CN114748055A - 三维卷积模型、脑龄识别方法、装置、计算机设备及介质 - Google Patents

三维卷积模型、脑龄识别方法、装置、计算机设备及介质 Download PDF

Info

Publication number
CN114748055A
CN114748055A CN202210282658.0A CN202210282658A CN114748055A CN 114748055 A CN114748055 A CN 114748055A CN 202210282658 A CN202210282658 A CN 202210282658A CN 114748055 A CN114748055 A CN 114748055A
Authority
CN
China
Prior art keywords
model
brain
module
convolution
training
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
CN202210282658.0A
Other languages
English (en)
Inventor
隆晓菁
高昂
征博文
黄晓娜
李宇涵
梁栋
刘新
郑海荣
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.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN202210282658.0A priority Critical patent/CN114748055A/zh
Publication of CN114748055A publication Critical patent/CN114748055A/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
    • A61B5/05—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
    • A61B5/7264—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
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • General Physics & Mathematics (AREA)
  • Public Health (AREA)
  • General Engineering & Computer Science (AREA)
  • Surgery (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Fuzzy Systems (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Neurology (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种三维卷积模型、脑龄识别方法、装置、计算机设备及介质，通过获取现有的公共脑部数据集进行配准后组成模型训练集，并使用所述模型训练集对预设的三维卷积模型进行训练后生成最终训练模型，并使用所述最终训练模型对用户的用户脑部数据进行推算，从而输出最终脑龄结果的方式实现了通过对公共脑部数据集进行配准后组成模型训练集，并将配准后的模型训练集输入训练后的三维卷积模型实现准确推算用户的脑龄结果，解决了现有技术当中现有的三维的卷积神经网络在直接输入数据进行训练时往往会由于输入的大脑特征参数不一致导致影像三维卷积神经网络推测出的脑龄结果失真的问题，提升了脑龄结果推算的准确性。

