CN116579975A - 一种卷积神经网络的脑龄预测方法及系统 - Google Patents

一种卷积神经网络的脑龄预测方法及系统 Download PDF

Info

Publication number
CN116579975A
CN116579975A CN202310218209.4A CN202310218209A CN116579975A CN 116579975 A CN116579975 A CN 116579975A CN 202310218209 A CN202310218209 A CN 202310218209A CN 116579975 A CN116579975 A CN 116579975A
Authority
CN
China
Prior art keywords
data
brain
age
magnetic resonance
nuclear magnetic
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
CN202310218209.4A
Other languages
English (en)
Inventor
侯昌龙
张建华
李仁峰
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.)
Shanghai East Hospital Tongji University Affiliated East Hospital
Original Assignee
Shanghai East Hospital Tongji University Affiliated East 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 Shanghai East Hospital Tongji University Affiliated East Hospital filed Critical Shanghai East Hospital Tongji University Affiliated East Hospital
Priority to CN202310218209.4A priority Critical patent/CN116579975A/zh
Publication of CN116579975A publication Critical patent/CN116579975A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • A61B5/05—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
    • A61B5/72—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
    • G06N3/08—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
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computing Systems (AREA)
  • Surgery (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Neurology (AREA)
  • Fuzzy Systems (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种卷积神经网络的脑龄预测方法及系统，包括：S101，首先，采集健康人群的大脑核磁共振数据并进行预处理；S102，在采集的核磁共振数据中随机选取一定量数据，随机选取的数据设为训练集，剩下的数据设为测试集；S103，将训练集放入训练模型中；S104，对训练模型中的数据进行分层采样，针对不同年龄进行分层采样；S105，通过均值绝对误差、相关系数、测定系数、大脑年龄与生理年龄差异评估预测模型的性能。本发明采用训练模型和预测模型相结合的方式进行脑龄预测，能够规避白质和灰质图像的输入，使得预测脑龄由特征数据的输入和输出得到结果，满足了脑龄预测的需求。

