CN117158890A - 一种基于分段脑龄模型的脑龄预测方法及相关装置 - Google Patents
一种基于分段脑龄模型的脑龄预测方法及相关装置 Download PDFInfo
- Publication number
- CN117158890A CN117158890A CN202310398941.4A CN202310398941A CN117158890A CN 117158890 A CN117158890 A CN 117158890A CN 202310398941 A CN202310398941 A CN 202310398941A CN 117158890 A CN117158890 A CN 117158890A
- Authority
- CN
- China
- Prior art keywords
- brain
- age
- target
- training
- brain 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.)
- Pending
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 450
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 344
- 238000012360 testing method Methods 0.000 claims description 51
- 238000010586 diagram Methods 0.000 claims description 28
- 238000004891 communication Methods 0.000 claims description 10
- 230000036961 partial effect Effects 0.000 claims description 8
- 238000002595 magnetic resonance imaging Methods 0.000 description 31
- 230000008569 process Effects 0.000 description 16
- 208000012902 Nervous system disease Diseases 0.000 description 8
- 201000010099 disease Diseases 0.000 description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000002123 temporal effect Effects 0.000 description 7
- 208000025966 Neurological disease Diseases 0.000 description 6
- 230000004913 activation Effects 0.000 description 6
- 230000032683 aging Effects 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 6
- 238000002610 neuroimaging Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 5
- 230000003247 decreasing effect Effects 0.000 description 5
- 210000004884 grey matter Anatomy 0.000 description 5
- 230000004641 brain development Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 4
- 208000024827 Alzheimer disease Diseases 0.000 description 3
- 206010003694 Atrophy Diseases 0.000 description 3
- 208000006096 Attention Deficit Disorder with Hyperactivity Diseases 0.000 description 3
- 208000036864 Attention deficit/hyperactivity disease Diseases 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 3
- 230000037444 atrophy Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000001936 parietal effect Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 210000004885 white matter Anatomy 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 208000018737 Parkinson disease Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 208000015802 attention deficit-hyperactivity disease Diseases 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 230000036995 brain health Effects 0.000 description 2
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007374 clinical diagnostic method Methods 0.000 description 2
- 208000010877 cognitive disease Diseases 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 210000004326 gyrus cinguli Anatomy 0.000 description 2
- 230000002427 irreversible effect Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 231100000915 pathological change Toxicity 0.000 description 2
- 230000036285 pathological change Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 208000014644 Brain disease Diseases 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 208000030886 Traumatic Brain injury Diseases 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000001159 caudate nucleus Anatomy 0.000 description 1