Description

三维卷积模型、脑龄识别方法、装置、计算机设备及介质
技术领域
本发明涉及脑龄识别技术领域，尤其涉及一种三维卷积模型、脑龄识别方法、装置、计算机设备及介质。
背景技术
磁共振成像技术具有无创、无辐射、高分辨率等优点，可以提供人体组织的结构、代谢等多模态信息，在临床诊断中已经被广泛应用。目前，利用磁共振影像的脑龄预测与大脑健康评估主要基于磁共振结构像。通过对特定大脑区域或全脑范围的形态学指标分析，可以利用机器学习构建模型或通过三维卷积深度学习构建模型，从而实现识别大脑脑龄的结果。
针对于现有技术当中的通过机器学习构建模型的方法，在训练机器学习模型之前，需要使用额外的手段提取数据中的特征，而对于三维的大脑影像数据，这种提取过程可能会导致数据中的信息丢失。若将所有数据直接输入，大部分机器学习方法又很难应对，而通过三维卷积深度学习构建模型的方法中的卷积神经网络无需使用额外的步骤提取特征，卷积核可以直接提取特征并向下层传递，因此在现有技术当中，技术人员普遍使用通过三维卷积深度学习构建模型的方法来进行脑龄的识别。
而在利用通过三维卷积深度学习构建模型方面，当前的研究主要通过各种技术手段来提取三维磁共振数据中的大脑特征，再将提取出的特征输入至机器学习模型中学习并预测，或者直接利用深度学习中的卷积神经网络进行训练与预测，三维的卷积神经网络可以提取全脑特征，但是现有的三维的卷积神经网络在直接输入数据进行训练时往往会由于输入的大脑特征参数不一致导致影像三维卷积神经网络推测出的脑龄结果失真，因此，如何通过三维的卷积神经网络实现准确的脑龄识别，成为了一个急需解决的问题。
发明内容
基于此，有必要针对上述问题，提出了一种能通过三维的卷积神经网络实现准确的脑龄推算的三维卷积模型、脑龄识别方法、装置、计算机设备及介质。
一种脑龄识别方法，包括三维卷积神经网络模型，所述方法包括：
获取公共脑部数据集，所述公共脑部数据集包含ADNI脑部数据集及ICBM脑部数据集；
从所述ADNI脑部数据集中获取第一预设数量的ADNI脑部影像，记为第一待分类集；
从所述ICBM脑部数据集中获取第二预设数量的ICBM脑部影像，记为第二待分类集；
将所述第一待分类集以及所述第二待分类集进行整合并配准后，生成所述模型训练集；
将所述模型训练集输入到预设的三维卷积神经网络模型中进行模型训练，从而得出最终训练模型；
获取用户脑部数据并输入到所述最终训练模型中进行推算，从而得出脑龄结果。
一种三维卷积神经网络模型，包括卷积模块组、残差模块以及全连接模块；
所述卷积模块组与所述全连接模块相连，所述卷积模块组内设有若干个卷积模块，所述残差模块串联在所述卷积模块组内的卷积模块之间；
其中，所述卷积模块包括普通卷积单元以及池化卷积单元；
所述普通卷积单元以及所述池化卷积单元内均设有卷积核、归一化层以及激活函数层，所述卷积核与所述归一化层相连，所述归一化层与所述激活函数层相连，所述池化卷积单元内还设有最大池化层，所述最大池化层与所述激活函数层相连。
一种脑龄识别装置，包括三维卷积神经网络模型，所述方法包括：
数据获取单元，用于获取公共脑部数据集，所述公共脑部数据集包含ADNI脑部数据集及ICBM脑部数据集；
第一影像获取单元，用于从所述ADNI脑部数据集中获取第一预设数量的ADNI脑部影像，记为第一待分类集；
第二影像获取单元，从所述ICBM脑部数据集中获取第二预设数量的ICBM脑部影像，记为第二待分类集；
整合单元，用于将所述第一待分类集以及所述第二待分类集进行整合并配准后，生成所述模型训练集；
模型输出单元，用于将所述模型训练集输入到预设的三维卷积神经网络模型中进行模型训练，从而得出最终训练模型；
计算单元，用于获取用户脑部数据并输入到所述最终训练模型中进行推算，从而得出脑龄结果。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：
获取公共脑部数据集，所述公共脑部数据集包含ADNI脑部数据集及ICBM脑部数据集；
从所述ADNI脑部数据集中获取第一预设数量的ADNI脑部影像，记为第一待分类集；
从所述ICBM脑部数据集中获取第二预设数量的ICBM脑部影像，记为第二待分类集；
将所述第一待分类集以及所述第二待分类集进行整合并配准后，生成所述模型训练集；
将所述模型训练集输入到预设的三维卷积神经网络模型中进行模型训练，从而得出最终训练模型；
获取用户脑部数据并输入到所述最终训练模型中进行推算，从而得出脑龄结果。
一种计算机可读介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：
获取公共脑部数据集，所述公共脑部数据集包含ADNI脑部数据集及ICBM脑部数据集；
从所述ADNI脑部数据集中获取第一预设数量的ADNI脑部影像，记为第一待分类集；
从所述ICBM脑部数据集中获取第二预设数量的ICBM脑部影像，记为第二待分类集；
将所述第一待分类集以及所述第二待分类集进行整合并配准后，生成所述模型训练集；
将所述模型训练集输入到预设的三维卷积神经网络模型中进行模型训练，从而得出最终训练模型；
获取用户脑部数据并输入到所述最终训练模型中进行推算，从而得出脑龄结果。
上述的三维卷积模型、脑龄识别方法、装置、计算机设备及介质，通过获取现有的公共脑部数据集进行配准后组成模型训练集，并使用所述模型训练集对预设的三维卷积模型进行训练后生成最终训练模型，并使用所述最终训练模型对用户的用户脑部数据进行推算，从而输出最终脑龄结果的方式实现了通过对公共脑部数据集进行配准后组成模型训练集，并将配准后的模型训练集输入训练后的三维卷积模型实现准确推算用户的脑龄结果，解决了现有技术当中现有的三维的卷积神经网络在直接输入数据进行训练时往往会由于输入的大脑特征参数不一致导致影像三维卷积神经网络推测出的脑龄结果失真的问题，提升了脑龄结果推算的准确性。