Description

一种卷积神经网络的脑龄预测方法及系统
技术领域
本发明涉及脑龄预测模型技术领域，具体地说，涉及一种卷积神经网络的脑龄预测方法及系统。
背景技术
卷积神经网络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，因此也被称为“平移不变人工神经网络”。一般地，CNN的基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来;其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层，这种特有的两次特征提取结构减小了特征分辨率。卷积神经网络(CNN)可以通过MRI脑部结构扫描准确预测健康个体的实际年龄。这些模型可能会应用于常规临床检查，以检测健康老龄化的偏差，包括早期神经退行性变。这可能对患者护理、药物开发和优化MRI数据收集具有重要意义。
医院常规核磁共振数据体素不符合MNI模板的基本要求，无法清晰的分割脑白质和脑灰质，从而不能获取白质图和灰质图。我们无法利用3D卷积神经网络脑年龄预测模型对脑瘫患儿进行脑年龄预测。2D卷积神经网络脑年龄预测模型的建立为解决这种问题提供了可能性。但由于模型的训练仍是基于白质和灰质图像的输入，故不能满足需求。
发明内容
（一）解决的技术问题
针对现有技术的不足，本发明的目的在于提供一种卷积神经网络的脑龄预测方法及系统，采用训练模型和预测模型相结合的方式进行脑龄预测，能够让数据得到充分训练，从而得到更准确的数据特征，构建预测模型能够规避白质和灰质图像的输入，使得预测脑龄由特征数据的输入和输出得到结果，满足了脑龄预测的需求。
（二）技术方案
本为实现上述目的，本发明提供如下技术方案。
本发明第一方面提供了一种卷积神经网络的脑龄预测方法，包括：
S101，采集健康人群的大脑核磁共振数据并进行预处理，获取采集健康人群的姓名、年龄、性别数据，各测试者的年龄范围为5岁到90岁之间，利用数据集中的弥散张量成像数据及对应测试者的实际年龄形成初始样本集，对所述训练样本集中的各所述历史结构磁共振影像数据预处理，得到对应的处理图像数据集；
S102，在采集的核磁共振数据中随机选取一定量数据，随机选取的数据设为训练集，图像按对应采集人群的实际年龄划分为年龄分布均匀的训练集，剩下的数据设为测试集；
S103，将训练集放入训练模型中，训练过程中批归一化层数据依赖与计算访存比在批归一化层前向计算过程中，首先求输入数据的均值与方差，接着使用均值、方差对每个输入数据进行归一化及缩放操作，需要保存每层前向计算时的输出结果，用于反向计算过程中参数误差、输入误差的计算；
S104，对训练模型中的数据进行分层采样，分层采样针对训练集中不同年龄段的样本数进行分层采样，对每个年龄段进行标记，得到标记数据值，将标记数据值较少的放入训练模型中，进行多次训练；
S105，通过均值绝对误差、相关系数、测定系数、大脑年龄与生理年龄差异评估预测模型的性能。
作为优选方案，所述训练模型的过程包括：
S106，采用三个卷积核组成2D卷积层连进行特征提取，每个神经元对图像数据局部进行感知，然后在更高层将局部的信息综合起来得到全局信息，给定大脑核磁共振图片数据，用多个卷积核去扫这张图来学习不同的特征来提取原图特征；
S107，采用9个跳跃块组成跳跃层捕获更深层次的特征，跳跃层降低了大脑核磁共振图片数据的尺寸，增大了感受野，在某个范围内选择一个数字，让这个数字代表这个范围内的所有的像素得值，增加了鲁棒性，图片中某个目标单纯的位置的移动，不应该影响识别结果，而跳跃层捕捉的恰好是目标的特征，增加了平移不变性，在保留特征信息的前提下，降低了图片的尺寸，从而提升训练速度；