- 210000001638 cerebellum Anatomy 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 230000002739 subcortical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请公开了一种基于分段脑龄模型的脑龄预测方法及相关装置，方法包括获取若干源训练集和若干目标训练集；基于各源训练集训练预设脑龄模型以得到若干初始脑龄模型；基于各目标训练集训练其对应的初始脑龄模型以得到若干目标脑龄模型；将待预测大脑MRI影像分别输入各目标脑龄模型，通过各目标脑龄模型确定所述待预测大脑MRI影像对应的预测脑龄。本申请在若干源训练集上训练初始训练脑龄模型，然后将各初始训练脑龄模型的模型参数迁移至若干目标训练集上，使得仅需要基于若干目标训练集进行参数微调，从而可以得到若干个进行分段预测的目标脑龄模型，并通过若干个分段的目标脑龄模型进行脑龄预测，可以提高脑龄预测的准确性。
Description
技术领域
本申请涉及生物医学技术领域，特别涉及一种基于分段脑龄模型的脑龄预测方法及相关装置。
背景技术
神经系统疾病(如，阿尔茨海默症(Alzheimer's Disease，AD)、帕金森病等)，其发病所伴随的病理变化是不可逆的。在患者出现认知障碍时，病程往往已到中晚期，此时治疗只能减缓疾病的发展，不能从根本上逆转神经网络的损伤。因此，对于多数神经系统疾病应该尽量做到早诊断、早治疗，防止疾病进一步发展。
当前临床上神经系统疾病的诊断方法通常包括临床表现和量表评分，以神经影像学作为辅助检查手段，其中，磁共振成像(Magnetic Resonance Imaging，MRI)是主要的神经影像成像方法。然而，由于许多神经系统疾病在患病早期普遍存在症状不明显的问题，如早期AD患者表现出的记忆力下降、日常生活能力降低等临床症状，容易被认为是正常的衰老现象，从而基于临床表现进行预测融合出现漏诊或者误诊的问题。量表评分是由患者的主观回答完成，具有较强的不可重复性。神经影像学检查能够提供客观的脑部影像，辅助医生发现病变区域，但若患者出现较轻微的结构萎缩，医生凭借肉眼无法得出可量化的大脑健康状态指数，仍存在漏诊风险。
因而现有技术还有待改进和提高。
发明内容
本申请要解决的技术问题在于，针对现有技术的不足，提供一种基于分段脑龄模型的脑龄预测方法及相关装置。
为了解决上述技术问题，本申请实施例第一方面提供了一种基于分段脑龄模型的脑龄预测方法，所述方法包括：
获取若干源训练集和若干目标训练集，其中，若干源训练集和若干目标训练集一一对应，各源训练集对应的年龄分段与其对应的目标训练集对应的年龄分段相同，且各源训练集各自对应的年龄分段不同；
基于各源训练集训练预设脑龄模型以得到若干初始脑龄模型；
基于各目标训练集训练其对应的初始脑龄模型，以得到若干目标脑龄模型，其中，所述目标训练集对应的初始脑龄模型为基于所述目标训练集对应的源训练集训练得到的；
将待预测大脑MRI影像分别输入各目标脑龄模型，通过各目标脑龄模型确定所述待预测大脑MRI影像对应的预测脑龄。
所述的基于分段脑龄模型的脑龄预测方法，其中，所述各源训练集的采集地域相同，各目标训练集的采集地域相同，其中，各源训练集与对应的目标训练集的采集地域不同。
所述的基于分段脑龄模型的脑龄预测方法，其中，对于若干源训练集中的两个源训练集，当两个源训练集对应的年龄分段相邻时，两个源训练集对应的年龄分段存在部分重叠。
所述的基于分段脑龄模型的脑龄预测方法，其中，所述基于各目标训练集训练其对应的初始脑龄模型，以得到若干目标脑龄模型具体包括：
基于各目标训练集中的训练影像对其对应的初始脑龄模型进行训练，得到各目标训练集对应的候选脑龄模型；
将预设测试集中的每个测试影像输入各候选脑龄模型以得到各测试影像对应的候选脑龄，并基于候选脑龄对应的候选脑龄模型确定所述测试影像对应的注意力图；
基于预设测试集中的各测试影像对应的注意力图，确定各源训练集对应的源掩膜图集以及各目标训练集对应的目标掩膜图集；
基于各源掩膜图集对预设脑龄模型进行训练得到若干源脑龄模型；
基于各目标掩膜图集对各自对应的源脑龄模型进行训练，得到若干目标脑龄模型。
所述的基于分段脑龄模型的脑龄预测方法，其中，所述基于候选脑龄对应的候选脑龄模型确定所述测试影像对应的注意力图具体包括：
将所述测试影像输入所述候选脑龄对应的候选脑龄模型，以得到所述测试影像对应的特征图；
利用方向传播原理计算所述候选脑龄对所述特征图中的每个通道中的每个像素的平均偏导，以得到每个通道的权重系数；
基于每个通道的权重系数以及所述特征图，确定特征权重图；
将所述特征权重图在通道维度上取均值，以得到所述测试影像对应的注意力图。
所述的基于分段脑龄模型的脑龄预测方法，其中，所述基于预设测试集中的各测试影像对应的注意力图，确定各源训练集对应的源掩膜图集以及各目标训练集对应的目标掩膜图集具体包括：
对于每个训练集，获取所述训练集对应的所有注意力图，其中，所述训练集为源训练集或目标训练集，训练集对应的注意力图对应的候选脑龄包含于所述训练集对应年龄分段内；
基于获取到的所有注意力图确定所述训练集对应的关键脑区域；
将各训练集中的各训练影像中除关键脑区域外的脑区域遮挡，以得到掩膜图像集。
所述的基于分段脑龄模型的脑龄预测方法，其中，所述基于获取到的所有注意力图确定所述训练集对应的关键脑区域具体包括：
确定获取到的所有注意力图的平均注意力图，并基于所述平均注意力图计算ALL图谱遍中的每个脑区域内所有像素值的平均值，以得到各脑区域的注意力分数；
将各脑区域按照注意力分数从高到底的顺序排列，并选取前预设数量的目标脑区域作为关键脑区域，其中，前预设数量的脑区域对应的注意力分数之和达到预设分数阈值。
本申请实施例第二方面提供了一种基于分段脑龄模型的脑龄预测装置，所述装置包括：
获取模块，用于获取若干源训练集和若干目标训练集，其中，若干源训练集和若干目标训练集一一对应，各源训练集对应的年龄分段与其对应的目标训练集对应的年龄分段相同，且各源训练集各自对应的年龄分段不同；
预训练模块，用于基于各源训练集训练预设脑龄模型以得到若干初始脑龄模型；
训练模块，用于基于各目标训练集训练其对应的初始脑龄模型，以得到若干目标脑龄模型，其中，所述目标训练集对应的初始脑龄模型为基于所述目标训练集对应的源训练集训练得到的；
预测模块，用于将待预测大脑MRI影像分别输入各目标脑龄模型，通过各目标脑龄模型确定所述待预测大脑MRI影像对应的预测脑龄。
本申请实施例第三方面提供了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一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上任一所述的基于分段脑龄模型的脑龄预测方法中的步骤。
本申请实施例第四方面提供了一种终端设备，其包括：处理器、存储器及通信总线；所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述通信总线实现处理器和存储器之间的连接通信；
所述处理器执行所述计算机可读程序时实现如上任一所述的基于分段脑龄模型的脑龄预测方法中的步骤。
