CN117393167A - 一种基于人工智能模型的大脑健康评估方法 - Google Patents
一种基于人工智能模型的大脑健康评估方法 Download PDFInfo
- Publication number
- CN117393167A CN117393167A CN202311685621.3A CN202311685621A CN117393167A CN 117393167 A CN117393167 A CN 117393167A CN 202311685621 A CN202311685621 A CN 202311685621A CN 117393167 A CN117393167 A CN 117393167A
- Authority
- CN
- China
- Prior art keywords
- brain
- model
- age prediction
- magnetic resonance
- resonance imaging
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 20
- 230000036995 brain health Effects 0.000 title claims abstract description 19
- 210000004556 brain Anatomy 0.000 claims abstract description 106
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000002595 magnetic resonance imaging Methods 0.000 claims abstract description 38
- 208000014644 Brain disease Diseases 0.000 claims abstract description 31
- 210000005013 brain tissue Anatomy 0.000 claims abstract description 30
- 238000013145 classification model Methods 0.000 claims abstract description 14
- 238000013135 deep learning Methods 0.000 claims abstract description 14
- 238000005516 engineering process Methods 0.000 claims abstract description 11
- 238000013508 migration Methods 0.000 claims abstract description 8
- 230000005012 migration Effects 0.000 claims abstract description 8
- 210000001175 cerebrospinal fluid Anatomy 0.000 claims description 24
- 210000004884 grey matter Anatomy 0.000 claims description 24
- 210000004885 white matter Anatomy 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 22
- 238000013526 transfer learning Methods 0.000 claims description 13
- 238000003384 imaging method Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 208000015122 neurodegenerative disease Diseases 0.000 abstract description 4
- 238000012502 risk assessment Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 8
- 230000004913 activation Effects 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004770 neurodegeneration Effects 0.000 description 2
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000002679 ablation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007428 craniotomy Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007636 ensemble learning method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/096—Transfer learning
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
-
- 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
Abstract
本发明提出一种基于人工智能模型的大脑健康评估方法,包括,获取健康大脑结构的磁共振成像数据集;通过使用深度学习中的卷积网络构建基础脑龄预测模型,使用磁共振成像数据集对基础脑龄预测模型进行预测,得到脑龄预测模型;获取不同类型的脑组织数据集,使用脑组织数据集对脑龄预测模型进行训练,得到脑龄预测综合模型;通过迁移学习技术,将脑龄预测综合模型迁移至脑疾病分类模型中;通过脑疾病分类模型进行脑疾病分类。通过本发明提出的方法,实现了退行性疾病风险评估。
Description
技术领域
本发明属于人工智能深度学习领域和医学影像处理领域。
背景技术
脑部核磁共振成像是一种常规的医学检查手段,丰富的常用序列可以对大脑灰质白质和脑脊液进行高精度成像。核磁共振成像技术生成脑部组织的三维影像数据,影像数据中体素的亮度变化反映脑组织差异,因此包含丰富的脑部形态结构信息。基于脑部磁共振结构成像数据进行脑龄估计是一个热门研究领域。brainAgeR是基于高斯过程回归的脑龄预测模型。Cole等人构建的基于三维卷积神经网络的脑龄预测模型性能已经超越了传统方法。基于大规模数据,利用人工神经网络模型,实现大脑年龄评估,以及特定疾病预警是当前研究的热点问题。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的目的在于提出一种基于人工智能模型的大脑健康评估方法,用于退行性疾病风险评估。
为达上述目的,本发明第一方面实施例提出了一种基于人工智能模型的大脑健康评估方法,包括:
获取健康大脑结构的磁共振成像数据集,所述磁共振成像数据集包括被试的年龄、性别信息,以及T1加权成像;