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，下面将对实施例或现有技术描述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的前提下，还可以根据这些附图获得其他的附图。
其中：
图1为一个实施例中脑龄识别方法的方法流程图；
图2为一个实施例中三维卷积神经网络模型的结构示意图；
图3为一个实施例中卷积模块组的结构示意图；
图4为一个实施例中卷积模块的结构示意图；
图5为另一个实施例中卷积模块的结构示意图；
图6为一个实施例中脑龄识别装置的结构示意图；
图7为一实施例中计算机设备的结构框图。
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1所示的脑龄识别方法，包括三维卷积神经网络模型，所述方法包括：
S1、获取公共脑部数据集，所述公共脑部数据集包含ADNI脑部数据集及ICBM脑部数据集；
如上述步骤S1所述，所述后台系统获取所述公共脑部数据集，所述公共脑部数据集内储存了多个患者的脑部磁共振影像，所述公共脑部数据集为现有业内可公开查询到的脑部磁共振影像数据集，其中所述公共脑部数据集内包含了ADNI脑部数据集及ICBM脑部数据集，其中所述ADNI脑部数据集为是由目前美国国家卫生研究所和国家老年问题研究所研究共同成立的阿尔茨海默症的权威数据中心公布的脑部数据合集，所述ICBM脑部数据集是由国际脑成像联盟构建并公开的脑部数据合集；
其中，所述后台系统一般为后台服务器，此外，所述后台系统可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器，本发明对此不做限定。
S2、从所述ADNI脑部数据集中获取第一预设数量的ADNI脑部影像，记为第一待分类集；
如上述步骤S2所述，所述ADNI脑部影像为通过所述ADNI脑部数据获取到的脑部磁共振影像，则所述后台系统从所述ADNI脑部数据集获取索取第一预设数量的脑部磁共振影像，并记为第一待分类集；
可以理解的是，所述第一预设数量的具体数量可由用户自行设置，本发明对此不做任何限定，在本实施例中，所述第一预设数量的具体数量为1500，则所述后台系统从所述ADNI脑部数据集内获取1500例脑部磁共振影像，并记为第一待分类集。
S3、从所述ICBM脑部数据集中获取第二预设数量的ICBM脑部影像，记为第二待分类集；
如上述步骤S3所述，所述ICBM脑部数据为通过所述ICBM脑部数据获取到的脑部磁共振影像，则所述后台系统从所述ICBM脑部数据集获取索取第二预设数量的脑部磁共振影像，并记为第二待分类集；
可以理解的是，所述第二预设数量的具体数量可由用户自行设置，在本实施例中，所述第二预设数量的具体数量为500，则所述后台系统从所述ICBM脑部数据集内获取500例脑部磁共振影像，并记为第二待分类集。
S4、将所述第一待分类集以及所述第二待分类集进行整合并配准后，生成所述模型训练集；
如上述步骤S4所述，所述后台系统将所述第一待分类集以及所述第二待分类集内的脑部磁共振影像合并为同一个分类集后对所述分类集内的脑部磁共振影像进行整合，由于所述第一待分类集内的所述脑部磁共振影像是通过ADNI脑部数据集获取，而所述第二待分类集内的所述脑部磁共振影像是通过所述ICBM脑部数据集获取，所述ADNI脑部数据集与所述ICBM脑部数据集内的脑部磁共振影像是通过不同核磁共振设备获取的，因此所述第一待分类集以及所述第二待分类集内的所述脑部磁共振影像的原始数据大小不一致，需要进行配准。之后所述后台系统将配准后的所述分类集记为所述模型训练集。
S5、将所述模型训练集输入到预设的三维卷积神经网络模型中进行模型训练，从而得出最终训练模型；
如上述步骤S5所述，所述后台系统获取预设的三维卷积神经网络模型，并将所述模型训练集输入到所述三维卷积神经网络模型内进行模型训练，从而使用所述模型训练集内的所述脑部磁共振影像对所述三维卷积神经网络模型进行模型训练，从而生成所述最终训练模型。
S6、获取用户脑部数据并输入到所述最终训练模型中进行推算，从而得出脑龄结果。
如上述步骤S6所述，所述后台系统获取需要进行脑龄预测的用户的所述脑部磁共振影像并输入到所述最终训练模型中进行推算，并将最终的推算结果记为该名用户的脑龄结果。
本实施例通过上述方法，通过获取现有的公共脑部数据集进行配准后组成模型训练集，并使用所述模型训练集对预设的三维卷积模型进行训练后生成最终训练模型，并使用所述最终训练模型对用户的用户脑部数据进行推算，从而输出最终脑龄结果的方式实现了通过对公共脑部数据集进行配准后组成模型训练集，并将配准后的模型训练集输入训练后的三维卷积模型实现准确推算用户的脑龄结果，解决了现有技术当中现有的三维的卷积神经网络在直接输入数据进行训练时往往会由于输入的大脑特征参数不一致导致影像三维卷积神经网络推测出的脑龄结果失真的问题，提升了脑龄结果推算的准确性。
一实施例中，所述模型训练集包含训练集、验证集与测试集，则所述步骤S4包括：
S41、将所述第一待分类集以及所述第二待分类集整合到同一个整合分类集中、获取预设配准尺寸，按照所述预设配准尺寸调整所述整合分类集中各个所述脑部磁共振影像之间的尺寸差异，从而生成调整分类集，获取预设划分比例，按照所述预设划分比例将所述调整分类集划分为训练集、验证集与测试集。
如上述实施例所述，所述后台系统将所述第一待分类集内的所述脑部磁共振影像以及所述第二待分类集内的所述脑部磁共振影像整合到同一个整合分类集中，之后所述后台系统获取预设配准尺寸，并根据所述预设配准尺寸调整所述整合分类集内所述脑部磁共振影像的原始数据大小，从而生成调整后的所述调整分类集，之后所述后台系统获取所述预设划分比例，并根据所述预设划分比例将所述调整分类集划分为所述训练集、所述验证集与所述测试集；
可以理解的是，所述预设划分比例以及所述预设配准尺寸可由用户自行设置，本发明对此不做任何限定，在本实施例中，所述预设配准尺寸为91mm×109mm×91mm，所述预设划分比例为8:1:1，则所述后台系统将所述整合分类集中的所述脑部磁共振影像的尺寸调整为91mm×109mm×91mm，之后所述后台系统根据8:1:1的比例将所述整合分类集拆分为所述训练集、所述验证集与所述测试集。
