法,包括数据预处理,运用全卷积神经网络构建脑龄预测模型,进行模型训练和评估,采用网络遮挡敏感度分析和人类脑网络组图谱对脑龄预测过程中相关的大脑区域进行可解释性分析,定位与脑龄预测最相关的脑区位置。本发明的预测方法能够针对特定的大脑区域进行解释,并精确地定位到与脑龄预测最相关的脑区位置,使得到的脑区贡献信息更加准确,不会带有先验偏见。
Description
技术领域
本发明属于深度学习技术领域,具体涉及一种基于全卷积神经网络的可解释脑龄预测方法。
背景技术
目前,基于卷积神经网络对大脑年龄进行预测逐渐成为主流,但是,卷积神经网络中的全连接层的层数过深,往往会导致参数规模异常庞大,使得训练成本过高。除此之外,尽管深度学习提供了相应的年龄预测,但它通常很难识别出对预测有重要影响的特征。
可见,现有技术不能针对特定的大脑区域进行解释,并且,现有的脑龄预测方法产生的结果通常是模糊的或带有先验偏见的。因此,亟需一种新型预测方法以解决上述问题。
发明内容
本发明的目的在于:针对现有技术的不足,提供一种基于全卷积神经网络的可解释脑龄预测方法,其有效地降低了参数规模,提升了训练效率,保障了预测结果精准可靠。
为了实现上述目的,本发明采用如下技术方案:
一种基于全卷积神经网络的可解释脑龄预测方法,包括以下步骤:
S1、数据预处理,获得所需的灰质图像;
S2、运用全卷积神经网络构建脑龄预测模型;
S3、对所述脑龄预测模型进行模型训练和评估;
S4、采用网络遮挡敏感度分析和人类脑网络组图谱对脑龄预测过程中相关的大脑区域进行可解释性分析,定位与脑龄预测最相关的脑区位置。
进一步地,所述S1中包括:
S1-1、采用结构磁共振成像数据作为数据源;
S1-2、提取所述数据源中的灰质图像,使用DARTEL算法将灰质图像的空间归一化,将所有灰质图像映射到标准空间;
S1-3、构建一个分布均匀的训练集,构建一个独立的测试集。
进一步地,所述S1-2中还包括:采用4毫米全宽半高的高斯滤波器对映射到标准空间的所有灰质图像进行平滑处理,以提高图像数据的信噪比。
进一步地,所述S2中包括:
S2-1、将灰质图像输入三维全卷积神经网络模型;
S2-2、依据构建的脑龄预测模型,生成预测年龄的概率分布,将每个年龄和每个年龄的预测概率相乘,得到所需的年龄预测情况。
进一步地,所述三维全卷积神经网络模型包括卷积层、归一化层、ReLU激活函数和最大池化层。
进一步地,所述S3中包括:
S3-1、使用Cross-Entropy Loss作为损失函数,使用SGD对所述脑龄预测模型进行优化;
S3-2、使用十折交叉验证来评估所述脑龄预测模型,并选择平均绝对误差MAE最低的模型作为最终的最佳模型。
进一步地,所述S4中还包括:采用网络遮挡敏感度分析方法得到各个脑区的对预测产生的贡献度值,并对各个贡献度值进行排序,获得贡献度值的分布情况。
进一步地,所述S4中的网络遮挡敏感度分析的操作包括:每次测试时遮挡一部分的输入区域,运用公式:来比较遮挡前后误差,其中,MAEb表示第i个脑区被遮挡前的平均绝对误差,/>表示第i个脑区被遮挡后的平均绝对误差,δi表示第i个脑区的遮挡前后误差值。
本发明的有益效果在于:本发明利用全卷积神经网络来搭建脑龄预测模型,大大降低了模型的参数规模,使得模型训练的成本显著降低,同时,该方法也在一定程度上保留了原始输入图像中的空间信息,使得模型即使参数规模降低但其精度并未降低,能够促使产生的结果更具有可靠性,并且,本申请提出的可解释性方法可以精确地定位到与脑龄预测最相关的脑区位置,相比于传统方法,本申请的方法更加清晰明了,得到的脑区贡献信息更加准确,不带有先验偏见。
附图说明
图1为本发明的流程图。
图2为本发明的全卷积神经网络的结构示意图。
图3为本发明的预测年龄与实足年龄的散点示意图。
图4为本发明的脑区重要性的分布示意图。
具体实施方式
如在说明书及权利要求当中使用了某些词汇来指称特定组件,本领域技术人员应可理解,制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分组件的方式,而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语,故应解释成“包含但不限定于”。“大致”是指在可接受的误差范围内,本领域技术人员能够在一定误差范围内解决技术问题,基本达到技术效果。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、水平”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
以下结合附图1~4和具体实施例对本发明作进一步详细说明,但不作为对本发明的限定。
一种基于全卷积神经网络的可解释脑龄预测方法,如图1所示,包括以下步骤:
S1、数据预处理,获得所需的灰质图像;
S1-1、采用结构磁共振成像数据作为数据源;
S1-2、提取数据源中的灰质图像,使用DARTEL算法将灰质图像的空间归一化,将所有灰质图像映射到标准空间,采用4毫米全宽半高的高斯滤波器对映射到标准空间的所有灰质图像进行平滑处理,以提高图像数据的信噪比;
S1-3、构建一个分布均匀的训练集,构建一个独立的测试集;
