CN114881943A - 基于人工智能的脑龄预测方法、装置、设备及存储介质 - Google Patents

基于人工智能的脑龄预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114881943A
CN114881943A CN202210432109.7A CN202210432109A CN114881943A CN 114881943 A CN114881943 A CN 114881943A CN 202210432109 A CN202210432109 A CN 202210432109A CN 114881943 A CN114881943 A CN 114881943A
Authority
CN
China
Prior art keywords
target
age
brain
sample set
sample
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.)
Granted
Application number
CN202210432109.7A
Other languages
English (en)
Other versions
CN114881943B (zh
Inventor
王思伦
刘志华
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 Yiwei Medical Technology Co Ltd
Original Assignee
Shenzhen Yiwei Medical Technology Co Ltd
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 Yiwei Medical Technology Co Ltd filed Critical Shenzhen Yiwei Medical Technology Co Ltd
Priority to CN202210432109.7A priority Critical patent/CN114881943B/zh
Publication of CN114881943A publication Critical patent/CN114881943A/zh
Application granted granted Critical
Publication of CN114881943B publication Critical patent/CN114881943B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明实施例公开了一种基于人工智能的脑龄预测方法、装置、设备及存储介质，其中方法包括：将目标对象的目标脑灰质三维图像和目标脑白质三维图像输入目标对象的目标实际年龄对应的脑龄预测模型进行脑龄预测，得到初始脑龄，其中，脑龄预测模型是基于采用空洞卷积的深度学习残差模型训练得到的模型；采用目标实际年龄和目标实际年龄对应的目标偏差矫正函数，对初始脑龄进行偏差矫正，得到目标对象对应的脑龄预测结果。通过采用区分年龄段的模型进行脑龄预测，预测时运算更速度快，预测准确度更高，通过偏差矫正，进一步提高了脑龄预测的准确性；通过深度学习残差模型和空洞卷积，降低了模型预测脑龄的误差。

Description

基于人工智能的脑龄预测方法、装置、设备及存储介质
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于人工智能的脑龄预测方法、装置、设备及存储介质。
背景技术
医学影像是指为了医疗或医学研究，对人体或人体某部分以非侵入方式取得的内部组织影像。传统的脑龄预测方法首先从大脑的磁共振影像中提取手工特征(包括底层特征、中间特征)，然后根据手工特征进行分类或回归预测脑龄，整个过程依赖影像中的组织分割、特征选择等繁琐的工作流程，预测结果受手工特征影响，预测结果的误差较大。目前采用一个模型进行多个年龄段的脑龄预测，在模型训练时，针对各个年龄段的训练样本比例是不平衡的，若要预测的对象的实际年龄正好对应最小的训练样本比例，则会存在模型预测的准确度会变低。
比如，专利公开号为CN105046709B的专利提出了一种基于核磁共振影像的脑龄分析方法，其利用生理年龄作为模型的标签，以青少年和中老年等不同年龄段的用户的灰质及白质对应的脑部影像作为训练数据，得到用于预测脑龄的模型。该专利采用的方案为用一个模型预测多个年龄段的脑龄。
比如，专利公开号为CN113456031A的专利提出了一种脑状态预测模型的训练装置、预测装置及电子设备，其也是利用真实的人的年龄作为模型的标签(参见说明书[0047]段)，以青少年和中老年等不同年龄段的用户的灰质及白质对应的脑部影像作为训练数据，得到用于预测脑龄的模型。其更进一步公开了：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。该专利采用的方案为根据各年龄段样本的比例调整权重。
比如，专利公开号为CN110555828A的专利提出了基于3D卷积神经网络的脑龄预测方法及装置，其公开了：[0063]具体实施时，当有放回抽样的次数达到抽样阈值时，说明进行有放回抽样的年龄段数据的数据量达到了预设要求，基本能够确保不同年龄段的数据进入模型训练的概率相当，此时，和其它年龄段数据的处理方式一样，对有放回抽样后得到的年龄段数据逐一进行编号并存储至文件中”。该专利采用的方案为设置规则控制训练样本中各年龄段样本的比例。
发明内容
基于此，有必要针对目前采用一个模型进行多个年龄段的脑龄预测，在模型训练时，针对各个年龄段的训练样本比例是不平衡的，若要预测的对象的实际年龄正好对应最小的训练样本比例，则会存在模型预测的准确度会变低的技术问题，提出了一种基于人工智能的脑龄预测方法、装置、设备及存储介质。
一种基于人工智能的脑龄预测方法，所述方法包括：
获取目标对象的目标实际年龄、目标脑灰质三维图像和目标脑白质三维图像；
根据所述目标实际年龄，从预设的脑龄预测模型库中获取脑龄预测模型，作为目标脑龄预测模型，其中，所述脑龄预测模型是基于采用空洞卷积的深度学习残差模型训练得到的模型；
将所述目标脑灰质三维图像和所述目标脑白质三维图像输入所述目标脑龄预测模型进行脑龄预测，得到初始脑龄；
根据所述目标实际年龄，从预设的偏差矫正函数库中获取偏差矫正函数，作为目标偏差矫正函数；
采用所述目标偏差矫正函数和所述目标实际年龄，对所述初始脑龄进行偏差矫正，得到所述目标对象对应的脑龄预测结果。
一种基于人工智能的脑龄预测装置，所述装置包括：
数据获取模块，用于获取目标对象的目标实际年龄、目标脑灰质三维图像和目标脑白质三维图像；
目标脑龄预测模型确定模块，用于根据所述目标实际年龄，从预设的脑龄预测模型库中获取脑龄预测模型，作为目标脑龄预测模型，其中，所述脑龄预测模型是基于采用空洞卷积的深度学习残差模型训练得到的模型；
初始脑龄确定模块，用于将所述目标脑灰质三维图像和所述目标脑白质三维图像输入所述目标脑龄预测模型进行脑龄预测，得到初始脑龄；
目标偏差矫正函数确定模块，用于根据所述目标实际年龄，从预设的偏差矫正函数库中获取偏差矫正函数，作为目标偏差矫正函数；
脑龄预测结果确定模块，用于采用所述目标偏差矫正函数和所述目标实际年龄，对所述初始脑龄进行偏差矫正，得到所述目标对象对应的脑龄预测结果。
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：获取目标对象的目标实际年龄、目标脑灰质三维图像和目标脑白质三维图像；根据所述目标实际年龄，从预设的脑龄预测模型库中获取脑龄预测模型，作为目标脑龄预测模型，其中，所述脑龄预测模型是基于采用空洞卷积的深度学习残差模型训练得到的模型；将所述目标脑灰质三维图像和所述目标脑白质三维图像输入所述目标脑龄预测模型进行脑龄预测，得到初始脑龄；根据所述目标实际年龄，从预设的偏差矫正函数库中获取偏差矫正函数，作为目标偏差矫正函数；采用所述目标偏差矫正函数和所述目标实际年龄，对所述初始脑龄进行偏差矫正，得到所述目标对象对应的脑龄预测结果。
一种计算机可读存储介质，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：获取目标对象的目标实际年龄、目标脑灰质三维图像和目标脑白质三维图像；根据所述目标实际年龄，从预设的脑龄预测模型库中获取脑龄预测模型，作为目标脑龄预测模型，其中，所述脑龄预测模型是基于采用空洞卷积的深度学习残差模型训练得到的模型；将所述目标脑灰质三维图像和所述目标脑白质三维图像输入所述目标脑龄预测模型进行脑龄预测，得到初始脑龄；根据所述目标实际年龄，从预设的偏差矫正函数库中获取偏差矫正函数，作为目标偏差矫正函数；采用所述目标偏差矫正函数和所述目标实际年龄，对所述初始脑龄进行偏差矫正，得到所述目标对象对应的脑龄预测结果。