有益效果：与现有技术相比，本申请提供了一种基于分段脑龄模型的脑龄预测方法及相关装置，方法包括获取若干源训练集和若干目标训练集；基于各源训练集训练预设脑龄模型以得到若干初始脑龄模型；基于各目标训练集训练其对应的初始脑龄模型，以得到若干目标脑龄模型；将待预测大脑MRI影像分别输入各目标脑龄模型，通过各目标脑龄模型确定所述待预测大脑MRI影像对应的预测脑龄。本申请在若干源训练集上训练初始训练脑龄模型，然后将各初始训练脑龄模型的模型参数迁移至若干目标训练集上，使得仅需要基于若干目标训练集进行参数微调，从而可以得到若干个进行分段预测的目标脑龄模型，并通过若干个分段的目标脑龄模型进行脑龄预测，可以提高脑龄预测的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域普通技术人员而言，在不符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。
图1为本申请提供的基于分段脑龄模型的脑龄预测方法的流程图。
图2为年龄分段的示意图。
图3为预处理的流程示意图。
图4为预设网络模型的模型结构原理图。
图5为目标脑龄模型的训练过程的示意图。
图6为掩膜图的确定过程的示意图。
图7为本申请提供的基于分段脑龄模型的脑龄预测装置的结构原理图。
图8为本申请提供的终端设备的结构原理图。
具体实施方式
本申请提供一种基于分段脑龄模型的脑龄预测方法及相关装置，为使本申请的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本申请进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
应理解，本实施例中各步骤的序号和大小并不意味着执行顺序的先后，各过程的执行顺序以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
经过研究发现，神经系统疾病(如，阿尔茨海默症(Alzheimer's Disease，AD)、帕金森病等)，其发病所伴随的病理变化是不可逆的。在患者出现认知障碍时，病程往往已到中晚期，此时治疗只能减缓疾病的发展，不能从根本上逆转神经网络的损伤。因此，对于多数神经系统疾病应该尽量做到早诊断、早治疗，防止疾病进一步发展。
当前临床上神经系统疾病的诊断方法通常包括临床表现和量表评分，以神经影像学作为辅助检查手段，其中，磁共振成像(Magnetic Resonance Imaging，MRI)是主要的神经影像成像方法。然而，由于许多神经系统疾病在患病早期普遍存在症状不明显的问题，如早期AD患者表现出的记忆力下降、日常生活能力降低等临床症状，容易被认为是正常的衰老现象，从而基于临床表现进行预测融合出现漏诊或者误诊的问题。量表评分是由患者的主观回答完成，具有较强的不可重复性。神经影像学检查能够提供客观的脑部影像，辅助医生发现病变区域，但若患者出现较轻微的结构萎缩，医生凭借肉眼无法得出可量化的大脑健康状态指数，仍存在漏诊风险。
为了解决上述问题，在本申请实施例中，获取若干源训练集和若干目标训练集；基于各源训练集训练预设脑龄模型以得到若干初始脑龄模型；基于各目标训练集训练其对应的初始脑龄模型，以得到若干目标脑龄模型；将待预测大脑MRI影像分别输入各目标脑龄模型，通过各目标脑龄模型确定所述待预测大脑MRI影像对应的预测脑龄。本申请在若干源训练集上训练初始训练脑龄模型，然后将各初始训练脑龄模型的模型参数迁移至若干目标训练集上，使得仅需要基于若干目标训练集进行参数微调，从而可以得到若干个进行分段预测的目标脑龄模型，并通过若干个分段的目标脑龄模型进行脑龄预测，可以提高脑龄预测的准确性。
下面结合附图，通过对实施例的描述，对申请内容作进一步说明。
本实施例提供了一种基于分段脑龄模型的脑龄预测方法，如图1所示，所述方法包括：
S10、获取若干源训练集和若干目标训练集。
具体地，若干源训练集和若干目标训练集均包括若干大脑MRI(MagneticResonance Imaging，磁共振成像)影像，其中，各源训练集各自对应的采样区域相同，各目标训练集各自对应的采用区域相同，且各源训练集对应的采样区域与各目标训练集对应的采集区域不相同。在一个典型实现方式中，各源训练集采用的是国际公开数据集，各目标训练集采用的是国内收集数据集，其中，各源训练集和各目标训练集所包括的大脑MRI影像均为T1加权影像(T1-weighted影像)。本实施例通过采用在各源训练集上训练预训练权重，然后通过迁移学习将预训练权重迁移到目标训练集上，通过目标训练集对预训练权重进行微调，就可以获取到适用于中国人的用于预测脑龄的目标脑龄模型，这样一方面可以利用国际公开数据集，减少训练数据收集所划分的时间，另一方面可以在不存在针对中国人的大型神经影像数据库的前提下保证训练得到的目标脑龄模型的模型性能，进行保证脑龄预测的准确性。
举例说明：国际公开数据集的T1-weighted MRI影像，其中，国际公开数据集由从多个公开数据库获取的CN的T1-weighted影像组成，包括功能连接体项目(FunctionalConnectomes Project，FCP)的注意缺陷多动障碍(Attention Deficit HyperactivityDisorder，ADHD)200数据库、影像信息获取(Information eXtraction from Images，IXI)数据库、影像研究开放获取系列(Open Access Series of Imaging Studies，OASIS)数据库和阿尔茨海默病神经影像学计划(Alzheimer's Disease Neuroimaging Initiative，ADNI)数据库，共2943例，年龄范围为7-97岁。
国内收集数据集是由四个中心被试者的T1-weighted影像确定，其中，三个中心的T1-weighted影像共354例，年龄范围为6-85岁；一个中心的T1-weighted影像作为外部验证集，共70例，年龄范围为22-62岁。此外，被试者均认知健康且无脑疾病、脑外伤，且年龄需为6岁以上，这是由于6岁前大脑发育的个体结构差异较大，不适用于构建泛化性预测模型。
进一步，若干源训练集中的各源训练集各自对应的年龄分段不同，若干目标训练集中的各目标训练集各自对应给的年龄分段不同，若干源训练集与若干目标训练集一一对应，并且各源训练集各自对应的年龄分段与其对应的目标训练集对应的年龄分段相同。例如，若干源训练集中的源训练集a与若干目标训练集中的目标训练集A相对应，那么源训练集a对应的年龄分段与目标训练集A对应年龄分段相同，均为21-45岁等。
在一个实现方式中，对于若干源训练集中的两个源训练集，当两个源训练集对应的年龄分段相邻时，两个源训练集对应的年龄分段存在部分重叠。可以理解的是，在对脑龄进行分段时，相邻两个年龄分段间存在重叠区域，例如，两个相邻年龄分段中的一个年龄分段为21-45岁，另一个年龄分段为40-65岁。这样通过设置重叠区域在一定程度上防止“预测值偏向平均值”，解决年龄区间边缘出现的预测误差过大的问题。
进一步，由于大脑形态在发育、衰老过程中存在连续性，可以确定大脑发育、衰老的阶段点，然后基于大脑发育、衰老的阶段点来进行年龄分段划分。在本实施例中，大脑发育、衰老的阶段点分别是21岁、40岁以及60岁，这是由于6-20岁期间，青少年的大脑皮层灰质体积先增加后减少，不同脑叶灰质体积在不同时间(10岁、12岁、18岁)达到峰值，这个时期属于大脑快速发育的时期；之后大脑灰质结构的变化便趋于平稳，并且总脑容量、白质体积、尾状核体积的变化也在21岁后趋于平稳。成年后，部分大脑形态学特征开始与年龄呈负相关关系，当年龄超过60岁，阿尔兹海默病易发区域加速萎缩，对于总体脑容量，在60岁时逐渐加速至每年减少0.5％，60岁以后的脑容量减少则超过0.5％。此外，选择40岁作为阶段点是考虑到构建年龄分段预测模型时年龄分布的均匀性。