S2、运用全卷积神经网络构建脑龄预测模型;
S2-1、将灰质图像输入三维全卷积神经网络模型,三维全卷积神经网络模型包括卷积层、归一化层、ReLU激活函数和最大池化层;
S2-2、依据构建的脑龄预测模型,生成预测年龄的概率分布,将每个年龄和每个年龄的预测概率相乘,得到所需的年龄预测情况;
S3、对脑龄预测模型进行模型训练和评估;
S3-1、使用Cross-Entropy Loss作为损失函数,使用SGD对脑龄预测模型进行优化;
S3-2、使用十折交叉验证来评估脑龄预测模型,并选择平均绝对误差MAE最低的模型作为最终的最佳模型;
S4、采用网络遮挡敏感度分析和人类脑网络组图谱对脑龄预测过程中相关的大脑区域进行可解释性分析,采用网络遮挡敏感度分析方法得到各个脑区的对预测产生的贡献度值,并对各个贡献度值进行排序,获得贡献度值的分布情况,定位与脑龄预测最相关的脑区位置。
并且,S4中的网络遮挡敏感度分析的操作包括:每次测试时遮挡一部分的输入区域,运用公式:来比较遮挡前后误差,其中,MAEb表示第i个脑区被遮挡前的平均绝对误差,/>表示第i个脑区被遮挡后的平均绝对误差,δi表示第i个脑区的遮挡前后误差值。
在具体的预测方法中,可以构建一个年龄范围为8岁~80岁且分布均匀的训练集和构建一个独立的测试集。其中,训练集包含3054个健康个体的T1加权MRI脑部扫描样本(男性/女性=1478/1576,平均年龄=42.49±13.47,年龄范围为8岁~80岁),样本分别来自七个可公开访问的数据库。独立的测试集来自HCP数据集(N=555),其中,测试集的数据只使用没有重大神经退行性疾病或精神疾病的参与者。
在具体的预测方法中,当采用结构磁共振成像(sMRI)数据作为数据源来对深度学习模型进行训练时,所有结构磁共振成像数据均可使用标准T1加权序列在1.5T或3T扫描仪上采集。
并且,在模型训练之前,首先采用Matlab软件中的SPM12工具包对数据进行预处理。对于收集到的所有被试的sMRI数据,数据的预处理操作包括:
(1)分割:将结构像分割为白质、灰质和脑脊液三部分,本方法仅使用灰质图像;
(2)标准化:将所有分割后的灰质图像映射到蒙特利尔神经学研究所(MNI)标准空间中,用一个标准的脑模板对所有被试的脑空间进行定位,使用DARTEL算法将灰质图空间归一化为蒙特利尔神经科学研究所(MNI)空间,在预处理后,所有灰质图像的维度为121x145x121;
(3)平滑处理:使用4毫米全宽半高(full-width at half-maximum,FWHM)的高斯滤波器对标准化后的图像进行平滑,当灰质图像通过4mm全宽半最大值高斯滤波器内核的平滑处理后,能够显著提高数据的信噪比;
(4)筛选:将图像质量不好的数据剔除。
在数据处理好后,采用全卷积神经网络(FCNN)来搭建脑龄预测模型。全卷积神经网络在普通卷积神经网络的基础之上,去掉了普通卷积神经网络最后的全连接层,使用一层反卷积层对最后一个卷积层的特征图进行上采样,来控制输出的维度。这样不仅大大降低了参数规模,同时还在一定程度上保留了原始输入图像中的空间信息。
并且,三维全卷积神经网络模型基于Visual Geometry Group分类架构和全卷积网络。模型的输入是维度为121x145x121的3D灰质图像,输出包含73个数字,分别代表受试者年龄落在8岁到80岁之间每一岁的预测概率。
具体来说,如图2所示,模型包括五个重复块,每个块的结构包括一个3×3×3的卷积层(步幅为1,填充为1),后面是一个3D批量归一化层,一个ReLU激活函数和一个2×2×2最大池化层(步幅为2)。接下来是一个1x1x1的卷积层(后跟一个3D批量归一化层和一个ReLU激活函数),可以在不改变特征图输出大小的情况下进一步增加模型的非线性度。
最后,使用平均池化、1x1x1卷积层和softmax层来代替全连接层生成预测年龄的概率分布。每个卷积层使用的通道数为[32,64,128,256,256,128,73]。
计算8岁~80岁之间每个年龄和其预测概率的乘积和,做出最终的年龄预测。
其中,pi代表第i个年龄段的预测概率,(i+8)代表第i个年龄的实际年龄值。
而且,图2中的A部分的训练图为输入的结构MRI图像,训练图之后的各个框块代表特征图,箭头表示一系列操作,具体含义见图例,CNN模型最终输出73个年龄类别的概率。
可见,卷积神经网络(CNN)是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一。卷积神经网络具有表征学习能力,能够按其阶层结构对输入信息进行平移不变分类。
在具体的预测方法中,还可使用Pytorch来训练模型。在训练过程中,使用Cross-Entropy Loss作为损失函数,使用SGD(随机梯度下降)算法对模型进行优化。将mini-batch大小设置为12,学习率设置为0.01,每50个epoch后恒定衰减0.3,权重衰减为0.001,epoch数设置为300。然后使用He初始化策略来初始化权重。
在模型的评估中,可选择真实年龄和预测年龄之间平均绝对误差MAE最低的模型作为最佳模型。即在随后的测试阶段,通过在HCP独立测试集上计算平均绝对误差(MAE)、皮尔逊相关系数(r值)和决定系数(R2)来评估模型的泛化能力和效果。