本申请的基于人工智能的脑龄预测方法，采用目标实际年龄对应的脑龄预测模型进行脑龄预测，从而实现采用区分年龄段的模型进行脑龄预测，相对不区分年龄段的模型，区分年龄段的模型的预测范围更小，预测时运算更速度快，消耗资源更小；而且不区分年龄段的模型在模型训练时，针对各个年龄段的训练样本比例是不平衡的，若要预测的对象的实际年龄正好对应最小的训练样本比例，则会存在模型预测的准确度会变低的问题，而采用区分年龄段的模型可以避免该问题；不区分年龄段的模型，因预测范围较大，在相同运算资源下，训练模型找到符合规律的最优模型的难度更大，耗时更长，而采用区分年龄段的模型可以避免该问题；采用区分年龄段的模型不仅能够实现上述效果，而且为了进一步提高确定的脑龄的准确性，还通过区分年龄段的偏差矫正函数和实际年龄对模型预测的脑龄进行偏差矫正；另外，脑龄预测模型是基于采用空洞卷积的深度学习残差模型训练得到的模型，因深度学习残差模型提取特征简单和预测误差较小，以及空洞卷积能提高特征的利用率，降低了模型预测脑龄的误差。
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为一个实施例中基于人工智能的脑龄预测方法的流程图；
图2为一个实施例中基于人工智能的脑龄预测装置的结构框图；
图3为一个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，在一个实施例中，提供了一种基于人工智能的脑龄预测方法。该方法既可以应用于终端，也可以应用于服务器，本实施例以应用于终端举例说明。该基于人工智能的脑龄预测方法具体包括如下步骤：
S102：获取目标对象的目标实际年龄、目标脑灰质三维图像和目标脑白质三维图像；
具体而言，可以获取用户输入的目标对象的目标实际年龄、目标脑灰质三维图像和目标脑白质三维图像，也可以从数据库中获取目标对象的目标实际年龄、目标脑灰质三维图像和目标脑白质三维图像，还可以从第三方应用中获取目标对象的目标实际年龄、目标脑灰质三维图像和目标脑白质三维图像。
目标对象，是需要进行脑龄预测的人体。
目标实际年龄，是目标对象的实际年龄。人的年龄可有实际年龄、生理年龄和脑年龄之区分，实际年龄是以生命长短来计算，生理年龄是除大脑之外其他重要器官功能的年龄，脑年龄(简称脑龄)是大脑的年龄。
目标脑灰质三维图像，是根据目标对象的磁共振影像提取的脑灰质三维图像。脑灰质三维图像，是人体的脑灰质的三维图像。
磁共振影像，是基于MRI(Magnetic Resonance Imaging，磁共振成像)得到的影像。
目标脑白质三维图像，是根据目标对象的磁共振影像提取的脑白质三维图像。脑白质三维图像，是人体的脑白质的三维图像。
可选的，获取目标对象的磁共振影像，作为目标影像；对所述目标影像进行偏置场校正，得到待处理影像；对所述待处理影像进行颅骨对应的影像区域去除，得到待分析影像；对所述待分析影像分别按照脑灰质和脑白质进行分割，将分割出的脑灰质影像区域作为初始脑灰质影像，将分割出的脑白质影像区域作为初始脑白质影像；将所述初始脑灰质影像进行配准到标准脑模板的MNI空间上，得到待处理脑灰质影像；将所述初始脑白质影像进行配准到标准脑模板的MNI空间上，得到待处理脑白质影像；对所述待处理脑灰质影像进行平滑处理，得到所述目标脑灰质三维图像；对所述待处理脑白质影像进行平滑处理，得到所述目标脑白质三维图像。
其中，对所述目标影像进行偏置场校正的方法步骤在此不做赘述。
其中，对所述待分析影像分别按照脑灰质和脑白质进行分割的方法步骤在此不做赘述。
MNI(Montreal Neurological Institute)空间，是根据一系列正常人脑的磁共振影像而建立的坐标系统。
S104：根据所述目标实际年龄，从预设的脑龄预测模型库中获取脑龄预测模型，作为目标脑龄预测模型，其中，所述脑龄预测模型是基于采用空洞卷积的深度学习残差模型训练得到的模型；
其中，脑龄预测模型库包括：年龄段和脑龄预测模型。年龄段是开始年龄到结束年龄的年龄分段。比如，将20-30作为年龄段，包括20岁，不包括30岁。
深度学习残差模型依次包括：普通卷积层、池化层、多个特征提取层、池化层、全连接层。每个特征提取层包括多个一模一样的残差单元(Residual block module)。
其中，所述脑龄预测模型是基于采用空洞卷积的深度学习残差模型训练得到的模型，是指深度学习残差模型的第3个特征提取层(layer)和第4个特征提取层的采用空洞残差单元。在深度学习残差模型的残差单元的常规卷积层中添加扩张率，以形成空洞残差单元。
具体而言，将所述目标实际年龄，从所述脑龄预测模型库的各个年龄段中进行包含所述目标实际年龄的年龄段的查找，则将查找到的年龄段在脑龄预测模型库中对应的脑龄预测模型作为目标脑龄预测模型。
S106：将所述目标脑灰质三维图像和所述目标脑白质三维图像输入所述目标脑龄预测模型进行脑龄预测，得到初始脑龄；
具体而言，将所述目标脑灰质三维图像和所述目标脑白质三维图像输入所述目标脑龄预测模型进行脑龄预测，将预测得到的脑龄作为初始脑龄。
S108：根据所述目标实际年龄，从预设的偏差矫正函数库中获取偏差矫正函数，作为目标偏差矫正函数；
其中，偏差矫正函数库包括：年龄段和偏差矫正函数。偏差矫正函数，是根据实际年龄和预测脑龄进行偏差矫正的函数。
可选的，偏差矫正函数是根据实际年龄和预测脑龄得到的线性函数。
具体而言，将所述目标实际年龄，从所述偏差矫正函数库的各个年龄段中进行包含所述目标实际年龄的年龄段的查找，则将查找到的年龄段在偏差矫正函数库中对应的偏差矫正函数作为目标偏差矫正函数。
S110：采用所述目标偏差矫正函数和所述目标实际年龄，对所述初始脑龄进行偏差矫正，得到所述目标对象对应的脑龄预测结果。
具体而言，将所述初始脑龄和所述目标实际年龄输入所述目标偏差矫正函数进行脑龄计算，将计算得到的脑龄作为所述目标对象对应的脑龄预测结果。
本实施例采用目标实际年龄对应的脑龄预测模型进行脑龄预测，从而实现采用区分年龄段的模型进行脑龄预测，相对不区分年龄段的模型，区分年龄段的模型的预测范围更小，预测时运算更速度快，消耗资源更小；而且不区分年龄段的模型在模型训练时，针对各个年龄段的训练样本比例是不平衡的，若要预测的对象的实际年龄正好对应最小的训练样本比例，则会存在模型预测的准确度会变低的问题，而采用区分年龄段的模型可以避免该问题；不区分年龄段的模型，因预测范围较大，在相同运算资源下，训练模型找到符合规律的最优模型的难度更大，耗时更长，而采用区分年龄段的模型可以避免该问题；采用区分年龄段的模型不仅能够实现上述效果，而且为了进一步提高确定的脑龄的准确性，还通过区分年龄段的偏差矫正函数和实际年龄对模型预测的脑龄进行偏差矫正；另外，脑龄预测模型是基于采用空洞卷积的深度学习残差模型训练得到的模型，因深度学习残差模型提取特征简单和预测误差较小，以及空洞卷积能提高特征的利用率，降低了模型预测脑龄的误差。
在一个实施例中，上述根据所述目标实际年龄，从预设的脑龄预测模型库中获取脑龄预测模型，作为目标脑龄预测模型的步骤之前，还包括：
S202：获取目标年龄段对应的初始模型、训练集及验证集；
具体而言，可以获取用户输入的目标年龄段对应的初始模型、训练集及验证集，也可以从数据库中获取目标年龄段对应的初始模型、训练集及验证集，还可以从第三方应用中获取目标年龄段对应的初始模型、训练集及验证集。
其中，初始模型是基于采用空洞卷积的深度学习残差模型得到的模型。
训练集中包括多个训练样本。训练样本包括：脑灰质三维图像样本、脑白质三维图像样本和实际年龄标签，脑灰质三维图像样本和脑白质三维图像样本是从同一对象的脑部的磁共振影像提取得到的三维图像，实际年龄标签是脑灰质三维图像样本和脑白质三维图像样本对应的对象的实际年龄。脑灰质三维图像样本，是人体的脑灰质的三维图像。脑白质三维图像样本，是人体的脑白质的三维图像。
验证集中包括多个验证样本。验证样本包括：脑灰质三维图像样本、脑白质三维图像样本和实际年龄标签，脑灰质三维图像样本和脑白质三维图像样本是从同一对象的脑部的磁共振影像提取得到的三维图像，实际年龄标签是脑灰质三维图像样本和脑白质三维图像样本对应的对象的实际年龄。
S204：将所述初始模型作为待训练模型；
具体而言，将所述初始模型作为待训练模型，此时的待训练模型是未训练的模型。
S206：对所述训练集中的各个训练样本进行随机排序，得到目标样本集；
具体而言，对所述训练集中的各个训练样本进行随机排序，将排序后的所述训练集作为目标样本集。
S208：采用所述目标样本集，对所述待训练模型进行训练，得到待筛选模型；
具体而言，采用所述目标样本集，对所述待训练模型进行训练，将训练结束的所述待训练模型作为待筛选模型。
其中，在采用所述目标样本集对所述待训练模型进行训练时，采用Adam作为优化器，初始化学习率为0.001。
Adam，是一种可以替代传统随机梯度下降(SGD)过程的一阶优化算法,它能基于训练数据迭代地更新神经网络权重。