基于此，为了在一定程度上保证分年龄段建模时模型在阶段点附近的预测稳定性和临床实用性，在每个相邻年龄段之间设置了5岁的重叠区间，从而如图2所示，四个年龄区间分别为Youth(7-26岁)、Middle(21-45岁)、Senior(40-65岁)和Elder(60-85岁)。由此可知，若干源训练集包括四个源训练集，分别记为源训练集a、源训练集b、源训练集c以及源训练集d；若干目标训练集包括四个目标训练集，分别记为目标训练集A、目标训练集B、目标训练集C以及目标训练集D，其中，源训练集a与目标训练集A对应，对应的年龄分段为6-26岁；源训练集b与目标训练集B对应，对应的年龄分段为21-45岁；源训练集c与目标训练集C对应，对应的年龄分段为40-65岁；源训练集d与目标训练集D对应，对应的年龄分段为60-85岁。
在一个实现方式中，获取到源训练集和目标训练集之后，还可以对源训练集和目标训练集中的各人脑MRI影像进行预处理，预处理过程可以包括：选取被试者的T1-weighted影像转换为nifti格式文件，然后对nifti格式的人脑MRI影像进行处理，其中，如图3所示，所述处理过程包括使用空间自适应非局部均值(Spatial Adaptive Non-localMeans，SANLM)降噪滤波技术对原始影像降噪，然后进行内部重采样以适应低分辨率图像和各向异性空间分辨率，再经过偏差校正、仿射变换配准到蒙特利尔神经研究所(MontrealNeurological Institute，MNI)坐标空间中，以上操作得到全脑灰质、白质和脑脊液初始分割的结果，为随后的基于体素的精细处理提供初始结果。其中，基于体素的精细处理的过程可以为：首先进行全脑灰质、白质和脑脊液的精细分割和颅骨剥除，将全脑区分为左脑、右脑、皮层下区域和小脑。随后对所有组织进行基于局部自适应分割(Local AdaptiveSegmentation，LAS)的局部强度校正。最后，分别采用自适应最大后验算法(AdaptiveMaximum a Posteriori，AMAP)和利用幂李代数的微分形态解剖学配准算法(Diffeomorphic Anatomical Registration Through Exponentiated Lie Algebra，DARTEL)对图像作最终的分割和配准处理，以得到人脑MRI影像对应的灰质图像。也就是说，在目标脑龄模型的训练过程中，各训练集中的训练图像可以采用人脑MRI影像对应的灰质图像。
此外，经过预处理可以获得配准到MNI空间的灰质图像后，还可以对图像作了最大值-最小值归一化，其中，最大值-最小值归一化的公式为：
其中，x*为样本归一化后的值，xmax为样本数据的最大值，xmin为样本数据的最小值。
S20、基于各源训练集训练预设脑龄模型以得到若干初始脑龄模型。
具体地，所述预设脑龄模型和若干初始脑龄模型的模型结构相同，区别在于预设脑龄模型和各初始脑龄模型以及各初始脑龄模型间的模型参数不同，其中，预设脑龄模型的模型参数为初始模型参数，各初始脑龄模型的模型参数为基于各自对应的源训练集训练得到的模型参数。
所述预设脑龄模型包括若干依次级联的残差模块以及展平模块，其中，残差模块包括残差块以及最大池化层，残差块包括第一卷积单元、第二卷积单元、加法器、指数线性单元激活层；第一卷积单元和第二卷积单元并行且均与加法器相连接，加法器与指数线性单元激活层。第一卷积单元包括三维卷积层，第二卷积单元包括依次级联的三维卷积层、批量标准化层、指数线性单元激活层、三维卷积层和批量标准化层。
在一个具体实现方式中，如图4所示，预设脑龄模型包括五个残差块、五个最大池化层(核大小为3×3×3，步长为2)和展平模块，其中，残差块主要分为主路和短路连接两个部分：主路依次经过一个三维卷积层(卷积核大小为3×3×3，步长为1)、一个批量标准化层、一个指数线性单元激活层、一个三维卷积层(卷积核大小为3×3×3，步长为1)、一个批量标准化层以及一个指数线性单元激活层；在主路的第一个三维卷积层之前和最后一个三维卷积层之前还设置了短路连接，短路连接上还添加了一个三维卷积层(卷积核大小为1×1×1，步长为1)。主路和短路连接的输出通过加法运算进行连接，这样不仅不会给网络增加额外的参数和计算量，还让计算变得更加稳定，可大幅提高模型的训练速度和训练效果。另外，本实施例将五个残差块和五个最大池化层构成的模型部分作为骨干网络，通过骨干网络将尺寸为1×121×145×121的输入图像矩阵降维至128×4×5×4的特征图。展平模块包括展平层和两个全连接层，并通过展平层将128×4×5×4的特征图展平为1×10240维的图像特征，然后通过两个全连接层先1×10240维的图像特征降至1×256维，再降至单个数值以得到预测脑龄值。
对于每个源训练集，该源训练集对预设脑龄模型进行训练可以得到一个初始脑龄模型，其中，初始脑龄模型用于识别其对应的源训练集对应的年龄分段。例如，源训练集对应的年龄分段为6-26，那么通过源训练集训练得到的初始脑龄模型用于预测2-26岁之间的脑龄。可以理解的是，通过若干源训练集训练得到若干初始脑龄模型，若干处理脑龄模型中的每个初始脑龄模型均对应一个年龄分段，通过该初始脑龄模型可以预测属于该年龄分段内的人脑MRI影像的脑龄。
S30、基于各目标训练集训练其对应的初始脑龄模型，以得到若干目标脑龄模型。
具体地，目标脑龄模型的模型结构与初始脑龄模型的模型结构相同，两者的区别在于初始脑龄模型的模型参数为基于源训练集训练得到的，目标脑龄模型的模型参数为与目标训练集对初始脑龄模型的模型进行微调得到的。其中，目标训练集对应的初始脑龄模型为基于所述目标训练集对应的源训练集训练得到的；也就是说，用于训练初始脑龄模型的源训练集对应的年龄分段与目标训练集对应的年龄分段相同。
进一步，在采用目标训练集对初始脑龄模型进行训练时，可以直接采用目标训练集中的训练影像对初始脑龄模型进行训练而得到目标脑龄模型。这样可以通过源训练集确定预训练权重，然后基于目标训练集对预训练模型进行微调，使得网络模型从源数据集的数据分布转变为目标数据集的数据分布，实现在目标数据集上快速、稳定的模型优化过程。此外，还可以是首先采用目标训练集对初始脑龄模型进行预训练得到候选脑龄模型，然后再利用梯度加权的类集合映射提取不同年龄分段的注意力图，基于提取到的注意力图来确定训练图像对应给的掩膜图像，最后基于掩膜图像对初始网络模型进行训练，以得到目标脑龄模型，其中，所述掩膜图像是通过基于注意力图对训练图像中的部分脑区域进行遮挡所形成的。这样可以通过遮挡不同年龄分段对应的非关键脑区域，使得不同目标脑龄模型关注各自对应的关键脑区域，减少非关键脑区域对模型预测性能的影像，提高目标脑龄模型的性能。
在一个实现方式中，如图5所示，所述基于各目标训练集训练其对应的初始脑龄模型，以得到若干目标脑龄模型具体包括：
基于各目标训练集中的训练影像对其对应的初始脑龄模型进行训练，得到各目标训练集对应的候选脑龄模型；
将预设测试集中的每个测试影像输入各候选脑龄模型以得到各测试影像对应的候选脑龄，并基于候选脑龄对应的候选脑龄模型确定所述测试影像对应的注意力图；
基于预设测试集中的各测试影像对应的注意力图，确定各源训练集对应的源掩膜图集以及各目标训练集对应的目标掩膜图集；
基于各源掩膜图集对预设脑龄模型进行训练得到若干源脑龄模型；
基于各目标掩膜图集对各自对应的源脑龄模型进行训练，得到若干目标脑龄模型。
具体地，所述候选脑龄模型为基于目标训练集中的各训练影像训练得到，通过候选脑龄模型可以预测人脑MRI影像的候选脑龄。由此，在获取到候选脑龄模型后，可以通过候选脑龄模型预测预设测试集中的各测试影像对应的候选脑龄，其中，预设测试集包括若干人脑MRI影像，并且对于每个目标训练集对应的年龄分段，预设测试集中均至少存在一个测试影像，该测试影像对应的年龄属于该年龄分段。在一个典型实现方式中，为了避免候选统计关键脑区域时，重叠区域对相邻脑龄组造成干扰，预设测试集中不包括处于年龄分段的重叠区域中的测试影像。