其中,可使用十折交叉验证来评估CNN模型,并选择平均绝对误差MAE最低的模型作为最终的最佳模型。在验证集中,最优的CNN模型实现了平均绝对误差MAE=2.85,皮尔逊相关系数r=0.98,决定系数R2=0.96。而在样本大小分布与训练集相似的HCP独立测试集上,模型实现了MAE=4.45年,r=0.96和R2=0.92。HCP独立测试集中预测年龄与实足年龄的关系如图3所示。图3为预测年龄与实足年龄的散点图,其中,平均绝对误差为4.45年,皮尔逊相关系数达到了0.96。
在具体的预测方法中,可使用网络遮挡敏感度分析(NOSA)方法和人类脑网络组图谱来解释模型并找出与脑龄预测过程相关的大脑区域。具体来说,在测试阶段,根据人类脑网络组图谱定义的246个脑区,一次遮挡一个脑区,使其值为0,然后重新计算误差,对比前后误差的变化,其前后误差的计算公式为:
其中,MAEb和分别表示第i个脑区被遮挡前后HCP独立测试集的测试均值绝对误差。δ值越高,越表明该脑区在脑年龄预测过程中发挥着重要的作用。
而且,图2中的B部分用于对训练好的模型进行解释的网络遮挡敏感度分析(NOSA)方法。根据人类脑网络组图谱的定义,在测试阶段,大脑中的一个区域被遮挡作为测试输入。
其中,采用网络遮挡敏感度分析(NOSA)方法可以用来解释对预测产生重要影响的特征有哪些。网络遮挡敏感度分析方法的原理是在模型训练好后的测试阶段,每次测试时遮挡一部分的输入区域,来比较遮挡前后误差的变化,若遮挡某区域后误差改变很大,则可认为该区域对预测产生了重要影响。在本申请中,利用人类脑网络组图谱作为遮挡输入数据的依据。
可见,基于全卷积神经网络建立了脑龄预测方法,降低了参数规模,提升了训练效率。在模型训练好后,采用计算机视觉领域的网络遮挡敏感度分析(NOSA),并结合人类脑网络组图谱来解释与年龄预测最相关的大脑区域。
在整个HCP独立测试集中,根据人类脑网络组图谱的定义,使用提出的网络遮挡敏感度分析方法,得到了246个脑区的对预测产生的贡献度值。然后对246个贡献度值进行排序,以观察哪些大脑区域更重要。246个脑区的贡献度值分布如图4所示。图4为本申请的HCP测试集中所有246个脑区重要性的分布图。其中,颜色指数越接近1.0表明重要性越高。
最终发现,在整个人类生命周期(本申请所选取的范围8-80年)中,对脑年龄预测产生了重要影响的脑区主要包括:额上回、额中回、中央前回、扣带回和丘脑。其中,丘脑区域的得分普遍很高,显得尤为重要。而且,这一结果与最近工作的发现一致,有效地验证了本申请的可靠性。
因此,在本申请中,根据实验需要收集一定数量的结构磁共振成像数据,完成数据的采集;之后使用预处理技术对数据进行初步处理得到符合标准的数据,并将数据集按照8:1:1的比例分为训练集,验证集和测试集;接下来根据算法设计逐步搭建脑龄预测模型,在模型搭建好后,使用训练集对模型进行训练,并使用验证集和测试集对模型效果进行评估;最后在模型训练完毕后使用本申请算法提出的网络遮挡敏感度分析来对模型进行可解释性分析,找出对预测过程起着重要作用的区域,相比于传统方法,本申请的方法更加清晰明了,得到的脑区贡献信息更加准确,不带有先验偏见。
根据上述说明书的揭示和教导,本发明所属领域的技术人员还能够对上述实施方式进行变更和修改。因此,本发明并不局限于上述的具体实施方式,凡是本领域技术人员在本发明的基础上所作出的任何显而易见的改进、替换或变型均属于本发明的保护范围。此外,尽管本说明书中使用了一些特定的术语,但这些术语只是为了方便说明,并不对本发明构成任何限制。
Claims (3)
1.一种基于全卷积神经网络的可解释脑龄预测方法,其特征在于,包括以下步骤:
S1、数据预处理,获得所需的灰质图像,包括:
S1-1、采用结构磁共振成像数据作为数据源;
S1-2、提取所述数据源中的灰质图像,使用DARTEL算法将灰质图像的空间归一化,将所有灰质图像映射到标准空间;
S1-3、构建一个分布均匀的训练集,构建一个独立的测试集;
S2、运用全卷积神经网络构建脑龄预测模型,包括:
S2-1、将灰质图像输入三维全卷积神经网络模型;
S2-2、依据构建的脑龄预测模型,生成预测年龄的概率分布,将每个年龄和每个年龄的预测概率相乘,得到所需的年龄预测情况;
所述三维全卷积神经网络模型包括卷积层、归一化层、ReLU激活函数和最大池化层;
S3、对所述脑龄预测模型进行模型训练和评估,包括:
S3-1、使用Cross-Entropy Loss作为损失函数,使用SGD对所述脑龄预测模型进行优化;
S3-2、使用十折交叉验证来评估所述脑龄预测模型,并选择平均绝对误差MAE最低的模型作为最终的最佳模型;
S4、采用网络遮挡敏感度分析和人类脑网络组图谱对脑龄预测过程中相关的大脑区域进行可解释性分析,定位与脑龄预测最相关的脑区位置;
所述网络遮挡敏感度分析的操作包括:每次测试时遮挡一部分的输入区域,运用公式:来比较遮挡前后误差,其中,/>表示第i个脑区被遮挡前的平均绝对误差,/>表示第i个脑区被遮挡后的平均绝对误差,/>表示第i个脑区的遮挡前后误差值。