S210：重复执行所述将所述初始模型作为待训练模型的步骤，直至所述待筛选模型的数量达到预设的模型数量；
具体而言，重复执行所述将所述初始模型作为待训练模型的步骤，也就是重复执行步骤S204至步骤S210，直至所述待筛选模型的数量达到预设的模型数量。当所述待筛选模型的数量达到预设的模型数量时，停止重复执行步骤S204至步骤S210，开始执行步骤S212。
可选的，预设的模型数量为50。
S212：采用所述验证集，对每个所述待筛选模型进行平均绝对误差值计算；
具体而言，将所述验证集中的每个验证样本的脑灰质三维图像样本和脑白质三维图像样本输入所述待筛选模型进行脑龄预测，得到验证脑龄；根据所述验证集中的各个验证样本各自对应的验证脑龄及实际年龄标签进行平均绝对误差计算，将计算得到的数据作为平均绝对误差值。
S214：从各个所述平均绝对误差值中查找出值为最小的所述平均绝对误差值，作为命中误差值；
具体而言，从各个所述平均绝对误差值中查找出值为最小的所述平均绝对误差值，将找出的所述平均绝对误差值作为命中误差值。从而找到了预测偏差最小的所述待筛选模型的所述平均绝对误差值。
S216：将所述命中误差值对应的所述待筛选模型，作为所述目标年龄段对应的所述脑龄预测模型；
具体而言，将所述命中误差值对应的所述待筛选模型，作为所述目标年龄段对应的所述脑龄预测模型，从而将预测偏差最小的所述待筛选模型作为所述目标年龄段对应的所述脑龄预测模型。
S218：根据所述目标年龄段和所述目标年龄段对应的所述脑龄预测模型更新所述脑龄预测模型库。
具体而言，将所述目标年龄段和所述目标年龄段对应的所述脑龄预测模型作为关联数据，将该关联数据更新到所述脑龄预测模型库中。
可以理解的是，可以采用步骤S202至步骤S218对应的方式，确定每个年龄段对应的所述脑龄预测模型，从而形成包含各个年龄段的脑龄预测模型的所述脑龄预测模型库。
本实施例采用将训练集中的各个样本进行随机排序后训练出多个待筛选模型，从训练出的多个待筛选模型中筛选出最小的平均绝对误差值，将筛选出的平均绝对误差值对应的待筛选模型作为目标年龄段对应的脑龄预测模型，提高了确定的脑龄预测模型的性能。
在一个实施例中，上述获取目标年龄段对应的初始模型、训练集及验证集的步骤之前，还包括：
S302：获取初始样本集；
具体而言，可以获取用户输入的初始样本集，也可以从数据库中获取初始样本集，还可以从第三方应用中获取初始样本集。
初始样本集中包含多个初始样本。初始样本包括：脑灰质三维图像样本、脑白质三维图像样本和实际年龄标签，脑灰质三维图像样本和脑白质三维图像样本是从同一对象的脑部的磁共振影像提取得到的三维图像，实际年龄标签是脑灰质三维图像样本和脑白质三维图像样本对应的对象的实际年龄。
可以理解的是，初始样本集是来自多家机构(医院、体检中心)不同扫描设备，从而使数据整体呈现多样化。经研究发现，搜集到的数据年龄分布不均匀，呈现纺锤形分布，因此需要采用分层采样的方法进行抽样。
可以理解的是，初始样本集中的样本的对象可以是正常人体，也可以是非正常人体。非正常人体包括但不限于：患有阿尔兹海默病的人体、患有轻度认知障碍的人体。
S304：对所述初始样本集按机构进行集合划分，得到各个单机构样本集；
具体而言，对所述初始样本集中的各个初始样本按机构进行集合划分，将划分得到的每个集合作为一个单机构样本集。
也就是说，单机构样本集中的样本来自同一个机构。
S306：对所述初始样本集进行样本总数计算，得到第一样本总数；
具体而言，对所述初始样本集进行初始样本的样本总数计算，将计算得到的样本总数作为第一样本总数。
S308：将每个所述单机构样本集的样本数量除以所述第一样本总数，得到单机构样本占比；
具体而言，将每个所述单机构样本集的样本数量除以所述第一样本总数，将相除得到的数据作为单机构样本占比。也就是说，所述单机构样本占比与所述单机构样本集一一对应。
S310：将目标机构样本集的样本数量和所述目标机构样本集对应的所述单机构样本占比进行相乘，得到所述目标机构样本集对应的单机构抽样数量，其中，所述目标机构样本集是任一个所述单机构样本集；
具体而言，将目标机构样本集的样本数量和所述目标机构样本集对应的所述单机构样本占比进行相乘，将相乘得到的数据作为所述目标机构样本集对应的单机构抽样数量。
S312：采用所述目标机构样本集对应的所述单机构抽样数量，对所述目标机构样本集进行样本抽样，得到所述目标机构样本集对应的单机构抽样样本集；
具体而言，采用所述目标机构样本集对应的所述单机构抽样数量，对所述目标机构样本集进行样本抽样，将抽样出的各个初始样本作为所述目标机构样本集对应的单机构抽样样本集。
S314：对各个所述单机构抽样样本集进行合集处理，得到机构抽样总样本集；
具体而言，对各个所述单机构样本集对应的各个所述单机构抽样样本集进行合集处理，将合集处理得到的集合作为机构抽样总样本集。
S316：采用预设的年龄段配置，对所述机构抽样总样本集进行集合划分，得到单年龄段样本集；
年龄段配置中包括多个年龄段。
具体而言，对所述机构抽样总样本集，按照预设的年龄段配置中的各个年龄段进行划分，将划分得到的每个集合作为单年龄段样本集。
也就是说，单年龄段样本集中的各个初始样本各自对应的实际年龄标签在预设的年龄段配置中的同一个年龄段内。
预设的年龄段配置中的年龄段与单年龄段样本集一一对应。
S318：对所述机构抽样总样本集进行样本总数计算，得到第二样本总数；
具体而言，对所述机构抽样总样本集进行样本总数计算，将计算得到样本总数作为第二样本总数。
S320：将每个所述单年龄段样本集的样本数量除以所述第二样本总数，得到单年龄段样本占比；
具体而言，将所述单年龄段样本集的样本数量除以所述第二样本总数，将相除得到的数据作为单年龄段样本占比。也就是说，单年龄段样本占比与所述单年龄段样本集一一对应。
S322：将目标年龄段样本集的样本数量和所述目标年龄段样本集对应的所述单年龄段样本占比进行相乘，得到所述目标年龄段样本集对应的单年龄段抽样数量，其中，所述目标年龄段样本集是任一个所述单年龄段样本集；
具体而言，将目标年龄段样本集的样本数量和所述目标年龄段样本集对应的所述单年龄段样本占比进行相乘，将相乘得到的数据作为所述目标年龄段样本集对应的单年龄段抽样数量。
S324：采用所述目标年龄段样本集对应的所述单年龄段抽样数量，对所述目标年龄段样本集进行样本抽样，得到所述目标年龄段样本集对应的单年龄段抽样样本集；
具体而言，采用所述目标年龄段样本集对应的所述单年龄段抽样数量，对所述目标年龄段样本集进行样本抽样，将抽样得到的各个样本作为所述目标年龄段样本集对应的单年龄段抽样样本集。
S326：采用预设的划分比例，对所述目标年龄段对应的所述单年龄段抽样样本集进行划分，得到所述目标年龄段对应的所述训练集及所述验证集。
可选的，预设的划分比例设置为8：2，也就是说，80％划分到为训练集，20％划分到验证集。
具体而言，采用预设的划分比例，对所述目标年龄段对应的所述单年龄段抽样样本集进行划分，将划分得到的两个集合分别作为所述目标年龄段对应的所述训练集及所述验证集。
本实施例首先采用按机构进行分层采样，然后采用按年龄进行分层采样，有利于提高所述训练集及所述验证集的多样化，有利于提高训练出的模型的泛化性。
在一个实施例中，上述采用所述目标机构样本集对应的所述单机构抽样数量，对所述目标机构样本集进行样本抽样，得到所述目标机构样本集对应的单机构抽样样本集的步骤，包括：
S402：判断所述目标机构样本集对应的所述单机构样本占比是否为各个所述单机构样本占比中的最小值；
具体而言，判断所述目标机构样本集对应的所述单机构样本占比是否为各个所述单机构样本占比中的最小值，为从初始样本集中找出初始样本数量最少的机构提供了基础。
S404：若否，则采用所述目标机构样本集对应的所述单机构抽样数量，对所述目标机构样本集进行样本抽样，得到所述目标机构样本集对应的所述单机构抽样样本集；
具体而言，若否，也就是所述目标机构样本集对应的所述单机构样本占比不为各个所述单机构样本占比中的最小值，此时意味着不需要对所述目标机构样本集进行多次抽样，因此，采用所述目标机构样本集对应的所述单机构抽样数量，对所述目标机构样本集进行样本抽样，得到所述目标机构样本集对应的所述单机构抽样样本集。
S406：若是，则采用所述目标机构样本集对应的所述单机构抽样数量，对所述目标机构样本集进行样本抽样，得到第一抽样样本集，将所述第一抽样样本集中的各个样本从所述目标机构样本集中删除，得到第一待抽样样本集，采用所述目标机构样本集对应的所述单机构抽样数量，对所述第一待抽样样本集进行样本抽样，得到第二抽样样本集，对所述第一抽样样本集和所述第二抽样样本集进行合集处理，得到所述目标机构样本集对应的所述单机构抽样样本集；