S108，通过3组卷积层再次进行特征学习；
S109，继续使用同样的跳跃层捕获更深层次的特征；
S110，最后通过全连接层回归脑年龄，经多个卷积层和池化层后，连接着1个或1个以上的全连接层，全连接层中的每个神经元与其前一层的所有神经元进行全连接．全连接层可以整合卷积层或者池化层中具有类别区分性的局部信息，为了提升卷积神经网络的性能，全连接层每个神经元的激励函数一般采用ReLU函数，最后一层全连接层的输出值被传递给一个输出。
作为优选方案，所述S101中核磁共振数据预处理是利用FSL脑成像数据分析工具库的线性配准fsllirt命令，将所有核磁共振数据配准到MNI152标准空间，并重采样为128x128x18， 体素大小为1.42x1.70x10.11，并对所有数据进行z-score标准化。
作为优选方案，所述预测模型的构建包括：
S111，提取训练模型中的特征数据，所述特征数据为S110中最后通过全连接层的数据；
S112，根据特征数据构建预测模型，在模型构建的过程中卷积层使用步长为32，尺寸为5×5的卷积核，池化层使用步长为2，尺寸为2×2的窗口，卷积层使用步长为645×5的卷积核，池化层使用步长为2，尺寸为2×2的窗口，特征处理层使用1024个节点，输出层使用10个节点；
S113，将测试集中的数据输入预测模型中；
S114，输出预测的脑龄数据。
作为优选方案，所述S101中，大脑核磁共振数据预处理的步骤为：
第一步：获取脑部核磁共振图像数据，对脑部核磁共振图像数据进行空间域滤波技术，得到去噪的脑部核磁共振图像；
第二步：对脑部核磁共振图像进行图像锐化处理，得到锐化后的脑部核磁共振图像；
第三步：将去噪的脑部核磁共振图像和锐化后的脑部核磁共振图像融合在一起，获得到融合后的脑部核磁共振图像，根据灰度值对融合后的脑部核磁共振图像进行分割，得到分割后的脑部核磁共振图像。
作为优选方案，所述脑龄数据包括训练集的生理年龄及其预测年龄、测试集的生理年龄及其预测年龄。
作为优选方案，在所述S110中全连接层为两层全连接层，并且在全连接层中加入dropout层。
作为优选方案，评估预测模型的性能中均值绝对误差，采用公式如下：
其中，MAE为均值绝对误差，n为测试数据集的样本数，为预测年龄，为生理 年龄。
本发明第二方面提供了一种卷积神经网络的脑龄预测系统，包括：
采集模块，采集健康人群的核磁共振数据，采集模块为存储计算机可执行指令的存储器，存储器采集历史样本集，历史样本集包括多对历史结构磁共振影像数据及对应测试者的生理年龄；
选取模块，在采集的核磁共振数据中随机选取一定量数据，选取模块为PythonNumPy随机抽模块；
训练模块，对训练集中的数据进行充分训练，训练模块均包含尺寸为5*5*5、步长为32的卷积层、批归一化层、Relu激活函数层、步长为2的池化层；
构建模块，根据训练模型中提取的特征数据构建预测模型；
预测模块，用于对预测集中的数据进行脑龄预测。
作为优选方案，通过提取模块提取训练模型中的特征数据，并由输入模块输入到预测模块中，输出模块输出预测模块中的脑龄数据，再由评估模块通过均值绝对误差、相关系数、测定系数、大脑年龄与生理年龄差异进行评估。
有益效果