本实施例通过上述方法，通过将第一待分类集以及所述第二待分类集整合后进行配准的方式实现了防止由于所述脑部磁共振影像的原始数据大小不一致导致所述三维卷积神经网络模型无法推算，同时通过将整合分类集拆分为所述训练集、所述验证集与所述测试集的方式实现了对所述三维卷积神经网络模型进行多次模型训练，提升了训练后所述三维卷积神经网络模型的可靠性。
一实施例中，所述三维卷积神经网络模型内设有第一卷积模块、第一残差模块以及第一全连接模块，所述第一卷积模块与所述第一残差模块相连，所述第一全连接模块与所述第一残差模块相连
则所述步骤S5，具体包括：
S5、将所述训练集输入到所述第一卷积模块、所述第一残差模块以及所述第一全连接模块中进行模型训练，从而更新所述三维卷积神经网络模型，记为初步筛选模型，获取所述初步筛选模型内的第二卷积模块、第二残差模块以及第二全连接模块，将所述验证集输入到所述第二卷积模块、所述第二残差模块以及所述第二全连接模块中进行模型训练，从而更新所述初步筛选模型，记为训练卷积模型，获取所述训练卷积模型内的第三卷积模块、第三残差模块以及第三全连接模块，将所述测试集输入到所述第三卷积模块、所述第三残差模块以及所述第三全连接模块中进行模型训练，从而更新所述训练卷积模型，记为最终训练模型。
如上述实施例所述，所述后台系统将所述训练集内包含的所述脑部磁共振影像输入到所述第一卷积模块、所述第一残差模块以及所述第一全连接模块中进行模型训练，并将训练完毕后所述三维卷积神经网络模型记为初步筛选模型，从而达到更新所述三维卷积神经网络模型的效果；
之后所述后台系统将所述验证集内包含的所述脑部磁共振影像输入到所述训练卷积模型内的所述第二卷积模块、所述第二残差模块以及所述第二全连接模块中进行模型训练，并将训练完毕后的所述初步筛选模型记为所述训练卷积模型，从而达到更新所述初步筛选模型的效果，
之后所述后台系统将所述测试集内包含的所述脑部磁共振影像输入到所述训练卷积模型内的所述第三卷积模块、所述第三残差模块以及所述第三全连接模块中进行模型训练，并将训练完毕后的所述训练卷积模型记为所述最终训练模型，从而达到更新所述训练卷积模型的效果。
可以理解的是，所述第一卷积模块、所述第一残差模块以及所述第一全连接模块在经由所述训练集进行训练更新后即更新为所述第二卷积模块、所述第二残差模块以及所述第二全连接模块，所述第二卷积模块、所述第二残差模块以及所述第二全连接模块在经由所述验证集进行训练更新后即更新为所述第三卷积模块、所述第三残差模块以及所述第三全连接模块。
本实施例通过上述方法，通过使用训练集进行模型训练从而更新所述三维卷积神经网络模型生成初步筛选模型，并使用验证集进行模型训练从而更新所述初步筛选模型生成训练卷积模型，并最后使用测试集进行模型训练从而更新所述训练卷积模型，生成所述最终训练模型的方式实现了对所述三维卷积神经网络模型进行对多次训练更新，提升了所述三维卷积神经网络模型的可靠性。
一实施例中，所述将所述训练集输入到所述第一卷积模块、所述第一残差模块以及所述第一全连接模块中进行模型训练，从而更新所述三维卷积神经网络模型，记为初步筛选模型的步骤，具体包括：
S6、获取所述第一卷积模块内预存的第一ReLU激活函数，将所述训练集输入到所述第一ReLU激活函数内进行推算，得出筛选训练结果，获取所述第一残差模块内预存的第一注意力机制网络，并通过所述第一注意力机制网络对所述筛选训练结果进行推算，得出第一注意力筛选结果，获取所述第一全连接模块内包含的第一全连接网络以及第一Sigmod函数，并将所述第一注意力筛选结果使用所述第一全连接网络以及所述第一Sigmod函数进行推算，从而首次脑龄推算值，使用预设损失函数对所述首次脑龄推算值进行推算，从而输出第一脑龄误差值，根据所述第一脑龄误差值调整所述三维卷积神经网络模型的模型参数，从而生成所述初步筛选模型。
如上述实施例所述，所述后台系统获取所述第一卷积模块内预存的第一ReLU激活函数，所述第一ReLU激活函数具体表现为:
Figure BDA0003558465050000101
在该所述第一ReLU激活函数中，所述后台系统将所述训练集内包含的所述脑部磁共振影像记为x，则所述f(x)即为所述第一ReLU激活函数的所述筛选训练结果，之后所述后台系统获取在所述第一残差模块内预存的第一注意力机制网络，所述第一注意力机制网络用于缓解所述三维卷积神经网络模型在进行模型训练的过程中出现的梯度消失问题，之后所述后台系统通过所述第一注意力机制网络对所述筛选训练结果进行推算，从而得出所述第一注意力筛选结果，之后所述后台系统将获取所述第一全连接模块内包含的第一全连接网络以及第一Sigmod函数，所述第一Sigmod函数具体表现为：
Figure BDA0003558465050000111
在该所述第一Sigmod函数中，所述后台系统将所述训练集内包含的所述脑部磁共振影像记为x，则所述f(x)即为所述首次脑龄推算值，此外所述exp为预设常数e的x次方，则所述后台系统通过所述第一全连接网络以及第一Sigmod函数推算出所述训练集内包含的所述脑部磁共振影像的所述首次脑龄推算值，之后所述后台系统将所述首次脑龄推算值使用预设的损失函数对所述首次脑龄推算值进行推算，所述损失函数具体表现为：
loss＝(xi-yi)2
其中所述损失函数中的x为所述首次脑龄推算值，所述y为用户输入的与所述训练集内所述脑部磁共振影像对应的真实脑龄，则所述后台系统通过所述损失函数推算出所述首次脑龄推算值与所述真实脑龄之间的出第一脑龄误差值，之后所述后台系统根据所述第一脑龄误差值调整所述三维卷积神经网络模型内卷积核的参数，从而生成所述初步筛选模型。
可以理解的是，所述第一注意力机制网络可以用户自行设定不同的注意力机制网络，在本实施例中，所述第一注意力机制网络为Se-Net，即现有技术当中常用的Squeeze-and-Excitation Networks。