具体而言，若是，也就是所述目标机构样本集对应的所述单机构样本占比为各个所述单机构样本占比中的最小值，此时意味着需要对所述目标机构样本集进行多次抽样，因此，首先采用所述目标机构样本集对应的所述单机构抽样数量，对所述目标机构样本集进行样本抽样，将抽样得到的各个样本作为第一抽样样本集，从而实现了第一次抽样；然后将所述第一抽样样本集中的各个样本从所述目标机构样本集中删除，得到第一待抽样样本集，采用所述目标机构样本集对应的所述单机构抽样数量，对所述第一待抽样样本集进行样本抽样，将抽样得到的各个样本作为第二抽样样本集，从而实现了第二次抽样；最后对所述第一抽样样本集和所述第二抽样样本集进行合集处理，将合集处理得到的集合作为所述目标机构样本集对应的所述单机构抽样样本集，从而实现了确定最小的所述单机构样本占比对应的所述单机构抽样样本集。
所述采用所述目标年龄段样本集对应的所述单年龄段抽样数量，对所述目标年龄段样本集进行样本抽样，得到所述目标年龄段样本集对应的单年龄段抽样样本集的步骤，包括：
S402：判断所述目标年龄段样本集对应的所述单年龄段样本占比是否为各个所述单年龄段样本占比中的最小值；
具体而言，判断所述目标年龄段样本集对应的所述单年龄段样本占比是否为各个所述单年龄段样本占比中的最小值，为从机构抽样总样本集中找出初始样本数量最少的年龄段提供了基础。
S404：若否，则采用所述目标年龄段样本集对应的所述单年龄段抽样数量，对所述目标年龄段样本集进行样本抽样，得到所述目标年龄段样本集对应的所述单年龄段抽样样本集；
具体而言，若否，也就是所述目标年龄段样本集对应的所述单年龄段样本占比不为各个所述单年龄段样本占比中的最小值，此时意味着不需要对所述目标年龄段样本集进行多次抽样，因此，采用所述目标年龄段样本集对应的所述单年龄段抽样数量，对所述目标年龄段样本集进行样本抽样，得到所述目标年龄段样本集对应的所述单年龄段抽样样本集。
S406：若是，则采用所述目标年龄段样本集对应的所述单年龄段抽样数量，对所述目标年龄段样本集进行样本抽样，得到第三抽样样本集，将所述第三抽样样本集中的各个样本从所述目标年龄段样本集中删除，得到第二待抽样样本集，采用所述目标年龄段样本集对应的所述单年龄段抽样数量，对所述第二待抽样样本集进行样本抽样，得到第四抽样样本集，对所述第三抽样样本集和所述第四抽样样本集进行合集处理，得到所述目标年龄段样本集对应的所述单年龄段抽样样本集。
具体而言，若是，也就是所述目标年龄段样本集对应的所述单年龄段样本占比为各个所述单年龄段样本占比中的最小值，此时意味着需要对所述目标年龄段样本集进行多次抽样，因此，首先采用所述目标年龄段样本集对应的所述单年龄段抽样数量，对所述目标年龄段样本集进行样本抽样，将抽样得到的各个样本作为第三抽样样本集，从而首先了第一次抽样；然后将所述第三抽样样本集中的各个样本从所述目标年龄段样本集中删除，得到第二待抽样样本集，采用所述目标年龄段样本集对应的所述单年龄段抽样数量，对所述第二待抽样样本集进行样本抽样，将抽样得到的各个样本作为第四抽样样本集，从而实现了第二次抽样；最后对所述第三抽样样本集和所述第四抽样样本集进行合集处理，将合集处理得到的集合作为所述目标年龄段样本集对应的所述单年龄段抽样样本集，从而实现了确定最小的所述单年龄段样本占比对应的所述单机构抽样样本集。
本实施例通过对最小的所述单机构样本占比对应的所述目标机构样本集进行多次抽样，使该目标机构样本集的特征在样本中得到足够的反映，有利于进一步提高模型训练的泛化性；通过对最小的所述单年龄段样本占比对应的所述目标年龄段样本集进行多次抽样，使该目标年龄段样本集的特征在样本中得到足够的反映，有利于进一步提高模型训练的泛化性。
在一个实施例中，上述采用所述目标样本集，对所述待训练模型进行训练，得到待筛选模型的步骤，包括：
S502：从所述目标样本集中获取任一个样本作为待训练样本；
S504：将所述待训练样本中的脑灰质三维图像样本及脑白质三维图像样本输入所述待训练模型进行脑龄预测，得到样本预测脑龄；
具体而言，将所述待训练样本中的脑灰质三维图像样本及脑白质三维图像样本输入所述待训练模型进行脑龄预测，将预测得到的脑龄作为样本预测脑龄。
S506：根据所述样本预测脑龄和所述待训练样本中的实际年龄标签进行损失值计算；
具体而言，将所述样本预测脑龄和所述待训练样本中的实际年龄标签输入预设的损失函数进行损失值计算。
其中，预设的损失函数采用均方误差(MSE)。
S508：根据所述损失值更新所述待训练模型的网络参数，将更新后的所述待训练模型用于下一次计算所述样本预测脑龄；
具体而言，根据所述损失值更新所述待训练模型的网络参数的方法步骤在此不做赘述。
S510：重复执行所述从所述目标样本集中获取任一个样本作为待训练样本的步骤，直至达到预设的模型训练结束条件；
具体而言，重复执行所述从所述目标样本集中获取任一个样本作为待训练样本的步骤，也就是重复执行步骤S502至步骤S510，直至达到预设的模型训练结束条件。当达到预设的模型训练结束条件，停止重复执行步骤S502至步骤S510，开始执行步骤S512。
可选的，所述模型训练结束条件为所述损失值收敛于预设数值。
S512：将达到所述模型训练结束条件的所述待训练模型作为所述待筛选模型；
具体而言，达到所述模型训练结束条件的所述待训练模型是满足要求的模型，因此，将达到所述模型训练结束条件的所述待训练模型作为所述待筛选模型。
其中，所述待训练模型依次包括：第一卷积层、第一池化层、第一特征提取层、第二特征提取层、第三特征提取层、第四特征提取层、第二池化层和全连接层，第一特征提取层包括线性连接的3个残差单元，第二特征提取层包括线性连接的4个残差单元，所述第三特征提取层包括线性连接的6个空洞残差单元，所述第四特征提取层包括线性连接的3个空洞残差单元。
也就是说，第一卷积层的输出作为第一池化层的输入，第一池化层的输出作为第一特征提取层的输入，第一特征提取层的输出作为第二特征提取层的输入，第二特征提取层的输出作为第三特征提取层的输入，第三特征提取层的输出作为第四特征提取层的输入，第四特征提取层的输出作为第二池化层的输入，第二池化层的输出作为全连接层的输入，全连接层将输出预测的脑龄。
可选的，第一卷积层采用7×7的卷积核，卷积步长(stride)为2；第一池化层采用最大池化，卷积步长为2；第二池化层采用平均池化。
本实施例根据所述样本预测脑龄和所述待训练样本中的实际年龄标签进行损失值计算，从而基于缩短实际年龄和预测的脑龄之间的差距进行模型训练，为采用所述目标偏差矫正函数和所述目标实际年龄，对所述初始脑龄进行偏差矫正提供了基础；通过所述第三特征提取层包括线性连接的6个空洞残差单元，所述第四特征提取层包括线性连接的3个空洞残差单元，因深度学习残差模型提取特征简单和预测误差较小，以及空洞卷积能提高特征的利用率，降低了脑龄预测结果的误差。
在一个实施例中，上述残差单元依次包括：第三卷积层、第一批归一化层、第一ReLU激活层、第四卷积层、第二批归一化层、第一拼接层和第二ReLU激活层，其中，所述第一拼接层用于对所述第三卷积层的输入特征与所述第二批归一化层的输出特征进行通道相加；
所述空洞残差单元依次包括：第一空洞卷积层、第三批归一化层、第三ReLU激活层、第二空洞卷积层、第四批归一化层、第二拼接层和第四ReLU激活层，其中，所述第二拼接层用于对所述第一空洞卷积层的输入特征与所述第四批归一化层的输出特征进行通道相加；
所述第三特征提取层的所述第一空洞卷积层及所述第二空洞卷积层的扩张率均设为2；
所述第四特征提取层的所述第一空洞卷积层及所述第二空洞卷积层的扩张率均设为4；
所述第一池化层采用最大池化，所述第二池化层采用平均池化。
本实施例通过在所述第三特征提取层的所述第一空洞卷积层及所述第二空洞卷积层的扩张率均设为2，在所述第四特征提取层的所述第一空洞卷积层及所述第二空洞卷积层的扩张率均设为4，从而实现空洞卷积能提高特征的利用率；因第四特征提取层的扩张率大于第三特征提取层的扩张率，从而在模型参数量不变的情况下，提高了模型的预测准确率。
第一批归一化层和第二批归一化层均采用批归一化层(BatchNorm层)。
第一ReLU激活层和第二ReLU激活层均是采用ReLU函数的激活层。
ReLU函数，代表的是“修正线性单元”，它是带有卷积图像的输入x的最大函数(x,o)。ReLU函数将矩阵x内所有负值都设为零，其余的值不变。ReLU函数的计算是在卷积之后进行的，因此它与tanh函数和sigmoid函数一样，同属于“非线性激活函数”。
在同一个残差单元中，第三卷积层的输出作为第一批归一化层的输入，第一批归一化层的输出作为第一ReLU激活层的输入，第一ReLU激活层的输出作为第四卷积层的输入，第四卷积层的输出作为第二批归一化层的输入，第二批归一化层的输出作为第一拼接层的输入，第一拼接层的输出作为第二ReLU激活层的输入，第二ReLU激活层的输出作为整个残差单元的输出。
可选的，第一特征提取层的第三卷积层采用3×3的卷积核，卷积步长为2，通道数为64；第一特征提取层的第四卷积层采用3×3的卷积核，卷积步长为2，通道数为64。
可选的，第二特征提取层的第三卷积层采用3×3的卷积核，卷积步长为2，通道数为128；第二特征提取层的第四卷积层采用3×3的卷积核，卷积步长为2，通道数为128。