与现有技术相比，本发明提供了一种卷积神经网络的脑龄预测方法及系统，具备以下有益效果：本发明采用训练模型和预测模型相结合的方式进行脑龄预测，其中训练模型采用三个卷积核组成2D卷积层连进行特征提取，采用9个跳跃块组成跳跃层捕获更深层次的特征，通过3组卷积层再次进行特征学习，继续使用同样的跳跃层捕获更深层次的特征，能够让数据得到充分训练，从而得到更准确的数据特征，采用构建预测模型能够规避白质和灰质图像的输入，使得预测脑龄由特征数据的输入和输出得到结果，满足了脑龄预测的需求，并且采用了均值绝对误差、相关系数、测定系数、大脑年龄与生理年龄差异评估预测模型的性能，使得预测模型的精准度得到提高。
附图说明
图1为本发明的卷积神经网络的脑龄预测方法流程示意图；
图2为本发明的训练模型流程示意图；
图3为本发明的预测模型流程示意图；
图4为本发明的卷积神经网络的脑龄预测系统示意图；
图5为本发明的预测模型系统示意图；
图6为本发明的卷积神经网络的结构示意图；
图7为本发明的实验数据来源表1。
具体实施方式
为了更好地了解本发明的目的、结构及功能，下面结合附图，对本发明一种卷积神经网络的脑龄预测方法及系统做进一步详细的描述，在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
请参阅图1-5，一种卷积神经网络的脑龄预测方法，包括：
S101，首先，采集健康人群的核磁共振数据并进行预处理，获取采集健康人群的姓名、年龄、性别数据，各测试者的年龄范围为5岁到90岁之间，利用数据集中的弥散张量成像数据及对应测试者的实际年龄形成初始样本集，对所述训练样本集中的各所述历史结构磁共振影像数据预处理，得到对应的处理图像数据集；
S102，在采集的核磁共振数据中随机选取一定量数据，随机选取的数据设为训练集，图像按对应采集人群的实际年龄划分为年龄分布均匀的训练集，剩下的数据设为测试集，随机选取的数据即训练集用于训练模型；
S103，将训练集放入训练模型中，训练过程中批归一化层数据依赖与计算访存比在批归一化层前向计算过程中，首先求输入数据的均值与方差，接着使用均值、方差对每个输入数据进行归一化及缩放操作，需要保存每层前向计算时的输出结果，用于反向计算过程中参数误差、输入误差的计算；
S104，对训练模型中的数据进行分层采样，分层采样针对训练集中不同年龄段的样本数进行分层采样，对每个年龄段进行标记，得到标记数据值，将标记数据值较少的放入训练模型中，进行多次训练。脑龄数据包括训练集的生理年龄及其预测年龄、测试集的生理年龄及其预测年龄；
S105，通过均值绝对误差、相关系数、测定系数、大脑年龄与生理年龄差异评估预测模型的性能。
训练模型的过程包括：
S106，采用三个卷积核组成2D卷积层连进行特征提取，每个神经元对图像数据局部进行感知，然后在更高层将局部的信息综合起来得到全局信息，给定大脑核磁共振图片数据，用多个卷积核去扫这张图来学习不同的特征来提取原图特征；
S107，采用9个跳跃块组成跳跃层捕获更深层次的特征，跳跃层降低了大脑核磁共振图片数据的尺寸，增大了感受野，在某个范围内选择一个数字，让这个数字代表这个范围内的所有的像素得值，增加了鲁棒性，图片中某个目标单纯的位置的移动，不应该影响识别结果，而跳跃层捕捉的恰好是目标的特征，增加了平移不变性，在保留特征信息的前提下，降低了图片的尺寸，从而提升训练速度；
S108，通过3组卷积层再次进行特征学习；
S109，继续使用同样的跳跃层捕获更深层次的特征；
S110，最后通过全连接层回归脑年龄，经多个卷积层和池化层后，连接着1个或1个以上的全连接层，全连接层中的每个神经元与其前一层的所有神经元进行全连接．全连接层可以整合卷积层或者池化层中具有类别区分性的局部信息，为了提升卷积神经网络的性能，全连接层每个神经元的激励函数一般采用ReLU函数，最后一层全连接层的输出值被传递给一个输出。