2.如权利要求1所述的基于全卷积神经网络的可解释脑龄预测方法,其特征在于,所述S1-2中还包括:
采用4毫米全宽半高的高斯滤波器对映射到标准空间的所有灰质图像进行平滑处理,以提高图像数据的信噪比。
3.如权利要求1所述的基于全卷积神经网络的可解释脑龄预测方法,其特征在于,所述S4中还包括:采用网络遮挡敏感度分析方法得到各个脑区的对预测产生的贡献度值,并对各个贡献度值进行排序,获得贡献度值的分布情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111121817.0A CN113892936B (zh) | 2021-09-24 | 2021-09-24 | 一种基于全卷积神经网络的可解释脑龄预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111121817.0A CN113892936B (zh) | 2021-09-24 | 2021-09-24 | 一种基于全卷积神经网络的可解释脑龄预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113892936A CN113892936A (zh) | 2022-01-07 |
CN113892936B true CN113892936B (zh) | 2023-08-18 |
Family
ID=79029306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111121817.0A Active CN113892936B (zh) | 2021-09-24 | 2021-09-24 | 一种基于全卷积神经网络的可解释脑龄预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113892936B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115337000B (zh) * | 2022-10-19 | 2022-12-20 | 之江实验室 | 基于脑结构影像评估疾病引起大脑衰老的机器学习方法 |
CN116527461B (zh) * | 2023-04-28 | 2024-05-24 | 哈尔滨工程大学 | 一种基于遮挡分析的电磁信号时域增强方法 |
CN117036793B (zh) * | 2023-07-31 | 2024-04-19 | 复旦大学 | 一种基于pet影像多尺度特征的脑龄评估方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
TWI679652B (zh) * | 2019-01-14 | 2019-12-11 | 國立陽明大學 | 個人化大腦影像評估之方法、非暫時性電腦可讀媒體及設備 |
WO2020033566A1 (en) * | 2018-08-07 | 2020-02-13 | Human Longevity, Inc. | Neural networks for volumetric segmentation and parcellated surface representations |
CN110969614A (zh) * | 2019-12-11 | 2020-04-07 | 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 |
CN111640500A (zh) * | 2020-04-30 | 2020-09-08 | 西北大学 | 基于双线性融合与注意力机制的脑龄预测模型及方法 |
CN112561848A (zh) * | 2019-09-09 | 2021-03-26 | 阳明大学 | 区域性脑年龄预测的方法、非暂时性电脑可读介质及设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3735897A1 (en) * | 2019-05-09 | 2020-11-11 | Inteneural Networks Inc. | A system and a method for determining brain age using a neural network |
-
2021
- 2021-09-24 CN CN202111121817.0A patent/CN113892936B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020033566A1 (en) * | 2018-08-07 | 2020-02-13 | Human Longevity, Inc. | Neural networks for volumetric segmentation and parcellated surface representations |
TWI679652B (zh) * | 2019-01-14 | 2019-12-11 | 國立陽明大學 | 個人化大腦影像評估之方法、非暫時性電腦可讀媒體及設備 |