其中，第一空洞卷积层、第二空洞卷积层均采用空洞卷积。空洞卷积，是在标准的卷积核中注入空洞，以此来增加模型的感受野。
第三批归一化层和第四批归一化层均采用批归一化层。
第三ReLU激活层和第四ReLU激活层均是采用ReLU函数的激活层。
可选的，第三特征提取层的第一空洞卷积层采用3×3的卷积核，通道数为256，扩张率均设为2，卷积步长为1；第三特征提取层的第二空洞卷积层采用3×3的卷积核，通道数为256，扩张率均设为2，卷积步长为1；第四特征提取层的第一空洞卷积层采用3×3的卷积核，通道数为512，扩张率均设为4，卷积步长为1；第四特征提取层的第二空洞卷积层采用3×3的卷积核，通道数为512，扩张率均设为4，卷积步长为1。从而在模型中使用空洞卷积不仅增加了感受野，同时保持参数数量不变且没有池化，这确保了输出的特征图大小保持不变，提高了特征利用率。
在同一个所述空洞残差单元中，第一空洞卷积层的输出作为第三批归一化层的输入，第三批归一化层的输出作为第三ReLU激活层的输入，第三ReLU激活层的输出作为第二空洞卷积层的输入，第二空洞卷积层的输出作为第四批归一化层的输入，第四批归一化层的输出作为第二拼接层的输入，第二拼接层的输出作为第四ReLU激活层的输入，第四ReLU激活层的输出作为所述空洞残差单元的输出。
在一个实施例中，上述根据所述目标实际年龄，从预设的偏差矫正函数库中获取偏差矫正函数，作为目标偏差矫正函数的步骤之前，还包括：
S702：将各个所述单年龄段抽样样本集对应的各个样本从所述机构抽样总样本集中删除，得到测试总集；
具体而言，将各个所述单年龄段抽样样本集对应的各个样本从所述机构抽样总样本集中删除，得到测试总集，从而得到了与训练集及验证集不存在相同样本的测试总集。
S704：采用所述年龄段配置，对所述测试总集进行集合划分，得到每个年龄段对应的测试集；
具体而言，采用所述年龄段配置，对所述测试总集进行集合划分，将划分得到的每个集合作为一个测试集。
可以理解的是，测试集中的各个样本对应同一个年龄段。
S706：将所述目标年龄段对应的所述测试集作为目标测试集；
S708：将所述目标测试集中的每个样本的脑灰质三维图像样本及脑白质三维图像样本输入所述目标年龄段对应的所述脑龄预测模型进行脑龄预测，得到待分析脑龄；
具体而言，将所述目标测试集中的每个样本的脑灰质三维图像样本及脑白质三维图像样本输入所述目标年龄段对应的所述脑龄预测模型进行脑龄预测，得到所述目标测试集中的每个样本每个样本的待分析脑龄。
S710：采用所述目标测试集中的各个所述样本各自对应的实际年龄标签及所述待分析脑龄，对预设的线性函数进行拟合，得到目标斜率和目标截距；
具体而言，采用所述目标测试集中的各个所述样本各自对应的实际年龄标签及所述待分析脑龄，对预设的线性函数进行线性拟合，将拟合完成的线性函数的斜率作为目标斜率，将拟合完成的线性函数的截距作为目标截距。
S712：根据所述目标斜率和所述目标截距生成所述目标年龄段对应的所述偏差矫正函数；
具体而言，根据所述目标斜率和所述目标截距生成所述目标年龄段对应的所述偏差矫正函数，因此对于所述偏差矫正函数而言，所述目标斜率和所述目标截距是一个常量。
S714：根据所述目标年龄段和所述目标年龄段对应的所述偏差矫正函数更新所述偏差矫正函数库；
具体而言，将所述目标年龄段和所述目标年龄段对应的所述偏差矫正函数作为关联数据，将该关联数据更新到所述偏差矫正函数库中。
其中，所述线性函数为offset：
offset＝α×B+β
α是所述目标斜率，β是所述目标截距，B是所述目标测试集中的各个所述样本各自对应的所述实际年龄标签，offset＝Y-B，Y是所述目标测试集中的各个所述样本各自对应的所述待分析脑龄；
所述目标年龄段对应的所述偏差矫正函数P为：
P＝y-(α×b+β)
若所述目标实际年龄位于所述目标年龄段内，则P是所述目标对象对应的所述脑龄预测结果，y是所述初始脑龄，b是所述目标实际年龄。
比如，所述目标年龄段为50岁到60岁(包含60岁，不包含50岁)，所述目标斜率为-0.5，所述目标截距为28，所述目标年龄段对应的所述偏差矫正函数P为：P＝y-(-0.5×b+28)，所述目标对象对应的所述目标实际年龄为60岁，所述目标对象对应的所述初始脑龄为59岁，经过所述目标年龄段对应的所述偏差矫正函数P计算得到所述目标对象对应的脑龄预测结果为61岁(也就是59-(-0.5×60+28))。
可选的，所述目标年龄段对应的训练集中的所有实际年龄标签的平均值与所述目标测试集中的所有实际年龄标签的平均值之间的差值位于预设范围内。从而有利于对预设的线性函数进行拟合时，提高了目标斜率和目标截距的准确性。
可选的，所述目标年龄段对应的训练集中的所有实际年龄标签的平均值与所述目标测试集中的所有实际年龄标签的平均值相同。脑龄估计涉及一个经常观察到的偏差，年轻对象的脑龄被高估，年长对象的脑龄被低估，实际年龄更接近训练集的平均实际年龄的对象的脑龄被预测得更准确，因此需要对预测的脑龄进行矫正，通过采用平均值相同的所述目标测试集对预设的线性函数进行线性拟合，从而有利于对预设的线性函数进行拟合时，进一步提高了目标斜率和目标截距的准确性。比如，表1示意出了目标年龄段为50岁以上的模型的预测的对比分析的实验数据，所述目标年龄段对应的训练集中的所有实际年龄标签的平均值为59.6岁，分析年龄段包括：50-58岁、59-60岁、60-89岁，每个分析年龄段采用多个待研究对象对应的数据进行预测，实际年龄的均值是指每个分析年龄段对应的各个待研究对象的实际年龄的均值，初次预测脑龄的均值是每个分析年龄段对应的各个待研究对象的初次预测脑龄(目标年龄段对应的脑龄预测模型的预测结果)的均值，最终预测脑龄的均值是每个分析年龄段对应的各个待研究对象的最终预测脑龄的均值，从表中可以得知，实际年龄更接近训练集的平均实际年龄的对象的脑龄被预测得更准确，实际年龄小于训练集的平均实际年龄的对象(也就是年轻对象)的脑龄被高估，实际年龄大于训练集的平均实际年龄的对象(也就是年长对象)的脑龄被低估。
表1目标年龄段为50岁以上的模型的预测的实验数据
分析年龄段 50-58岁 59-60岁 60-89岁
实际年龄的均值 53.14 59.38 68.17
初次预测脑龄的均值 55.90 59.16 62.71
最终预测脑龄的均值 53.36 59.76 67.62
比如，所述目标年龄段为50岁到60岁(包含60岁，不包含50岁)，所述目标年龄段对应的训练集中的所有实际年龄标签的平均值为56岁，所述目标斜率为-0.5，所述目标截距为28，所述目标年龄段对应的所述偏差矫正函数P为：P＝y-(-0.5×b+28)；若所述目标对象对应的所述目标实际年龄等于56岁时，所述目标对象对应的所述初始脑龄为最准确，此时的-(-0.5×56+28)的计算结果为0，意味着将所述目标对象对应的所述初始脑龄直接作为所述目标对象对应的脑龄预测结果；若所述目标对象对应的所述目标实际年龄小于56岁时，所述目标对象的脑龄被模型高估，此时的-(-0.5×b+28)的计算结果小于0，意味着需要将所述目标对象对应的所述初始脑龄降低作为所述目标对象对应的脑龄预测结果；若所述目标对象对应的所述目标实际年龄大于56岁时，所述目标对象的脑龄被模型低估，此时的-(-0.5×b+28)的计算结果大于0，意味着需要将所述目标对象对应的所述初始脑龄升高作为所述目标对象对应的脑龄预测结果；若所述目标对象对应的所述目标实际年龄为60岁，所述目标对象对应的所述初始脑龄为59岁，因60岁大于56岁则所述目标对象的脑龄被模型低估，在偏差矫正时需要加上被低估的脑龄，被低估的脑龄为2岁(也就是-(-0.5×60+28))，因此将所述初始脑龄59岁加上被低估的脑龄2岁，则确定所述目标对象对应的脑龄预测结果为61岁；若所述目标对象对应的所述目标实际年龄为53岁，所述目标对象对应的所述初始脑龄为54岁，因53岁小于56岁则所述目标对象的脑龄被模型高估，在偏差矫正时需要去掉被高估的脑龄，被高估的脑龄为1.5岁(也就是(-0.5×53+28))，因此将所述初始脑龄54岁减去被高估的脑龄1.5岁，则确定所述目标对象对应的脑龄预测结果为52.5岁。由上可知，偏差矫正函数可以对预测的脑龄进行偏差矫正。
脑龄估计涉及一个经常观察到的偏差，年轻对象的脑龄被高估，年长对象的脑龄被低估，年龄更接近训练集的平均年龄的对象的大脑年龄被预测得更准确，因此需要对预测的脑龄进行矫正，本实施例首先采用目标年龄段对应的所述脑龄预测模型对目标测试集中的样本进行脑龄预测以形成待分析脑龄，然后通过实际年龄标签及待分析脑龄对预设的线性函数进行拟合以确定目标斜率和目标截距，最后根据所述目标斜率和所述目标截距生成所述目标年龄段对应的所述偏差矫正函数，从而为通过偏差矫正函数和实际年龄对模型预测的脑龄进行偏差矫正提供了基础。
如图2所示，一种基于人工智能的脑龄预测装置，所述装置包括：
数据获取模块802，用于获取目标对象的目标实际年龄、目标脑灰质三维图像和目标脑白质三维图像；