一实施例中，所述将所述验证集输入到所述第二卷积模块、所述第二残差模块以及所述第二全连接模块中进行模型训练，从而更新所述初步筛选模型，记为训练卷积模型的步骤，具体包括：
S7、获取所述第二卷积模块内预存的第二ReLU激活函数，将所述验证集输入到所述第二ReLU激活函数内进行推算，得出二次筛选结果，获取所述第二残差模块内预存的第二注意力机制网络，并通过所述第二注意力机制网络对所述二次筛选结果进行推算，得出第二注意力筛选结果，获取所述第二全连接模块内包含的所述第二全连接网络以及第二Sigmod函数，并将所述第二注意力筛选结果使用所述第二全连接网络以及所述第二Sigmod函数进行推算，从而输出二次脑龄推算值，获取与所述验证集内包含的脑部影像匹配的真实脑龄值，判断所述二次脑龄推算值与所述真实脑龄值之间的差值是否大于预设阈值，若否，则将所述初步筛选模型记为训练卷积模型。
如上述实施例所述，所述后台系统获取所述第二卷积模块内预存的第二ReLU激活函数，所述第二ReLU激活函数具体表现为:
Figure BDA0003558465050000121
在该所述第二ReLU激活函数中，所述后台系统将所述验证集内包含的所述脑部磁共振影像记为x，则所述f(x)即为所述第二ReLU激活函数的所述二次筛选结果，之后所述后台系统获取在所述第二残差模块内预存的第二注意力机制网络，所述第二注意力机制网络用于缓解所述初步筛选模型在进行模型训练的过程中出现的梯度消失问题，之后所述后台系统通过所述第二注意力机制网络对所述二次筛选结果进行推算，从而得出所述第二注意力筛选结果，之后所述后台系统将获取所述第二全连接模块内包含的第二全连接网络以及第二Sigmod函数，所述第二Sigmod函数具体表现为：
Figure BDA0003558465050000131
在该所述第二Sigmod函数中，所述后台系统将所述验证集内包含的所述脑部磁共振影像记为x，则所述f(x)即为所述二次脑龄推算值，此外所述exp为预设常数e的x次方，则所述后台系统通过所述第二全连接网络以及所述第二Sigmod函数推算出所述验证集内包含的所述脑部磁共振影像的所述二次脑龄推算值，之后所述后台系统获取与所述验证集内包含的脑部影像匹配的所述真实脑龄值，并判断所述二次脑龄推算值与所述真实脑龄值之间的差值是否大于预设阈值，若否，则所述后台系统判断所述初步筛选模型训练成功，并将所述初步筛选模型记为训练卷积模型。
可以理解的是，所述第二注意力机制网络可以用户自行设定不同的注意力机制网络，在本实施例中，所述第二注意力机制网络为Se-Net，即现有技术当中常用的Squeeze-and-Excitation Networks。
一实施例中，所述将所述测试集输入到所述第三卷积模块、所述第三残差模块以及所述第三全连接模块中进行模型训练，从而更新所述训练卷积模型，记为最终训练模型的步骤，具体包括：
S8、获取所述第三卷积模块内预存的第三ReLU激活函数，将所述测试集输入到所述第三ReLU激活函数内进行推算，得出三次筛选结果，获取所述第三残差模块内预存的第三注意力机制网络，并通过所述第三注意力机制网络对所述三次筛选结果进行推算，得出第三注意力筛选结果，获取所述第三全连接模块内包含的所述第三全连接网络以及第三Sigmod函数，并将所述第三注意力筛选结果使用所述第三全连接网络以及所述第三Sigmod函数进行推算，得出三次脑龄推算值，根据所述三次脑龄推算值获取所述训练卷积模型的泛化能力信息，判断所述泛化能力信息是否符合预设要求，若是，则将所述训练卷积模型记为最终训练模型。
如上述实施例所述，所述后台系统获取所述第三卷积模块内预存的第三ReLU激活函数，所述第三ReLU激活函数具体表现为:
Figure BDA0003558465050000141
在该所述第三ReLU激活函数中，所述后台系统将所述测试集内包含的所述脑部磁共振影像记为x，则所述f(x)即为所述第三ReLU激活函数的所述三次筛选结果，之后所述后台系统获取在所述第三残差模块内预存的第三注意力机制网络，所述第三注意力机制网络用于缓解所述初步筛选模型在进行模型训练的过程中出现的梯度消失问题，之后所述后台系统通过所述第三注意力机制网络对所述三次筛选结果进行推算，从而得出所述第三注意力筛选结果，之后所述后台系统将获取所述第三全连接模块内包含的第三全连接网络以及第三Sigmod函数，所述第三Sigmod函数具体表现为：
Figure BDA0003558465050000142
在该所述第三Sigmod函数中，所述后台系统将所述测试集内包含的所述脑部磁共振影像记为x，则所述f(x)即为所述三次脑龄推算值，此外所述exp为预设常数e的x次方，则所述后台系统通过所述第三全连接网络以及第三Sigmod函数推算出所述测试集内包含的所述脑部磁共振影像的所述三次脑龄推算值，之后所述后台系统根据所述三次脑龄推算值获取所述训练卷积模型的泛化能力信息，并判断所述泛化能力信息是否符合预设要求，若是，则所述后台系统将所述训练卷积模型记为最终训练模型。
如图2所示的一种三维卷积神经网络模型，包括卷积模块组1、残差模块2以及全连接模块3；
卷积模块组1与全连接模块2相连，卷积模块3组内设有若干个卷积模块4，残差模块2串联在卷积模块组1内的卷积模块4之间；
如图3及图4所示，其中卷积模块4包括普通卷积单元41以及池化卷积单元42；
普通卷积单元41以及池化卷积单元42内均设有卷积核43、归一化层44以及激活函数层45，卷积核43与归一化层44相连，归一化层44与激活函数层45相连，池化卷积单元42内还设有最大池化层46，最大池化层46与激活函数层45相连。
如上述实施例所述，卷积模块组1用于当所述三维卷积神经网络模型使用所述脑部磁共振影像进行模型训练是压缩所述脑部磁共振影像的特征数量，从而达到减少所述后台系统在进行模型训练时的计算量，残差模块2内部储存有注意力机制网络，用于在特征通道层面上提升所述三维卷积神经网络模型的网络的性能，全连接模块3内部设有全连接网络以及Sigmod函数，用于输出输入的所述脑部磁共振影像对应的脑龄推算结果；