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 |
CN112561848A (zh) * | 2019-09-09 | 2021-03-26 | 阳明大学 | 区域性脑年龄预测的方法、非暂时性电脑可读介质及设备 |
CN110969614A (zh) * | 2019-12-11 | 2020-04-07 | 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 |
CN111640500A (zh) * | 2020-04-30 | 2020-09-08 | 西北大学 | 基于双线性融合与注意力机制的脑龄预测模型及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113892936A (zh) | 2022-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113892936B (zh) | 一种基于全卷积神经网络的可解释脑龄预测方法 | |
CN110188836B (zh) | 一种基于变分自编码器的脑功能网络分类方法 | |
CN111738363B (zh) | 基于改进的3d cnn网络的阿尔茨海默病分类方法 | |
US10970837B2 (en) | Automated uncertainty estimation of lesion segmentation | |
CN109410195B (zh) | 一种磁共振成像脑分区方法及系统 | |
CN104361318A (zh) | 一种基于弥散张量成像技术的疾病诊断辅助系统及方法 | |
Duchesnay et al. | Classification based on cortical folding patterns | |
CN112037179B (zh) | 一种脑疾病诊断模型的生成方法、系统及设备 | |
CN113951830B (zh) | 一种基于3d注意力卷积与自监督学习的脑疾病分类方法 | |
CN111513717A (zh) | 一种大脑功能状态提取方法 | |
CN114266939A (zh) | 一种基于ResTLU-Net模型的脑提取方法 | |
CN112036298A (zh) | 一种基于双段区块卷积神经网络的细胞检测方法 | |
CN116740426A (zh) | 一种功能磁共振影像的分类预测系统 | |
Pan et al. | Multi-classification prediction of Alzheimer’s disease based on fusing multi-modal features | |
CN116843679B (zh) | 基于深度图像先验框架的pet图像部分容积校正方法 | |
Zuo et al. | Alzheimer’s Disease Prediction via Brain Structural-Functional Deep Fusing Network | |
Kshirsagar et al. | Accrual and dismemberment of brain tumours using fuzzy interface and grey textures for image disproportion | |
CN103006215A (zh) | 基于局部平滑回归的脑功能区定位方法 | |
CN116503593A (zh) | 一种基于深度学习的视网膜oct图像积液分割方法 | |
Goutham et al. | Brain tumor classification using Efficientnet-B0 model | |
Turkan et al. | Convolutional attention network for mri-based alzheimer’s disease classification and its interpretability analysis | |
Ahmed et al. | 3D U-Net: fully convolutional neural network for automatic brain tumor segmentation | |
CN114842960A (zh) | 一种基于ct影像和临床数据评估新冠患者病情进展和预后的方法 | |
Yu et al. | 3D convolutional networks based automatic diagnosis of Alzheimer's disease using structural MRI | |
Deng et al. | Hybrid diffusion tensor imaging feature-based AD classification |
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 |