所述注意力图用于反映每个特征图的梯度值，其中，梯度值可以利用方向传播远离计算得的。在一个实现方式中，所述基于候选脑龄对应的候选脑龄模型确定所述测试影像对应的注意力图具体包括：
将所述测试影像输入所述候选脑龄对应的候选脑龄模型，以得到所述测试影像对应的特征图；
利用方向传播原理计算所述候选脑龄对所述特征图中的每个通道中的每个像素的平均偏导，以得到每个通道的权重系数；
基于每个通道的权重系数以及所述特征图，确定特征权重图；
将所述特征权重图在通道维度上取均值，以得到所述测试影像对应的注意力图。
具体地，所述特征图可以为候选脑龄模型中的一特征提取层输出的特征图，例如，候选脑龄模型中位于最后的特征提取层提取到的特征图等。在获取到特征图后，计算所述特征图的每个通道每个像素的平均偏导，得到特征图的梯度值，随后将每个特征图的梯度均值作为该通道对应特征图的权重系数其中，权重系数/>的表达式可以为：
其中，代表类别c在第k个通道的权重系数，Z代表特征图的像素个数，A为特征图矩阵，尺寸为m×n，m代表图像宽度，n代表图像高度。
在获取到每个通道的权重系数后，将每个通道的特征图乘以相应权重系数得到特征权重图(尺寸为m×n，共q个，q代表通道数)，再将各特征权重图在通道维度上取平均，再通过修正线性单元(Rectified Linear Unit，ReLU)激活保留在该类别上权重为正的注意力图，以得到所述测试影像对应的注意力图，其中，测试影像对应的注意力图的表达式为：
其中，ReLU表示激活函数。
进一步，所述源掩膜图集中的每个源掩膜图均对应源训练集中的一个源训练影像，并且源掩膜图通过对源训练影像中的部分脑区域进行遮挡所得到的。所述目标掩膜图集中的每个目标掩膜图均对应源训练集中的一个源训练影像，并且目标掩膜图通过对源训练影像中的部分脑区域进行遮挡所得到的。在本实施例中，源掩膜图和目标掩膜图中被遮挡的脑区域为源训练集对应的年龄分段对应的非关键脑区域，也就是说，源掩膜图为经过对源训练图像中的非关键脑区域进行遮挡形成的，目标掩膜图为经过对目标训练图像中的非关键脑区域进行遮挡形成的，其中，源掩膜图和目标掩膜图中显示的脑区域为关键脑区域，被遮挡的脑区域为非脑区域，非关键脑区域为训练过程中不被关注的脑区域。
在一个实现方式中，如图6所示，所述基于预设测试集中的各测试影像对应的注意力图，确定各源训练集对应的源掩膜图集以及各目标训练集对应的目标掩膜图集具体包括：
对于每个训练集，获取所述训练集对应的所有注意力图；
基于获取到的所有注意力图确定所述训练集对应的关键脑区域；
将各训练集中的各训练影像中除关键脑区域外的脑区域遮挡，以得到掩膜图像集。
具体地，所述训练集为源训练集或目标训练集。可以理解的是，源训练集对应的源掩膜图集的确定过程和目标训练集对应的目标掩膜图集的确定过程相同，这里以训练集表示源训练集和目标训练集构成的训练集组中的一个训练集，并通过以该训练集为例对掩膜图集的确定过程进行说明。
进一步，训练集对应的所有注意力图中的每个一个注意力图对应的候选脑龄均包含于该训练集对应的年龄分段内，其中，注意力图对应的候选脑龄为通过候选脑龄模型对用于确定注意力图的测试图像进行预测得到的。此外，对于预设测试集中的每张测试影像，若干该测试影像对应的候选年龄包含于训练集对应的年龄分段内，则基于测试影像确定的注意力图包含于训练集对应的所有注意力图内。
所述关键脑区域为训练过程中模型关注的脑区域，除关键脑区域外的脑区域为非关键脑区域，非关键脑区域会对目标脑龄模型的预测性能产生影像。从而，在获取到关键脑区域后，可以将除关键脑区域外的非关键脑区域进行遮挡以得到掩膜图像。本实施例通过遮挡除关键脑区域外的脑区域，可以凸显关键脑区域，并减少非关键脑区域对目标脑龄模型的影像，从而可以提高训练得到的目标脑龄模型的模型性能，进而可以提高预测得到的预测脑龄的准确性。
所述获取到的所有注意力图确定所述训练集对应的关键脑区域可以是基于所有注意力图形成一个目标注意力图，然后基于目标注意力图来确定关键脑区域。目标注意力图可以是通过对所有注意力图区均值得到的，也可以是通过选取最大注意力值形成的，还可以通过众数方式形成的等。关键脑区域可以是将目注意力图中的像素值大于预设像素阈值的像素所形成的区域作为关键脑区域，还可以是将各脑区域所包括像素的像素值求和，将和值大于预设和值阈值的区域作为关键脑区域，还可以是按照和值从大到小的顺序依次选取预设数量的脑区域，并将选取到的脑区域作为关键脑区域等。
在一个实现方式中，所述基于获取到的所有注意力图确定所述训练集对应的关键脑区域具体包括：
确定获取到的所有注意力图的平均注意力图，并基于所述平均注意力图计算ALL图谱遍中的每个脑区域内所有像素值的平均值，以得到各脑区域的注意力分数；
将各脑区域按照注意力分数从高到底的顺序排列，并选取前预设数量的目标脑区域作为关键脑区域，其中，前预设数量的脑区域对应的注意力分数之和达到预设分数阈值。
具体地，平均注意力图为对所有注意力图取对应像素值的平均值形成的。ALL(Anatomical Automatic Labeling，自动解剖标注)图谱包含90个大脑灰质区域标签，使用ALL图谱遍历每个脑区域并基于拼接注意力图计算该脑区域内所有像素值的平均值，并将计算得到的平均值作为该脑区域的注意力分数，其中，注意力分数的计算公式可以为：
其中，S为脑区域的注意力分数，M为该脑区域的像素个数，xi为平均注意力图中该脑区域对应的图像区域内的第i个像素值。
此外，在获取到各脑区域的注意力分数后，为了保证位于左右脑的脑区域具有相同的注意力分数，在获取到各脑区域的注意力分数后，可以将将ALL图谱中位于左右脑的脑区域的注意力分数取均值，并将取均值得到的均值注意力分数作为左右脑区域的注意力分数。当然，在实际应用中，还可以去左脑区域和右脑区域中的最大注意力分数作为该左脑区域和右脑区域的注意力分数等，其中，左脑区域和右脑区域为左脑和右脑中相对于的脑区域。
预设分数阈值可以是预先设置的，也可以基于所有脑区域的注意力分数确定的，在本实施例中，所有脑区域的注意力分数确定的，其中，预设分数阈值等于所有脑区域的注意力分数的百分之六十。也就是说，从注意力分数最高的脑区域开始累加，直到前预设数量各脑区域的注意力分数之和占注意力分数总和的60％，即预设分数阈值和注意力分数之和的比值P(n)＝60％，其中，P(n)的表达式可以为：
其中，Si为第i个脑区域的注意力分数，为注意力分数总和，N为脑区域。
此外，值得说明的是，重叠区域没有参与关键脑区的计算，重叠区域样本的掩模图像为相邻年龄组掩模图像的并集。例如，利用6-21岁(未在重叠区域)认知正常人的样本得到的掩模图像的可见脑区包含颞极颞中回、眶部额上回、回直肌、眶部额中回、眶部额下回、颞下回、眶内额上回、颞上极、枕中回、枕上回、中央旁小叶和枕下回；而利用26-40岁(未在重叠区域)认知正常人的数据得到的掩模图像的可见脑区包含背外侧额上回、补充运动区、内侧额上回、额中回、中央前回、顶下回、中央后回、中央旁小叶、顶上回和内侧和旁扣带脑回，那么21-26岁(重叠区域)认知正常人的样本中掩模图像的可见脑区为颞极颞中回、眶部额上回、回直肌、眶部额中回、眶部额下回、颞下回、眶内额上回、颞上极、枕中回、枕上回、中央旁小叶、枕下回、背外侧额上回、补充运动区、内侧额上回、内侧额上回、中央前回、顶下回、中央后回、中央旁小叶、顶上回和内侧和旁扣带脑回。
此外，在实际应用中，在基于各目标训练集训练其对应的初始脑龄模型，以得到若干目标脑龄模型时，在获取到注意力图后，可以基于注意力图仅确定目标训练集对应的目标掩膜图集，然后基于目标掩膜图集对候选脑龄模型进行微调，以得到目标脑龄模型等；或者是，在获取到注意力图后，基于注意力图确定微调训练集对应的掩膜图集，然后基于掩膜图集对候选脑龄模型进行微调，以得到目标脑龄模型等。可以累积的是，只要采用基于注意力图确定掩膜图集的方式均属于本申请的保护范围，本实施例仅是以对源训练集和目标训练集为训练集来确定掩膜图像集为例进行说明。