可以理解的是，卷积模块组1以及残差模块2的设置数量可由用户自行设定，卷积模块组1首尾相连，全连接模块3连接在最后一个卷积模块组1的末尾，此外卷积模块组1内所包含的卷积模块4的数量也可由用户自行设定，在本实施例中，共设有3组卷积模块组1，卷积模块组1内设有3个卷积模块4，5个残差模块2串联在卷积模块组1内的卷积模块4之间，从而组成所述三维卷积神经网络模型，关于卷积模块组1以及残差模块2的设置数量，本发明不做限定；
此外，卷积模块4内包括普通卷积单元41以及池化卷积单元42，普通卷积单元41以及池化卷积单元42内均设有卷积核43、归一化层44以及激活函数层45，普通卷积单元41与池化卷积单元42之间的唯一区别在于池化卷积单元42内还额外设有最大池化层46；
可以理解的是，卷积核43的参数以及普通卷积单元41以及池化卷积单元42在卷积模块4内的设置数量可由用户自行设置，在本实施例中，卷积核43的参数为体积参数3×3×3，步长参数(1,1,1)，卷积模块4内设有2个普通卷积单元41以及1个池化卷积单元42，从而组成卷积模块4。
如图6所示的一种脑龄识别装置，包括三维卷积神经网络模型，所述装置包括：包括：
数据获取单元10，用于获取公共脑部数据集，所述公共脑部数据集包含ADNI脑部数据集及ICBM脑部数据集；
第一影像获取单元20，用于从所述ADNI脑部数据集中获取第一预设数量的ADNI脑部影像，记为第一待分类集；
第二影像获取单元30，从所述ICBM脑部数据集中获取第二预设数量的ICBM脑部影像，记为第二待分类集；
整合单元40，用于将所述第一待分类集以及所述第二待分类集进行整合并配准后，生成所述模型训练集；
模型输出单元50，用于将所述模型训练集输入到预设的三维卷积神经网络模型中进行模型训练，从而得出最终训练模型；
计算单元60，用于获取用户脑部数据并输入到所述最终训练模型中进行推算，从而得出脑龄结果。
上述各单元为执行上述脑龄识别装置，在此不再一一介绍。
图3示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是服务器，所述服务器包括但不限于高性能计算机和高性能计算机集群。如图3所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现所述员工状态判断方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行所述脑龄识别方法。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的客户行为识别方法可以实现为一种计算机程序的形式，计算机程序可在如图7所示的计算机设备上运行。计算机设备的存储器中可存储组成邮件自动分类聚合装置的各个程序模板。比如，数据获取单元10、第一影像获取单元20、第二影像获取单元30、整合单元40、模型输出单元50以及计算单元60。
如图7所示，一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下步骤：
获取公共脑部数据集，所述公共脑部数据集包含ADNI脑部数据集及ICBM脑部数据集，从所述ADNI脑部数据集中获取第一预设数量的ADNI脑部影像，记为第一待分类集，从所述ICBM脑部数据集中获取第二预设数量的ICBM脑部影像，记为第二待分类集，将所述第一待分类集以及所述第二待分类集进行整合并配准后，生成所述模型训练集，将所述模型训练集输入到预设的三维卷积神经网络模型中进行模型训练，从而得出最终训练模型，获取用户脑部数据并输入到所述最终训练模型中进行推算，从而得出脑龄结果。
综合上述实施例可知，本发明最大的有益效果在于：通过获取现有的公共脑部数据集进行配准后组成模型训练集，并使用所述模型训练集对预设的三维卷积模型进行训练后生成最终训练模型，并使用所述最终训练模型对用户的用户脑部数据进行推算，从而输出最终脑龄结果的方式实现了通过对公共脑部数据集进行配准后组成模型训练集，并将配准后的模型训练集输入训练后的三维卷积模型实现准确推算用户的脑龄结果，解决了现有技术当中现有的三维的卷积神经网络在直接输入数据进行训练时往往会由于输入的大脑特征参数不一致导致影像三维卷积神经网络推测出的脑龄结果失真的问题，提升了脑龄结果推算的准确性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种脑龄识别方法，其特征在于，包括三维卷积神经网络模型，所述方法包括：
获取公共脑部数据集，所述公共脑部数据集包含ADNI脑部数据集及ICBM脑部数据集；
从所述ADNI脑部数据集中获取第一预设数量的ADNI脑部影像，记为第一待分类集；
从所述ICBM脑部数据集中获取第二预设数量的ICBM脑部影像，记为第二待分类集；
将所述第一待分类集以及所述第二待分类集进行整合并配准后，生成模型训练集；
将所述模型训练集输入到预设的三维卷积神经网络模型中进行模型训练，从而得出最终训练模型；
获取用户脑部数据并输入到所述最终训练模型中进行推算，从而得出脑龄结果。
2.如权利要求1所述的脑龄识别方法，其特征在于，所述模型训练集包含训练集、验证集与测试集，则所述将所述第一待分类集以及所述第二待分类集进行整合并配准后，生成所述模型训练集的步骤包括：
将所述第一待分类集以及所述第二待分类集整合到同一个整合分类集中；
获取预设配准尺寸，按照所述预设配准尺寸调整所述整合分类集中各个脑部影像之间的尺寸差异，从而生成调整分类集；
获取预设划分比例，按照所述预设划分比例将所述调整分类集划分为训练集、验证集与测试集。
3.如权利要求2所述的脑龄识别方法，其特征在于，所述三维卷积神经网络模型内设有第一卷积模块、第一残差模块以及第一全连接模块，所述第一卷积模块与所述第一残差模块相连，所述第一全连接模块与所述第一残差模块相连；
则所述将所述模型训练集输入到预设的三维卷积神经网络模型中进行模型训练，从而得出最终训练模型的步骤，具体包括：