S101中核磁共振数据预处理是利用FSL脑成像数据分析工具库的线性配准fsllirt命令，将所有核磁共振数据配准到MNI152标准空间，并重采样为128x128x18， 体素大小为1.42x1.70x10.11，并对所有数据进行z-score标准化。
预测模型的构建包括：
S111，提取训练模型中的特征数据，所述特征数据为S110中最后通过全连接层的数据；
S112，根据特征数据构建预测模型，在模型构建的过程中卷积层使用步长为32，尺寸为5×5的卷积核，池化层使用步长为2，尺寸为2×2的窗口，卷积层使用步长为645×5的卷积核，池化层使用步长为2，尺寸为2×2的窗口，特征处理层使用1024个节点，输出层使用10个节点；
S113，将测试集中的数据输入预测模型中；
S114，输出预测的脑龄数据。
在所述S101中，大脑核磁共振数据预处理的步骤为：
第一步：获取脑部核磁共振图像数据，对脑部核磁共振图像数据进行空间域滤波技术，得到去噪的脑部核磁共振图像；
第二步：对脑部核磁共振图像进行图像锐化处理，得到锐化后的脑部核磁共振图像；
第三步：将去噪的脑部核磁共振图像和锐化后的脑部核磁共振图像融合在一起，获得到融合后的脑部核磁共振图像，根据灰度值对融合后的脑部核磁共振图像进行分割，得到分割后的脑部核磁共振图像
在所述S110中全连接层为两层全连接层，并且在全连接层中加入dropout层。
评估预测模型的性能中均值绝对误差，采用公式如下：
其中，MAE为均值绝对误差，n为测试数据集的样本数，为预测年龄，为生理 年龄。
一种卷积神经网络的脑龄预测系统，其特征在于，包括：
采集模块，采集健康人群的核磁共振数据，采集模块为存储计算机可执行指令的存储器，存储器采集历史样本集，历史样本集包括多对历史结构磁共振影像数据及对应测试者的生理年龄；选取模块，在采集的核磁共振数据中随机选取一定量数据，选取模块为PythonNumPy随机抽模块；训练模块，对训练集中的数据进行充分训练，训练模块均包含尺寸为5*5*5、步长为32的卷积层、批归一化层、Relu激活函数层、步长为2的池化层；构建模块，根据训练模型中提取的特征数据构建预测模型；预测模块，用于对预测集中的数据进行脑龄预测。通过提取模块提取训练模型中的特征数据，并由输入模块输入到预测模块中，输出模块输出预测模块中的脑龄数据，再由评估模块通过均值绝对误差、相关系数、测定系数、大脑年龄与生理年龄差异进行评估。
实施例，采集健康人群核磁共振数据共3474例，随机选取2442例核磁共振数据为训练集，用于训练模型中，剩下的1032例核磁共振数据为测试集，由于训练集的健康人群年龄不均匀，为了使样本数量较少的年龄段获得充分训练，对训练集数据采用分层采样，对每个年龄段进行标记，得到标记数据值，将标记数据值较少的放入训练模型中，进行多次训练，再将训练模型中的特征数据输入到预测模型中，构建得到训练集的生理年龄及其预测的脑年龄，其中相关系数r=0.99，均值绝对误差MAE=1.85，p＜0.0001，得到测试集的生理年龄及其预测的脑年龄，其中相关系统r=0.95，均值绝对误差MAE=3.98，p＜0.05。
为了更好的理解本发明，作为示例而言，在一个具体的预测方法中，可以选取年龄范围在5岁-86岁的采集健康人群，以构上述的建训练集和测试集。本申请实验数据来源如表1，但不对本申请保护范围做任何限定。
可以理解，本发明是通过一些实施例进行描述的，本领域技术人员知悉的，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本申请的权利要求范围内的实施例都属于本发明所保护的范围内。