进一步，在获取到各目标脑龄模型后，本实施例还使用平均绝对误差(MeanAverage Error，MAE)和皮尔森相关系数两个评价指标来评估所构建目标脑龄模型的性能，其中，MAE是衡量每组样本的真实年龄与预测脑龄之间的绝对误差的均值，MAE越低，说明预测结果越精确，其中，MAE的计算公式可以为：
其中，h为将原始数据映射到预测值的函数，m为参与计算的样本数量，xi指第i位样本的原始数据，yi为第i位样本的真实值。
皮尔森相关系数用来衡量每组样本的真实年龄与预测脑龄之间的线性相关程度，其中，相关系数为两组样本X、Y之间的协方差和两者标准差乘积的比值,相关系数越高则表明相关性越强，预测性能越好，相关系数r的计算公式可以为：
其中，X和Y为两组样本，和/>分别为X和Y的样本均值。
本实施例提供的基于Top60％掩模图像，训练四个目标脑龄模型，其中，各目标脑龄模型对应的年龄分段互不相同，且相邻年龄分段存在重叠区域。由于相邻年龄分段存在重叠区域，重叠区域将会有两个目标脑龄模型的预设脑龄，而对于重叠区域的两个预测脑龄，可以将两个预测脑龄的平均值作为重叠区域内样本的最终预测脑龄。通过上述操作，获得全年龄段6-85岁的预测脑龄计算MAE和相关系数作为最终结果。最终结果为：在内部建模集中达到了MAE为2.245岁，相关系数为0.991(p<0.001)的模型性能，在外部验证集上达到了MAE为2.128岁，相关系数为0.969(p<0.001)的模型性能。
S40、将待预测大脑MRI影像分别输入各目标脑龄模型，通过各目标脑龄模型确定所述待预测大脑MRI影像对应的预测脑龄。
具体地，预测脑龄指的是预测大脑年龄，脑龄在认知正常人(CognitivelyNormal，CN)中被认为与其实足年龄相等。若干目标脑龄模型中会存在一个或者两个目标脑龄模型预测到预测脑龄，其中，当预测脑龄处于两个目标脑龄模型的重叠区域时，两个目标脑龄模型会分别预测得到的预测脑龄模型，当预测脑龄未处于任意两个目标脑龄模型的重叠区域时，会有一个目标脑龄模型预测得到预测脑龄。
综上所述，本实施例提供了一种基于分段脑龄模型的脑龄预测方法，方法包括获取若干源训练集和若干目标训练集；基于各源训练集训练预设脑龄模型以得到若干初始脑龄模型；基于各目标训练集训练其对应的初始脑龄模型以得到若干目标脑龄模型；将待预测大脑MRI影像分别输入各目标脑龄模型，通过各目标脑龄模型确定所述待预测大脑MRI影像对应的预测脑龄。本申请在若干源训练集上训练初始训练脑龄模型，然后将各初始训练脑龄模型的模型参数迁移至若干目标训练集上，使得仅需要基于若干目标训练集进行参数微调，从而可以得到若干个进行分段预测的目标脑龄模型，并通过若干个分段的目标脑龄模型进行脑龄预测，可以提高脑龄预测的准确性。
基于上述基于分段脑龄模型的脑龄预测方法，本实施例提供了一种基于分段脑龄模型的脑龄预测装置，如图7所示，所述装置包括：
获取模块100，用于获取若干源训练集和若干目标训练集，其中，若干源训练集和若干目标训练集一一对应，各源训练集对应的年龄分段与其对应的目标训练集对应的年龄分段相同，且各源训练集各自对应的年龄分段不同；
预训练模块200，用于基于各源训练集训练预设脑龄模型以得到若干初始脑龄模型；
训练模块300，用于基于各目标训练集训练其对应的初始脑龄模型，以得到若干目标脑龄模型，其中，所述目标训练集对应的初始脑龄模型为基于所述目标训练集对应的源训练集训练得到的；
预测模块400，用于将待预测大脑MRI影像分别输入各目标脑龄模型，通过各目标脑龄模型确定所述待预测大脑MRI影像对应的预测脑龄。
基于上述基于分段脑龄模型的脑龄预测方法，本实施例提供了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一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上述实施例所述的基于分段脑龄模型的脑龄预测方法中的步骤。
基于上述基于分段脑龄模型的脑龄预测方法，本申请还提供了一种终端设备，如图8所示，其包括至少一个处理器(processor)20；显示屏21；以及存储器(memory)22，还可以包括通信接口(Communications Interface)23和总线24。其中，处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令，以执行上述实施例中的方法。
此外，上述的存储器22中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
存储器22作为一种计算机可读存储介质，可设置为存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令或模块。处理器20通过运行存储在存储器22中的软件程序、指令或模块，从而执行功能应用以及数据处理，即实现上述实施例中的方法。
存储器22可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器。例如，U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。
此外，上述存储介质以及终端设备中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明，在这里就不再一一陈述。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种基于分段脑龄模型的脑龄预测方法，其特征在于，所述方法包括：
获取若干源训练集和若干目标训练集，其中，若干源训练集和若干目标训练集一一对应，各源训练集对应的年龄分段与其对应的目标训练集对应的年龄分段相同，且各源训练集各自对应的年龄分段不同；
基于各源训练集训练预设脑龄模型以得到若干初始脑龄模型；
基于各目标训练集训练其对应的初始脑龄模型，以得到若干目标脑龄模型，其中，所述目标训练集对应的初始脑龄模型为基于所述目标训练集对应的源训练集训练得到的；
将待预测大脑MRI影像分别输入各目标脑龄模型，通过各目标脑龄模型确定所述待预测大脑MRI影像对应的预测脑龄。
2.根据权利要求1所述的基于分段脑龄模型的脑龄预测方法，其特征在于，所述各源训练集的采集地域相同，各目标训练集的采集地域相同，其中，各源训练集与对应的目标训练集的采集地域不同。
3.根据权利要求1所述的基于分段脑龄模型的脑龄预测方法，其特征在于，对于若干源训练集中的两个源训练集，当两个源训练集对应的年龄分段相邻时，两个源训练集对应的年龄分段存在部分重叠。
4.根据权利要求1所述的基于分段脑龄模型的脑龄预测方法，其特征在于，所述基于各目标训练集训练其对应的初始脑龄模型，以得到若干目标脑龄模型具体包括：
基于各目标训练集中的训练影像对其对应的初始脑龄模型进行训练，得到各目标训练集对应的候选脑龄模型；
将预设测试集中的每个测试影像输入各候选脑龄模型以得到各测试影像对应的候选脑龄，并基于候选脑龄对应的候选脑龄模型确定所述测试影像对应的注意力图；
基于预设测试集中的各测试影像对应的注意力图，确定各源训练集对应的源掩膜图集以及各目标训练集对应的目标掩膜图集；
基于各源掩膜图集对预设脑龄模型进行训练得到若干源脑龄模型；
基于各目标掩膜图集对各自对应的源脑龄模型进行训练，得到若干目标脑龄模型。
5.根据权利要求4所述的基于分段脑龄模型的脑龄预测方法，其特征在于，所述基于候选脑龄对应的候选脑龄模型确定所述测试影像对应的注意力图具体包括：