将所述训练集输入到所述第一卷积模块、所述第一残差模块以及所述第一全连接模块中进行模型训练，从而更新所述三维卷积神经网络模型，记为初步筛选模型；
获取所述初步筛选模型内的第二卷积模块、第二残差模块以及第二全连接模块；
将所述验证集输入到所述第二卷积模块、所述第二残差模块以及所述第二全连接模块中进行模型训练，从而更新所述初步筛选模型，记为训练卷积模型；
获取所述训练卷积模型内的第三卷积模块、第三残差模块以及第三全连接模块；
将所述测试集输入到所述第三卷积模块、所述第三残差模块以及所述第三全连接模块中进行模型训练，从而更新所述训练卷积模型，记为最终训练模型。
4.如权利要求3所述的脑龄识别方法，其特征在于，所述将所述训练集输入到所述第一卷积模块、所述第一残差模块以及所述第一全连接模块中进行模型训练，从而更新所述三维卷积神经网络模型，记为初步筛选模型的步骤，具体包括：
获取所述第一卷积模块内预存的第一ReLU激活函数；
将所述训练集输入到所述第一ReLU激活函数内进行推算，得出筛选训练结果；
获取所述第一残差模块内预存的第一注意力机制网络，并通过所述第一注意力机制网络对所述筛选训练结果进行推算，得出第一注意力筛选结果；
获取所述第一全连接模块内包含的第一全连接网络以及第一Sigmod函数，并将所述第一注意力筛选结果使用所述第一全连接网络以及所述第一Sigmod函数进行推算，从而得出首次脑龄推算值；
使用预设损失函数对所述首次脑龄推算值进行推算，从而输出第一脑龄误差值；
根据所述第一脑龄误差值调整所述三维卷积神经网络模型的模型参数，从而生成所述初步筛选模型。
5.如权利要求4所述的脑龄识别方法，其特征在于，所述将所述验证集输入到所述第二卷积模块、所述第二残差模块以及所述第二全连接模块中进行模型训练，从而更新所述初步筛选模型，记为训练卷积模型的步骤，具体包括：
获取所述第二卷积模块内预存的第二ReLU激活函数；
将所述验证集输入到所述第二ReLU激活函数内进行推算，得出二次筛选结果；
获取所述第二残差模块内预存的第二注意力机制网络，并通过所述第二注意力机制网络对所述二次筛选结果进行推算，得出第二注意力筛选结果；
获取所述第二全连接模块内包含的所述第二全连接网络以及第二Sigmod函数，并将所述第二注意力筛选结果使用所述第二全连接网络以及所述第二Sigmod函数进行推算，从而输出二次脑龄推算值；
获取与所述验证集内包含的脑部影像匹配的真实脑龄值；
判断所述二次脑龄推算值与所述真实脑龄值之间的差值是否大于预设阈值；
若否，则将所述初步筛选模型记为训练卷积模型。
6.如权利要求5所述的脑龄识别方法，其特征在于，所述将所述测试集输入到所述第三卷积模块、所述第三残差模块以及所述第三全连接模块中进行模型训练，从而更新所述训练卷积模型，记为最终训练模型的步骤，具体包括：
获取所述第三卷积模块内预存的第三ReLU激活函数；
将所述测试集输入到所述第三ReLU激活函数内进行推算，得出三次筛选结果；
获取所述第三残差模块内预存的第三注意力机制网络，并通过所述第三注意力机制网络对所述三次筛选结果进行推算，得出第三注意力筛选结果；
获取所述第三全连接模块内包含的所述第三全连接网络以及第三Sigmod函数，并将所述第三注意力筛选结果使用所述第三全连接网络以及所述第三Sigmod函数进行推算，从而三次脑龄推算值；
根据所述三次脑龄推算值获取所述训练卷积模型的泛化能力信息；
判断所述泛化能力信息是否符合预设要求，若是，则将所述训练卷积模型记为最终训练模型。
7.一种三维卷积神经网络模型，其特征在于，包括卷积模块组、残差模块以及全连接模块；
所述卷积模块组与所述全连接模块相连，所述卷积模块组内设有若干个卷积模块，所述残差模块串联在所述卷积模块组内的卷积模块之间；
其中，所述卷积模块包括普通卷积单元以及池化卷积单元；
所述普通卷积单元以及所述池化卷积单元内均设有卷积核、归一化层以及激活函数层，所述卷积核与所述归一化层相连，所述归一化层与所述激活函数层相连，所述池化卷积单元内还设有最大池化层，所述最大池化层与所述激活函数层相连。
8.一种脑龄识别装置，其特征在于，包括三维卷积神经网络模型，所述装置包括：
数据获取单元，用于获取公共脑部数据集，所述公共脑部数据集包含ADNI脑部数据集及ICBM脑部数据集；
第一影像获取单元，用于从所述ADNI脑部数据集中获取第一预设数量的ADNI脑部影像，记为第一待分类集；
第二影像获取单元，从所述ICBM脑部数据集中获取第二预设数量的ICBM脑部影像，记为第二待分类集；
整合单元，用于将所述第一待分类集以及所述第二待分类集进行整合并配准后，生成模型训练集；
模型输出单元，用于将所述模型训练集输入到预设的三维卷积神经网络模型中进行模型训练，从而得出最终训练模型；
计算单元，用于获取用户脑部数据并输入到所述最终训练模型中进行推算，从而得出脑龄结果。
9.一种计算机设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的脑龄识别方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的脑龄识别方法的步骤。
CN202210282658.0A 2022-03-22 2022-03-22 三维卷积模型、脑龄识别方法、装置、计算机设备及介质 Pending CN114748055A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210282658.0A CN114748055A (zh) 2022-03-22 2022-03-22 三维卷积模型、脑龄识别方法、装置、计算机设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210282658.0A CN114748055A (zh) 2022-03-22 2022-03-22 三维卷积模型、脑龄识别方法、装置、计算机设备及介质