Claims (10)

1.一种卷积神经网络的脑龄预测方法，其特征在于，包括：
S101，采集健康人群的大脑核磁共振数据并进行预处理，获取采集健康人群的姓名、年龄、性别数据，各测试者的年龄范围为5岁到90岁之间，利用数据集中的弥散张量成像数据及对应测试者的实际年龄形成初始样本集，对所述训练样本集中的各所述历史结构磁共振影像数据预处理，得到对应的处理图像数据集；
S102，在采集的核磁共振数据中随机选取一定量数据，随机选取的数据设为训练集，图像按对应采集人群的实际年龄划分为年龄分布均匀的训练集，剩下的数据设为测试集；
S103，将训练集放入训练模型中，训练过程中批归一化层数据依赖与计算访存比在批归一化层前向计算过程中，首先求输入数据的均值与方差，接着使用均值、方差对每个输入数据进行归一化及缩放操作，需要保存每层前向计算时的输出结果，用于反向计算过程中参数误差、输入误差的计算；
S104，对训练模型中的数据进行分层采样，分层采样针对训练集中不同年龄段的样本数进行分层采样，对每个年龄段进行标记，得到标记数据值，将标记数据值较少的放入训练模型中，进行多次训练；
S105，通过均值绝对误差、相关系数、测定系数、大脑年龄与生理年龄差异评估预测模型的性能。
2.根据权利要求1所述的一种卷积神经网络的脑龄预测方法，其特征在于，所述训练模型的过程包括：
S106，采用三个卷积核组成2D卷积层连进行特征提取，每个神经元对图像数据局部进行感知，然后在更高层将局部的信息综合起来得到全局信息，给定大脑核磁共振图片数据，用多个卷积核去扫这张图来学习不同的特征来提取原图特征；
S107，采用9个跳跃块组成跳跃层捕获更深层次的特征，跳跃层降低了大脑核磁共振图片数据的尺寸，增大了感受野，在某个范围内选择一个数字，让这个数字代表这个范围内的所有的像素得值，增加了鲁棒性，图片中某个目标单纯的位置的移动，不应该影响识别结果，而跳跃层捕捉的恰好是目标的特征，增加了平移不变性，在保留特征信息的前提下，降低了图片的尺寸，从而提升训练速度；
S108，通过3组卷积层再次进行特征学习；
S109，继续使用同样的跳跃层捕获更深层次的特征；
S110，最后通过全连接层回归脑年龄，经多个卷积层和池化层后，连接着1个或1个以上的全连接层，全连接层中的每个神经元与其前一层的所有神经元进行全连接．全连接层可以整合卷积层或者池化层中具有类别区分性的局部信息，为了提升卷积神经网络的性能，全连接层每个神经元的激励函数一般采用ReLU函数，最后一层全连接层的输出值被传递给一个输出。
3.根据权利要求1所述的一种卷积神经网络的脑龄预测方法，其特征在于：所述S101中核磁共振数据预处理是利用FSL脑成像数据分析工具库的线性配准fsllirt命令，将所有核磁共振数据配准到MNI152标准空间，并重采样为128x128x18， 体素大小为1.42x1.70x10.11，并对所有数据进行z-score标准化。
4.根据权利要求2所述的一种卷积神经网络的脑龄预测方法，其特征在于，所述预测模型的构建包括：
S111，提取训练模型中的特征数据，所述特征数据为S110中最后通过全连接层的数据；
S112，根据特征数据构建预测模型，在模型构建的过程中卷积层使用步长为32，尺寸为5×5的卷积核，池化层使用步长为2，尺寸为2×2的窗口，卷积层使用步长为645×5的卷积核，池化层使用步长为2，尺寸为2×2的窗口，特征处理层使用1024个节点，输出层使用10个节点；
S113，将测试集中的数据输入预测模型中；
S114，输出预测的脑龄数据。
5.根据权利要求1所述的一种卷积神经网络的脑龄预测方法，其特征在于：所述S101中，大脑核磁共振数据预处理的步骤为：
第一步：获取脑部核磁共振图像数据，对脑部核磁共振图像数据进行空间域滤波技术，得到去噪的脑部核磁共振图像；
第二步：对脑部核磁共振图像进行图像锐化处理，得到锐化后的脑部核磁共振图像；
第三步：将去噪的脑部核磁共振图像和锐化后的脑部核磁共振图像融合在一起，获得到融合后的脑部核磁共振图像，根据灰度值对融合后的脑部核磁共振图像进行分割，得到分割后的脑部核磁共振图像。
6.根据权利要求4所述的一种卷积神经网络的脑龄预测方法，其特征在于：所述脑龄数据包括训练集的生理年龄及其预测年龄、测试集的生理年龄及其预测年龄。
7.根据权利要求2所述的一种卷积神经网络的脑龄预测方法，其特征在于：在所述S110中全连接层为两层全连接层，并且在全连接层中加入dropout层。
8.根据权利要求1所述的一种卷积神经网络的脑龄预测方法，其特征在于：评估预测模型的性能中均值绝对误差，采用公式如下：
其中，MAE为均值绝对误差，n为测试数据集的样本数，为预测年龄，/>为生理年龄。
9.一种卷积神经网络的脑龄预测系统，其特征在于，包括：
采集模块，采集健康人群的核磁共振数据，采集模块为存储计算机可执行指令的存储器，存储器采集历史样本集，历史样本集包括多对历史结构磁共振影像数据及对应测试者的生理年龄；
选取模块，在采集的核磁共振数据中随机选取一定量数据，选取模块为PythonNumPy随机抽模块；
训练模块，对训练集中的数据进行充分训练，训练模块均包含尺寸为5*5*5、步长为32的卷积层、批归一化层、Relu激活函数层、步长为2的池化层；
构建模块，根据训练模型中提取的特征数据构建预测模型；
预测模块，用于对预测集中的数据进行脑龄预测。
10.根据权利要求9所述的一种卷积神经网络的脑龄预测系统，其特征在于：通过提取模块提取训练模型中的特征数据，并由输入模块输入到预测模块中，输出模块输出预测模块中的脑龄数据，再由评估模块通过均值绝对误差、相关系数、测定系数、大脑年龄与生理年龄差异进行评估。
CN202310218209.4A 2023-03-08 2023-03-08 一种卷积神经网络的脑龄预测方法及系统 Pending CN116579975A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310218209.4A CN116579975A (zh) 2023-03-08 2023-03-08 一种卷积神经网络的脑龄预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310218209.4A CN116579975A (zh) 2023-03-08 2023-03-08 一种卷积神经网络的脑龄预测方法及系统