目标脑龄预测模型确定模块804，用于根据所述目标实际年龄，从预设的脑龄预测模型库中获取脑龄预测模型，作为目标脑龄预测模型，其中，所述脑龄预测模型是基于采用空洞卷积的深度学习残差模型训练得到的模型；
初始脑龄确定模块806，用于将所述目标脑灰质三维图像和所述目标脑白质三维图像输入所述目标脑龄预测模型进行脑龄预测，得到初始脑龄；
目标偏差矫正函数确定模块808，用于根据所述目标实际年龄，从预设的偏差矫正函数库中获取偏差矫正函数，作为目标偏差矫正函数；
脑龄预测结果确定模块810，用于采用所述目标偏差矫正函数和所述目标实际年龄，对所述初始脑龄进行偏差矫正，得到所述目标对象对应的脑龄预测结果。
本实施例采用目标实际年龄对应的脑龄预测模型进行脑龄预测，从而实现采用区分年龄段的模型进行脑龄预测，相对不区分年龄段的模型，区分年龄段的模型的预测范围更小，预测时运算更速度快，消耗资源更小；而且不区分年龄段的模型在模型训练时，针对各个年龄段的训练样本比例是不平衡的，若要预测的对象的实际年龄正好对应最小的训练样本比例，则会存在模型预测的准确度会变低的问题，而采用区分年龄段的模型可以避免该问题；不区分年龄段的模型，因预测范围较大，在相同运算资源下，训练模型找到符合规律的最优模型的难度更大，耗时更长，而采用区分年龄段的模型可以避免该问题；采用区分年龄段的模型不仅能够实现上述效果，而且为了进一步提高确定的脑龄的准确性，还通过区分年龄段的偏差矫正函数和实际年龄对模型预测的脑龄进行偏差矫正；另外，脑龄预测模型是基于采用空洞卷积的深度学习残差模型训练得到的模型，因深度学习残差模型提取特征简单和预测误差较小，以及空洞卷积能提高特征的利用率，降低了模型预测脑龄的误差。
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终端，也可以是服务器。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，可使得处理器实现基于人工智能的脑龄预测方法。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，可使得处理器执行基于人工智能的脑龄预测方法。本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请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，提出了一种计算机设备，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：获取目标对象的目标实际年龄、目标脑灰质三维图像和目标脑白质三维图像；根据所述目标实际年龄，从预设的脑龄预测模型库中获取脑龄预测模型，作为目标脑龄预测模型，其中，所述脑龄预测模型是基于采用空洞卷积的深度学习残差模型训练得到的模型；将所述目标脑灰质三维图像和所述目标脑白质三维图像输入所述目标脑龄预测模型进行脑龄预测，得到初始脑龄；根据所述目标实际年龄，从预设的偏差矫正函数库中获取偏差矫正函数，作为目标偏差矫正函数；采用所述目标偏差矫正函数和所述目标实际年龄，对所述初始脑龄进行偏差矫正，得到所述目标对象对应的脑龄预测结果。
本实施例采用目标实际年龄对应的脑龄预测模型进行脑龄预测，从而实现采用区分年龄段的模型进行脑龄预测，相对不区分年龄段的模型，区分年龄段的模型的预测范围更小，预测时运算更速度快，消耗资源更小；而且不区分年龄段的模型在模型训练时，针对各个年龄段的训练样本比例是不平衡的，若要预测的对象的实际年龄正好对应最小的训练样本比例，则会存在模型预测的准确度会变低的问题，而采用区分年龄段的模型可以避免该问题；不区分年龄段的模型，因预测范围较大，在相同运算资源下，训练模型找到符合规律的最优模型的难度更大，耗时更长，而采用区分年龄段的模型可以避免该问题；采用区分年龄段的模型不仅能够实现上述效果，而且为了进一步提高确定的脑龄的准确性，还通过区分年龄段的偏差矫正函数和实际年龄对模型预测的脑龄进行偏差矫正；另外，脑龄预测模型是基于采用空洞卷积的深度学习残差模型训练得到的模型，因深度学习残差模型提取特征简单和预测误差较小，以及空洞卷积能提高特征的利用率，降低了模型预测脑龄的误差。
在一个实施例中，提出了一种计算机可读存储介质，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：获取目标对象的目标实际年龄、目标脑灰质三维图像和目标脑白质三维图像；根据所述目标实际年龄，从预设的脑龄预测模型库中获取脑龄预测模型，作为目标脑龄预测模型，其中，所述脑龄预测模型是基于采用空洞卷积的深度学习残差模型训练得到的模型；将所述目标脑灰质三维图像和所述目标脑白质三维图像输入所述目标脑龄预测模型进行脑龄预测，得到初始脑龄；根据所述目标实际年龄，从预设的偏差矫正函数库中获取偏差矫正函数，作为目标偏差矫正函数；采用所述目标偏差矫正函数和所述目标实际年龄，对所述初始脑龄进行偏差矫正，得到所述目标对象对应的脑龄预测结果。
本实施例采用目标实际年龄对应的脑龄预测模型进行脑龄预测，从而实现采用区分年龄段的模型进行脑龄预测，相对不区分年龄段的模型，区分年龄段的模型的预测范围更小，预测时运算更速度快，消耗资源更小；而且不区分年龄段的模型在模型训练时，针对各个年龄段的训练样本比例是不平衡的，若要预测的对象的实际年龄正好对应最小的训练样本比例，则会存在模型预测的准确度会变低的问题，而采用区分年龄段的模型可以避免该问题；不区分年龄段的模型，因预测范围较大，在相同运算资源下，训练模型找到符合规律的最优模型的难度更大，耗时更长，而采用区分年龄段的模型可以避免该问题；采用区分年龄段的模型不仅能够实现上述效果，而且为了进一步提高确定的脑龄的准确性，还通过区分年龄段的偏差矫正函数和实际年龄对模型预测的脑龄进行偏差矫正；另外，脑龄预测模型是基于采用空洞卷积的深度学习残差模型训练得到的模型，因深度学习残差模型提取特征简单和预测误差较小，以及空洞卷积能提高特征的利用率，降低了模型预测脑龄的误差。
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，本申请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申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。请输入具体实施内容部分。

Claims (10)

1.一种基于人工智能的脑龄预测方法，所述方法包括：
获取目标对象的目标实际年龄、目标脑灰质三维图像和目标脑白质三维图像；
根据所述目标实际年龄，从预设的脑龄预测模型库中获取脑龄预测模型，作为目标脑龄预测模型，其中，所述脑龄预测模型是基于采用空洞卷积的深度学习残差模型训练得到的模型；
将所述目标脑灰质三维图像和所述目标脑白质三维图像输入所述目标脑龄预测模型进行脑龄预测，得到初始脑龄；
根据所述目标实际年龄，从预设的偏差矫正函数库中获取偏差矫正函数，作为目标偏差矫正函数；
采用所述目标偏差矫正函数和所述目标实际年龄，对所述初始脑龄进行偏差矫正，得到所述目标对象对应的脑龄预测结果。
2.根据权利要求1所述的基于人工智能的脑龄预测方法，其特征在于，所述根据所述目标实际年龄，从预设的脑龄预测模型库中获取脑龄预测模型，作为目标脑龄预测模型的步骤之前，还包括：
获取目标年龄段对应的初始模型、训练集及验证集；
将所述初始模型作为待训练模型；
对所述训练集中的各个训练样本进行随机排序，得到目标样本集；
采用所述目标样本集，对所述待训练模型进行训练，得到待筛选模型；
重复执行所述将所述初始模型作为待训练模型的步骤，直至所述待筛选模型的数量达到预设的模型数量；
采用所述验证集，对每个所述待筛选模型进行平均绝对误差值计算；
从各个所述平均绝对误差值中查找出值为最小的所述平均绝对误差值，作为命中误差值；
将所述命中误差值对应的所述待筛选模型，作为所述目标年龄段对应的所述脑龄预测模型；
根据所述目标年龄段和所述目标年龄段对应的所述脑龄预测模型更新所述脑龄预测模型库。
3.根据权利要求2所述的基于人工智能的脑龄预测方法，其特征在于，所述获取目标年龄段对应的初始模型、训练集及验证集的步骤之前，还包括：
获取初始样本集；
对所述初始样本集按机构进行集合划分，得到各个单机构样本集；
对所述初始样本集进行样本总数计算，得到第一样本总数；
将每个所述单机构样本集的样本数量除以所述第一样本总数，得到单机构样本占比；
将目标机构样本集的样本数量和所述目标机构样本集对应的所述单机构样本占比进行相乘，得到所述目标机构样本集对应的单机构抽样数量，其中，所述目标机构样本集是任一个所述单机构样本集；
采用所述目标机构样本集对应的所述单机构抽样数量，对所述目标机构样本集进行样本抽样，得到所述目标机构样本集对应的单机构抽样样本集；
对各个所述单机构抽样样本集进行合集处理，得到机构抽样总样本集；