Publications (1)

Publication Number Publication Date
CN114748055A true CN114748055A (zh) 2022-07-15

Family

ID=82326672

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210282658.0A Pending CN114748055A (zh) 2022-03-22 2022-03-22 三维卷积模型、脑龄识别方法、装置、计算机设备及介质

Country Status (1)

Country Link
CN (1) CN114748055A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115115628A (zh) * 2022-08-29 2022-09-27 山东第一医科大学附属省立医院(山东省立医院) 一种基于三维精细化残差网络的腔隙性脑梗死识别系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115115628A (zh) * 2022-08-29 2022-09-27 山东第一医科大学附属省立医院(山东省立医院) 一种基于三维精细化残差网络的腔隙性脑梗死识别系统

Similar Documents

Publication Publication Date Title
CN110880361B (zh) 一种个性化精准用药推荐方法及装置
US11210781B2 (en) Methods and devices for reducing dimension of eigenvectors and diagnosing medical images
CN109887562B (zh) 电子病历的相似度确定方法、装置、设备和存储介质
CN112151141A (zh) 医疗数据处理方法、装置、计算机设备和存储介质
CN110859624A (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
CN110931090A (zh) 疾病数据处理方法、装置、计算机设备和存储介质
CN112348785B (zh) 一种癫痫病灶定位方法及系统
CN111710383A (zh) 病历质控方法、装置、计算机设备和存储介质
US11263494B2 (en) Classification device, classification method, program, and information recording medium
WO2019136745A1 (zh) 一种基于磁共振图像的脑龄测试方法及脑龄测试装置
CN111833984B (zh) 基于机器学习的药品质控分析方法、装置、设备及介质
CN114748055A (zh) 三维卷积模型、脑龄识别方法、装置、计算机设备及介质
CN114881943B (zh) 基于人工智能的脑龄预测方法、装置、设备及存储介质
KR101653505B1 (ko) 이미지를 기반으로 건강상태에 대한 진단을 보조하는 컴퓨팅 장치 및 방법
CN114358001A (zh) 诊断结果的标准化方法及其相关装置、设备和存储介质
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
CN111354463B (zh) 人体健康测量方法、装置、计算机设备及存储介质
CN109710928B (zh) 非结构化文本的实体关系抽取方法及装置
CN115331071A (zh) 一种基于多尺度特征图的结核性脑膜脑炎预测方法及系统
CN111275059B (zh) 一种图像处理方法、装置和计算机可读存储介质
CN117352164A (zh) 基于人工智能的多模态肿瘤检测诊断平台及其处理方法
CN109493975B (zh) 基于xgboost模型的慢性病复发预测方法、装置和计算机设备
CN115101193A (zh) 一种症状推荐方法、设备及计算机可读存储介质
CN110223760B (zh) 一种医疗影像信息采集与融合方法及系统
Jai-Andaloussi et al. Content Based Medical Image Retrieval based on BEMD: optimization of a similarity metric

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