将所述测试影像输入所述候选脑龄对应的候选脑龄模型，以得到所述测试影像对应的特征图；
利用方向传播原理计算所述候选脑龄对所述特征图中的每个通道中的每个像素的平均偏导，以得到每个通道的权重系数；
基于每个通道的权重系数以及所述特征图，确定特征权重图；
将所述特征权重图在通道维度上取均值，以得到所述测试影像对应的注意力图。
6.根据权利要求4所述的基于分段脑龄模型的脑龄预测方法，其特征在于，所述基于预设测试集中的各测试影像对应的注意力图，确定各源训练集对应的源掩膜图集以及各目标训练集对应的目标掩膜图集具体包括：
对于每个训练集，获取所述训练集对应的所有注意力图，其中，所述训练集为源训练集或目标训练集，训练集对应的注意力图对应的候选脑龄包含于所述训练集对应年龄分段内；
基于获取到的所有注意力图确定所述训练集对应的关键脑区域；
将各训练集中的各训练影像中除关键脑区域外的脑区域遮挡，以得到掩膜图像集。
7.根据权利要求6所述的基于分段脑龄模型的脑龄预测方法，其特征在于，所述基于获取到的所有注意力图确定所述训练集对应的关键脑区域具体包括：
确定获取到的所有注意力图的平均注意力图，并基于所述平均注意力图计算ALL图谱遍中的每个脑区域内所有像素值的平均值，以得到各脑区域的注意力分数；
将各脑区域按照注意力分数从高到底的顺序排列，并选取前预设数量的目标脑区域作为关键脑区域，其中，前预设数量的脑区域对应的注意力分数之和达到预设分数阈值。
8.一种基于分段脑龄模型的脑龄预测装置，其特征在于，所述装置包括：
获取模块，用于获取若干源训练集和若干目标训练集，其中，若干源训练集和若干目标训练集一一对应，各源训练集对应的年龄分段与其对应的目标训练集对应的年龄分段相同，且各源训练集各自对应的年龄分段不同；
预训练模块，用于基于各源训练集训练预设脑龄模型以得到若干初始脑龄模型；
训练模块，用于基于各目标训练集训练其对应的初始脑龄模型，以得到若干目标脑龄模型，其中，所述目标训练集对应的初始脑龄模型为基于所述目标训练集对应的源训练集训练得到的；
预测模块，用于将待预测大脑MRI影像分别输入各目标脑龄模型，通过各目标脑龄模型确定所述待预测大脑MRI影像对应的预测脑龄。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1-7任意一项所述的基于分段脑龄模型的脑龄预测方法中的步骤。
10.一种终端设备，其特征在于，包括：处理器、存储器及通信总线；所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述通信总线实现处理器和存储器之间的连接通信；
所述处理器执行所述计算机可读程序时实现如权利要求1-7任意一项所述的基于分段脑龄模型的脑龄预测方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310398941.4A CN117158890A (zh) | 2023-04-04 | 2023-04-04 | 一种基于分段脑龄模型的脑龄预测方法及相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310398941.4A CN117158890A (zh) | 2023-04-04 | 2023-04-04 | 一种基于分段脑龄模型的脑龄预测方法及相关装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117158890A true CN117158890A (zh) | 2023-12-05 |
Family
ID=88945701
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310398941.4A Pending CN117158890A (zh) | 2023-04-04 | 2023-04-04 | 一种基于分段脑龄模型的脑龄预测方法及相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117158890A (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106127769A (zh) * | 2016-06-22 | 2016-11-16 | 南京航空航天大学 | 一种基于脑连接网络的脑龄预测方法 |
| CN110084174A (zh) * | 2019-04-23 | 2019-08-02 | 杭州智趣智能信息技术有限公司 | 一种人脸识别方法、系统及电子设备和存储介质 |
| CN112036419A (zh) * | 2020-09-17 | 2020-12-04 | 南京航空航天大学 | 一种基于VGG-Attention模型的SAR图像部件解译方法 |
| CN113221927A (zh) * | 2020-01-21 | 2021-08-06 | 宏碁股份有限公司 | 模型训练方法与电子装置 |
| WO2021174962A1 (zh) * | 2020-03-02 | 2021-09-10 | 北京三快在线科技有限公司 | 文档图像方向识别及模型的训练 |
| CN113378898A (zh) * | 2021-05-28 | 2021-09-10 | 南通大学 | 基于相对熵损失函数卷积神经网络的脑龄预测方法 |
| WO2022042615A1 (zh) * | 2020-08-25 | 2022-03-03 | 大江生医股份有限公司 | 富含烟酰胺单核苷酸的酵母粉、其制备方法及用途 |
| CN114332994A (zh) * | 2021-12-20 | 2022-04-12 | 深圳数联天下智能科技有限公司 | 训练年龄预测模型的方法、年龄检测方法及相关装置 |
| CN114881943A (zh) * | 2022-04-22 | 2022-08-09 | 深圳市铱硙医疗科技有限公司 | 基于人工智能的脑龄预测方法、装置、设备及存储介质 |
| CN115187569A (zh) * | 2022-07-26 | 2022-10-14 | 北京芯联心科技发展有限公司 | 一种图像质量评估模型训练方法、装置、设备及介质 |
| CN115359013A (zh) * | 2022-08-25 | 2022-11-18 | 西安交通大学 | 基于弥散张量成像及卷积神经网络的脑龄预测方法及系统 |
-
2023
- 2023-04-04 CN CN202310398941.4A patent/CN117158890A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106127769A (zh) * | 2016-06-22 | 2016-11-16 | 南京航空航天大学 | 一种基于脑连接网络的脑龄预测方法 |
| CN110084174A (zh) * | 2019-04-23 | 2019-08-02 | 杭州智趣智能信息技术有限公司 | 一种人脸识别方法、系统及电子设备和存储介质 |
| CN113221927A (zh) * | 2020-01-21 | 2021-08-06 | 宏碁股份有限公司 | 模型训练方法与电子装置 |
| WO2021174962A1 (zh) * | 2020-03-02 | 2021-09-10 | 北京三快在线科技有限公司 | 文档图像方向识别及模型的训练 |