采用预设的年龄段配置，对所述机构抽样总样本集进行集合划分，得到单年龄段样本集；
对所述机构抽样总样本集进行样本总数计算，得到第二样本总数；
将每个所述单年龄段样本集的样本数量除以所述第二样本总数，得到单年龄段样本占比；
将目标年龄段样本集的样本数量和所述目标年龄段样本集对应的所述单年龄段样本占比进行相乘，得到所述目标年龄段样本集对应的单年龄段抽样数量，其中，所述目标年龄段样本集是任一个所述单年龄段样本集；
采用所述目标年龄段样本集对应的所述单年龄段抽样数量，对所述目标年龄段样本集进行样本抽样，得到所述目标年龄段样本集对应的单年龄段抽样样本集；
采用预设的划分比例，对所述目标年龄段对应的所述单年龄段抽样样本集进行划分，得到所述目标年龄段对应的所述训练集及所述验证集。
4.根据权利要求3所述的基于人工智能的脑龄预测方法，其特征在于，所述采用所述目标机构样本集对应的所述单机构抽样数量，对所述目标机构样本集进行样本抽样，得到所述目标机构样本集对应的单机构抽样样本集的步骤，包括：
判断所述目标机构样本集对应的所述单机构样本占比是否为各个所述单机构样本占比中的最小值；
若否，则采用所述目标机构样本集对应的所述单机构抽样数量，对所述目标机构样本集进行样本抽样，得到所述目标机构样本集对应的所述单机构抽样样本集；
若是，则采用所述目标机构样本集对应的所述单机构抽样数量，对所述目标机构样本集进行样本抽样，得到第一抽样样本集，将所述第一抽样样本集中的各个样本从所述目标机构样本集中删除，得到第一待抽样样本集，采用所述目标机构样本集对应的所述单机构抽样数量，对所述第一待抽样样本集进行样本抽样，得到第二抽样样本集，对所述第一抽样样本集和所述第二抽样样本集进行合集处理，得到所述目标机构样本集对应的所述单机构抽样样本集；
所述采用所述目标年龄段样本集对应的所述单年龄段抽样数量，对所述目标年龄段样本集进行样本抽样，得到所述目标年龄段样本集对应的单年龄段抽样样本集的步骤，包括：
判断所述目标年龄段样本集对应的所述单年龄段样本占比是否为各个所述单年龄段样本占比中的最小值；
若否，则采用所述目标年龄段样本集对应的所述单年龄段抽样数量，对所述目标年龄段样本集进行样本抽样，得到所述目标年龄段样本集对应的所述单年龄段抽样样本集；
若是，则采用所述目标年龄段样本集对应的所述单年龄段抽样数量，对所述目标年龄段样本集进行样本抽样，得到第三抽样样本集，将所述第三抽样样本集中的各个样本从所述目标年龄段样本集中删除，得到第二待抽样样本集，采用所述目标年龄段样本集对应的所述单年龄段抽样数量，对所述第二待抽样样本集进行样本抽样，得到第四抽样样本集，对所述第三抽样样本集和所述第四抽样样本集进行合集处理，得到所述目标年龄段样本集对应的所述单年龄段抽样样本集。
5.根据权利要求2所述的基于人工智能的脑龄预测方法，其特征在于，所述采用所述目标样本集，对所述待训练模型进行训练，得到待筛选模型的步骤，包括：
从所述目标样本集中获取任一个样本作为待训练样本；
将所述待训练样本中的脑灰质三维图像样本及脑白质三维图像样本输入所述待训练模型进行脑龄预测，得到样本预测脑龄；
根据所述样本预测脑龄和所述待训练样本中的实际年龄标签进行损失值计算；
根据所述损失值更新所述待训练模型的网络参数，将更新后的所述待训练模型用于下一次计算所述样本预测脑龄；
重复执行所述从所述目标样本集中获取任一个样本作为待训练样本的步骤，直至达到预设的模型训练结束条件；
将达到所述模型训练结束条件的所述待训练模型作为所述待筛选模型；
其中，所述待训练模型依次包括：第一卷积层、第一池化层、第一特征提取层、第二特征提取层、第三特征提取层、第四特征提取层、第二池化层和全连接层，第一特征提取层包括线性连接的3个残差单元，第二特征提取层包括线性连接的4个残差单元，所述第三特征提取层包括线性连接的6个空洞残差单元，所述第四特征提取层包括线性连接的3个空洞残差单元。
6.根据权利要求5所述的基于人工智能的脑龄预测方法，其特征在于，所述残差单元依次包括：第三卷积层、第一批归一化层、第一ReLU激活层、第四卷积层、第二批归一化层、第一拼接层和第二ReLU激活层，其中，所述第一拼接层用于对所述第三卷积层的输入特征与所述第二批归一化层的输出特征进行通道相加；
所述空洞残差单元依次包括：第一空洞卷积层、第三批归一化层、第三ReLU激活层、第二空洞卷积层、第四批归一化层、第二拼接层和第四ReLU激活层，其中，所述第二拼接层用于对所述第一空洞卷积层的输入特征与所述第四批归一化层的输出特征进行通道相加；
所述第三特征提取层的所述第一空洞卷积层及所述第二空洞卷积层的扩张率均设为2；
所述第四特征提取层的所述第一空洞卷积层及所述第二空洞卷积层的扩张率均设为4；
所述第一池化层采用最大池化，所述第二池化层采用平均池化。
7.根据权利要求3所述的基于人工智能的脑龄预测方法，其特征在于，所述根据所述目标实际年龄，从预设的偏差矫正函数库中获取偏差矫正函数，作为目标偏差矫正函数的步骤之前，还包括：
将各个所述单年龄段抽样样本集对应的各个样本从所述机构抽样总样本集中删除，得到测试总集；
采用所述年龄段配置，对所述测试总集进行集合划分，得到每个年龄段对应的测试集；
将所述目标年龄段对应的所述测试集作为目标测试集；
将所述目标测试集中的每个样本的脑灰质三维图像样本及脑白质三维图像样本输入所述目标年龄段对应的所述脑龄预测模型进行脑龄预测，得到待分析脑龄；
采用所述目标测试集中的各个所述样本各自对应的实际年龄标签及所述待分析脑龄，对预设的线性函数进行拟合，得到目标斜率和目标截距；
根据所述目标斜率和所述目标截距生成所述目标年龄段对应的所述偏差矫正函数；
根据所述目标年龄段和所述目标年龄段对应的所述偏差矫正函数更新所述偏差矫正函数库；
其中，所述线性函数为offset：
offset＝α×B+β
α是所述目标斜率，β是所述目标截距，B是所述目标测试集中的各个所述样本各自对应的所述实际年龄标签，offset＝Y-B，Y是所述目标测试集中的各个所述样本各自对应的所述待分析脑龄；
所述目标年龄段对应的所述偏差矫正函数P为：
P＝y-(α×b+β)
若所述目标实际年龄位于所述目标年龄段内，则P是所述目标对象对应的所述脑龄预测结果，y是所述初始脑龄，b是所述目标实际年龄。
8.一种基于人工智能的脑龄预测装置，其特征在于，所述装置包括：
数据获取模块，用于获取目标对象的目标实际年龄、目标脑灰质三维图像和目标脑白质三维图像；
目标脑龄预测模型确定模块，用于根据所述目标实际年龄，从预设的脑龄预测模型库中获取脑龄预测模型，作为目标脑龄预测模型，其中，所述脑龄预测模型是基于采用空洞卷积的深度学习残差模型训练得到的模型；
初始脑龄确定模块，用于将所述目标脑灰质三维图像和所述目标脑白质三维图像输入所述目标脑龄预测模型进行脑龄预测，得到初始脑龄；
目标偏差矫正函数确定模块，用于根据所述目标实际年龄，从预设的偏差矫正函数库中获取偏差矫正函数，作为目标偏差矫正函数；
脑龄预测结果确定模块，用于采用所述目标偏差矫正函数和所述目标实际年龄，对所述初始脑龄进行偏差矫正，得到所述目标对象对应的脑龄预测结果。
9.一种计算机可读存储介质，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如权利要求1至7中任一项所述方法的步骤。
10.一种计算机设备，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如权利要求1至7中任一项所述方法的步骤。
CN202210432109.7A 2022-04-22 2022-04-22 基于人工智能的脑龄预测方法、装置、设备及存储介质 Active CN114881943B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210432109.7A CN114881943B (zh) 2022-04-22 2022-04-22 基于人工智能的脑龄预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210432109.7A CN114881943B (zh) 2022-04-22 2022-04-22 基于人工智能的脑龄预测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN114881943A true CN114881943A (zh) 2022-08-09
CN114881943B CN114881943B (zh) 2023-05-16

Family

ID=82670886