Publications (1)

Publication Number Publication Date
CN116579975A true CN116579975A (zh) 2023-08-11

Family

ID=87541946

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310218209.4A Pending CN116579975A (zh) 2023-03-08 2023-03-08 一种卷积神经网络的脑龄预测方法及系统

Country Status (1)

Country Link
CN (1) CN116579975A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117275734A (zh) * 2023-11-20 2023-12-22 苏州药明泽康生物科技有限公司 脑健康状态评估方法及装置
CN117393167A (zh) * 2023-12-11 2024-01-12 中国人民解放军军事科学院军事医学研究院 一种基于人工智能模型的大脑健康评估方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117275734A (zh) * 2023-11-20 2023-12-22 苏州药明泽康生物科技有限公司 脑健康状态评估方法及装置
CN117393167A (zh) * 2023-12-11 2024-01-12 中国人民解放军军事科学院军事医学研究院 一种基于人工智能模型的大脑健康评估方法
CN117393167B (zh) * 2023-12-11 2024-03-12 中国人民解放军军事科学院军事医学研究院 一种基于人工智能模型的大脑健康评估方法

Similar Documents

Publication Publication Date Title
CN108288070B (zh) 一种神经指纹提取分类方法及系统
CN116579975A (zh) 一种卷积神经网络的脑龄预测方法及系统
CN111090764B (zh) 基于多任务学习和图卷积神经网络的影像分类方法及装置
CN111738363B (zh) 基于改进的3d cnn网络的阿尔茨海默病分类方法
CN106295124A (zh) 利用多种图像检测技术综合分析基因子图相似概率量的方法
CN111863244B (zh) 基于稀疏池化图卷积的功能连接精神疾病分类方法和系统
CN112465905A (zh) 基于深度学习的磁共振成像数据的特征脑区定位方法
JP7427080B2 (ja) 細胞検出およびセグメンテーションのための弱教師ありマルチタスク学習
CN112348059A (zh) 基于深度学习的多种染色病理图像分类方法及系统
CN111932522B (zh) 一种基于脑成像大数据深度学习的阿尔兹海默症分类器
CN114445356A (zh) 基于多分辨率的全视野病理切片图像肿瘤快速定位方法
CN114494215A (zh) 基于Transformer的甲状腺结节检测方法
CN115147600A (zh) 基于分类器权重转换器的gbm多模态mr图像分割方法
CN113951834A (zh) 基于视觉Transformer算法的阿尔兹海默症分类预测方法
CN115496720A (zh) 基于ViT机制模型的胃肠癌病理图像分割方法及相关设备
CN112233805B (zh) 基于多图谱神经影像学数据进行生物标志物的挖掘方法
CN116452593B (zh) 血管性认知障碍的ai评估模型的构建方法、装置及系统
CN107590806A (zh) 一种基于大脑医学成像的检测方法和系统
CN116759076A (zh) 一种基于医疗影像的无监督疾病诊断方法及系统
Goutham et al. Brain tumor classification using Efficientnet-B0 model
Li et al. Alzheimer's level classification by 3D PMNet using PET/MRI multi-modal images
CN111932523B (zh) 一种基于脑成像大数据深度学习的性别分类器
CN110276414B (zh) 基于字典学习和稀疏表示的影像特征提取方法及表达方法
CN113902738A (zh) 一种心脏mri分割方法及系统
CN114565762A (zh) 基于roi和分裂融合策略的弱监督肝脏肿瘤分割

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