| WO2022042615A1 (zh) * | 2020-08-25 | 2022-03-03 | 大江生医股份有限公司 | 富含烟酰胺单核苷酸的酵母粉、其制备方法及用途 |
| CN112036419A (zh) * | 2020-09-17 | 2020-12-04 | 南京航空航天大学 | 一种基于VGG-Attention模型的SAR图像部件解译方法 |
| CN113378898A (zh) * | 2021-05-28 | 2021-09-10 | 南通大学 | 基于相对熵损失函数卷积神经网络的脑龄预测方法 |
| CN114332994A (zh) * | 2021-12-20 | 2022-04-12 | 深圳数联天下智能科技有限公司 | 训练年龄预测模型的方法、年龄检测方法及相关装置 |
| CN114881943A (zh) * | 2022-04-22 | 2022-08-09 | 深圳市铱硙医疗科技有限公司 | 基于人工智能的脑龄预测方法、装置、设备及存储介质 |
| CN115187569A (zh) * | 2022-07-26 | 2022-10-14 | 北京芯联心科技发展有限公司 | 一种图像质量评估模型训练方法、装置、设备及介质 |
| CN115359013A (zh) * | 2022-08-25 | 2022-11-18 | 西安交通大学 | 基于弥散张量成像及卷积神经网络的脑龄预测方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| BENTO, M ET AL.: "Normal Brain Aging: Prediction of Age, Sex and White Matter Hyperintensities Using a MR Image-Based Machine Learning Technique", 《15TH INTERNATIONAL CONFERENCE ON IMAGE ANALYSIS AND RECOGNITION (ICIAR)》, 31 December 2018 (2018-12-31) * |
| WU, YT ET AL.: "Predicting brain age using partition modeling strategy and atlas-based attentional enhancement in the Chinese population", 《CEREBRAL CORTEX》, 31 January 2024 (2024-01-31) * |
| 李书丽;: "蛇毒血凝酶注射液治疗新生儿消化道出血疗效观察", 中国医药导报, no. 26, 15 September 2008 (2008-09-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shao et al. | Brain ventricle parcellation using a deep neural network: Application to patients with ventriculomegaly | |
| CN113571195B (zh) | 基于小脑功能连接特征的阿尔茨海默病早期的预测模型 | |
| CN111047589B (zh) | 一种注意力增强的脑肿瘤辅助智能检测识别方法 | |
| CN109242860B (zh) | 基于深度学习及权重空间集成的脑肿瘤图像分割方法 | |
| US11615535B2 (en) | Systems and methods for image processing | |
| Ariz et al. | Dynamic atlas-based segmentation and quantification of neuromelanin-rich brainstem structures in Parkinson disease | |
| CN112348785B (zh) | 一种癫痫病灶定位方法及系统 | |
| CN113962311A (zh) | 知识数据和人工智能驱动的眼科多病种识别系统 | |
| CN110811622A (zh) | 一种基于扩散磁共振成像纤维束追踪技术的个体化结构连接脑图谱绘制方法 | |
| CN114332011A (zh) | 一种医学图像处理系统、装置和计算机可读存储介质 | |
| Yu et al. | Interdependent self-construal predicts increased gray matter volume of scene processing regions in the brain | |
| Alsenan et al. | A Deep Learning Model based on MobileNetV3 and UNet for Spinal Cord Gray Matter Segmentation | |
| Peng et al. | The nnU-Net based method for automatic segmenting fetal brain tissues | |
| Supriyanti et al. | Coronal slice segmentation using a watershed method for early identification of people with Alzheimer's | |
| CN114972352B (zh) | 一种病症映射多维失连网络区域提取方法及系统 | |
| CN117158890A (zh) | 一种基于分段脑龄模型的脑龄预测方法及相关装置 | |
| Chaganti et al. | Structural functional associations of the orbit in thyroid eye disease: Kalman filters to track extraocular rectal muscles | |
| Wang et al. | A calibrated SVM based on weighted smooth GL1/2 for Alzheimer’s disease prediction | |
| WO2022040874A1 (zh) | 一种阿尔兹海默症进展预测的核磁共振图像特征提取方法 | |
| CN109711467B (zh) | 数据处理装置及方法、计算机系统 | |
| CN112837807A (zh) | 一种t2dm脑衰老认知障碍早期智能高精度辅诊方法 | |
| Fang et al. | Lens structure segmentation from AS-OCT images via shape-based learning | |
| Hu et al. | Alzheimer’s disease diagnosis method based on convolutional neural network using key slices voting | |
| CN113610742A (zh) | 一种基于深度学习的全脑结构体积测量方法及系统 | |
| Washimkar et al. | Application of fcm clustering on am-fm to detect mri disease progression for multiple sclerosis |
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 |