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210432109.7A Active CN114881943B (zh) 2022-04-22 2022-04-22 基于人工智能的脑龄预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114881943B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115496765A (zh) * 2022-09-23 2022-12-20 深圳市铱硙医疗科技有限公司 脑区的图像处理方法、装置、计算机设备及存储介质
CN117158890A (zh) * 2023-04-04 2023-12-05 深圳市中医院 一种基于分段脑龄模型的脑龄预测方法及相关装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5641629B1 (ja) * 2013-10-31 2014-12-17 株式会社アラヤ・ブレイン・イメージング 個人特性予測システム、個人特性予測方法及びプログラム
WO2018005820A1 (en) * 2016-06-29 2018-01-04 The University Of North Carolina At Chapel Hill Methods, systems, and computer readable media for utlizing brain structural characteristics for predicting a diagnosis of a neurobehavioral disorder
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
CN109859189A (zh) * 2019-01-31 2019-06-07 长安大学 一种基于深度学习的年龄估计方法
CN109993210A (zh) * 2019-03-05 2019-07-09 北京工业大学 一种基于神经影像的大脑年龄估计方法
CN110473171A (zh) * 2019-07-18 2019-11-19 上海联影智能医疗科技有限公司 脑龄检测方法、计算机设备和存储介质
CN110555828A (zh) * 2019-08-08 2019-12-10 北京深睿博联科技有限责任公司 基于3d卷积神经网络的脑龄预测方法及装置
CN111134677A (zh) * 2020-02-14 2020-05-12 北京航空航天大学 一种基于磁共振影像的卒中致残预测方法及系统
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
CN112164082A (zh) * 2020-10-09 2021-01-01 深圳市铱硙医疗科技有限公司 基于3d卷积神经网络分割多模态mr脑部图像方法
EP3848941A1 (en) * 2020-01-10 2021-07-14 Acer Incorporated Model training method and electronic device

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5641629B1 (ja) * 2013-10-31 2014-12-17 株式会社アラヤ・ブレイン・イメージング 個人特性予測システム、個人特性予測方法及びプログラム
WO2018005820A1 (en) * 2016-06-29 2018-01-04 The University Of North Carolina At Chapel Hill Methods, systems, and computer readable media for utlizing brain structural characteristics for predicting a diagnosis of a neurobehavioral disorder
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
CN109859189A (zh) * 2019-01-31 2019-06-07 长安大学 一种基于深度学习的年龄估计方法
CN109993210A (zh) * 2019-03-05 2019-07-09 北京工业大学 一种基于神经影像的大脑年龄估计方法
CN110473171A (zh) * 2019-07-18 2019-11-19 上海联影智能医疗科技有限公司 脑龄检测方法、计算机设备和存储介质
CN110555828A (zh) * 2019-08-08 2019-12-10 北京深睿博联科技有限责任公司 基于3d卷积神经网络的脑龄预测方法及装置
EP3848941A1 (en) * 2020-01-10 2021-07-14 Acer Incorporated Model training method and electronic device
CN111134677A (zh) * 2020-02-14 2020-05-12 北京航空航天大学 一种基于磁共振影像的卒中致残预测方法及系统
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
CN112164082A (zh) * 2020-10-09 2021-01-01 深圳市铱硙医疗科技有限公司 基于3d卷积神经网络分割多模态mr脑部图像方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115496765A (zh) * 2022-09-23 2022-12-20 深圳市铱硙医疗科技有限公司 脑区的图像处理方法、装置、计算机设备及存储介质
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

Also Published As

Publication number Publication date
CN114881943B (zh) 2023-05-16

Similar Documents

Publication Publication Date Title
WO2020140377A1 (zh) 神经网络模型训练方法、装置、计算机设备及存储介质
US10706333B2 (en) Medical image analysis method, medical image analysis system and storage medium
CN114881943B (zh) 基于人工智能的脑龄预测方法、装置、设备及存储介质
WO2020220545A1 (zh) 基于长短期记忆模型的疾病预测方法、装置和计算机设备
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
WO2024032098A1 (zh) 伪影去除模型的训练方法、装置、设备、介质及程序产品
CN111832581B (zh) 肺部特征识别方法、装置、计算机设备及存储介质
CN110472049B (zh) 疾病筛查文本分类方法、计算机设备和可读存储介质
CN112639833A (zh) 可自适应神经网络
CN109685765A (zh) 一种基于卷积神经网络的x光片肺炎结果预测装置
CN112837357B (zh) 医学影像配准方法、装置、计算机设备及存储介质
CN116807447B (zh) 动态脑网络的脑龄预测建模方法、认知提升方法及系统
US11263494B2 (en) Classification device, classification method, program, and information recording medium
CN110866909A (zh) 图像生成网络的训练方法、图像预测方法和计算机设备
CN111161274A (zh) 腹部图像分割方法、计算机设备
CN111354463B (zh) 人体健康测量方法、装置、计算机设备及存储介质
CN110555846A (zh) 基于卷积神经网络的全自动骨龄评定方法
CN116205915B (zh) 一种基于掩码的大脑年龄评估方法、系统及电子设备
CN113256657A (zh) 一种高效医学图像分割方法及系统、终端、介质
CN116645347A (zh) 基于多视图特征融合的糖尿病足预测方法、装置及设备
CN110992312A (zh) 医学图像处理方法、装置、存储介质及计算机设备
CN111598144B (zh) 图像识别模型的训练方法和装置
CN111192252B (zh) 一种图像分割结果优化方法、装置、智能终端及存储介质
CN109583275B (zh) 一种基于cnn的赤足足迹的体重判定方法
CN112365504A (zh) Ct左心室分割方法、装置、设备和存储介质

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