通过使用深度学习中的卷积网络构建基础脑龄预测模型,使用所述磁共振成像数据集对所述基础脑龄预测模型进行预测,得到脑龄预测模型;
获取不同类型的脑组织数据集,使用所述脑组织数据集对所述脑龄预测模型进行训练,得到脑龄预测综合模型;所述脑组织数据集包括灰质、白质和脑脊液数据;
通过迁移学习技术,将所述脑龄预测综合模型迁移至脑疾病分类模型中;通过所述脑疾病分类模型进行脑疾病分类。
另外,根据本发明上述实施例的一种基于人工智能模型的大脑健康评估方法,包括:
方法还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,在获取健康大脑结构的磁共振成像数据集之后,还包括:
对所述磁共振成像数据集进行预处理,包括:
对所述磁共振成像数据集配准到标准MNI152模板中;
在配准之后的图像上进行分割,得到灰质、白质、脑脊液的图像,并进行去头颅、偏差矫正、去噪、平滑、的工作。
进一步地,在本发明的一个实施例中,所述通过使用深度学习中的卷积网络构建基础脑龄预测模型,包括:
采用卷积神经网络作为基础脑龄预测模型的框架,并引了短时傅里叶变换层来替代部分传统的卷积层。
进一步地,在本发明的一个实施例中,所述使用所述磁共振成像数据集对所述基础脑龄预测模型进行预测,包括:
通过使用反向传播将预测值与真实年龄值之间计算损失函数,所述损失函数为分类交叉熵。
进一步地,在本发明的一个实施例中,所述获取不同类型的脑组织数据集,使用所述脑组织数据集对所述脑龄预测模型进行训练,得到脑龄预测综合模型,包括:
采用了Stacking方法,通过整合灰质、白质以及脑脊液的数据集,构建基础脑龄预测综合模型。
为达上述目的,本发明第二方面实施例提出了一种基于人工智能模型的大脑健康评估装置,包括以下模块:
获取模块,用于获取健康大脑结构的磁共振成像数据集,所述磁共振成像数据集包括被试的年龄、性别信息,以及T1加权成像;
第一训练模块,用于通过使用深度学习中的卷积网络构建基础脑龄预测模型,使用所述磁共振成像数据集对所述基础脑龄预测模型进行预测,得到脑龄预测模型;
第二训练模块,用于获取不同类型的脑组织数据集,使用所述脑组织数据集对所述脑龄预测模型进行训练,得到脑龄预测综合模型;所述脑组织数据集包括灰质、白质和脑脊液数据;
迁移学习模块,用于通过迁移学习技术,将所述脑龄预测综合模型迁移至脑疾病分类模型中;通过所述脑疾病分类模型进行脑疾病分类。
进一步地,在本发明的一个实施例中,所述获取模块,还用于:
对所述磁共振成像数据集进行预处理,包括:
对所述磁共振成像数据集配准到标准MNI152模板中;
在配准之后的图像上进行分割,得到灰质、白质、脑脊液的图像,并进行去头颅、偏差矫正、去噪、平滑、的工作。
进一步地,在本发明的一个实施例中,所述第一训练模块,还用于:
采用卷积神经网络作为基础脑龄预测模型的框架,并引了短时傅里叶变换层来替代部分传统的卷积层。
进一步地,在本发明的一个实施例中,所述第一训练模块,还用于:
通过使用反向传播将预测值与真实年龄值之间计算损失函数,所述损失函数为分类交叉熵。
进一步地,在本发明的一个实施例中,所述第二训练模块,还用于:
采用了Stacking方法,通过整合灰质、白质以及脑脊液的数据集,构建基础脑龄预测综合模型。
本发明实施例提出的基于人工智能模型的大脑健康评估方法,通过深度学习技术和短时傅里叶变换构建脑龄预测模型,降低模型参数减少过拟合。使用集成学习,融合多个预测模型,提高模型精度。使用迁移学习将训练好的脑龄预测模型应用于神经退行性疾病分类。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例所提供的一种基于人工智能模型的大脑健康评估方法的流程示意图;
图2为本发明实施例所提供的一种用于计算3DSTFT的频率点示意图;
图3为本发明实施例所提供的一种集成学习流程示意图;
图4为本发明实施例所提供的一种迁移学习流程示意图;
图5为本发明实施例所提供的一种基于人工智能模型的大脑健康评估装置的流程示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的基于人工智能模型的大脑健康评估方法。
图1为本发明实施例所提供的一种基于人工智能模型的大脑健康评估方法的流程示意图。
如图1所示,该基于人工智能模型的大脑健康评估方法包括以下步骤:
S101:获取健康大脑结构的磁共振成像数据集,所述磁共振成像数据集包括被试的年龄、性别信息,以及T1加权成像;
进一步地,在本发明的一个实施例中,在获取健康大脑结构的磁共振成像数据集之后,还包括:
对所述磁共振成像数据集进行预处理,包括:
对所述磁共振成像数据集配准到标准MNI152模板中;
在配准之后的图像上进行分割,得到灰质、白质、脑脊液的图像,并进行去头颅、偏差矫正、去噪、平滑、的工作。
具体实施软件是使用freesurfer进行去头颅操作,其余操作使用FSL进行。
S102:通过使用深度学习中的卷积网络构建基础脑龄预测模型,使用所述磁共振成像数据集对所述基础脑龄预测模型进行预测,得到脑龄预测模型;
进一步地,在本发明的一个实施例中,所述通过使用深度学习中的卷积网络构建基础脑龄预测模型,包括:
采用卷积神经网络作为基础脑龄预测模型的框架,并引了短时傅里叶变换层来替代部分传统的卷积层。
进一步地,在本发明的一个实施例中,所述使用所述磁共振成像数据集对所述基础脑龄预测模型进行预测,包括:
通过使用反向传播将预测值与真实年龄值之间计算损失函数,所述损失函数为分类交叉熵。
本发明的脑龄预测模型是由三部分构成。第一部分称为 "Block1",由两个并行的处理链路组成,通过通道连接。第一条链路包括一个1x1x1大小的滤波器、一个边节点为3的STFT块以及ReLu激活函数。第二条链路包括一个1x1x1大小的滤波器、一个边节点为5的STFT块以及ReLu激活函数。
第二部分称为 "Block2",由四个并行的处理链路组成,通过通道连接。第一条链路包括一个1x1x1大小的滤波器、一个边节点为3的STFT块、ReLu激活函数以及128个1x1x1大小的滤波器。第二条链路包括一个1x1x1大小的滤波器、一个边节点为5的STFT块、ReLu激活函数以及128个1x1x1大小的滤波器。第三条链路包括128个1x1x1大小的滤波器。这三条链路通过通道连接,并连接到平均池化层。第四条链路从Block2输入直接连接到平均池化层,形成短路。边节点数和最后一层滤波器的数量都是超参数,可通过消融实验进行超参数的选择,本实验发现节点数为3和5,滤波器数量为128效果较好。
第三部分由256个1x1x1大小的滤波器的卷积层、平均池化层以及线性层组成。这个模型的结构通过不同的部分和链路组合,以满足轻量化脑龄预测的需求,并采用了STFT块、滤波器和池化层等技术元素,以有效地提取和处理特征。
Block1和Block2的第一层卷积层使用单个1x1x1的滤波器对数据进行卷积操作,目的是使其通道数转换为1,便于后续的STFT层操作。在Block2的第三条线路中仅使用一层卷积层,无需进行STFT层操作。因此,使用具有128个1x1x1的滤波器对图像进行卷积操作,以便与前面的链路中的最后一层进行通道连接。
短时傅里叶变换(Short-Time Fourier Transform,STFT)是将信号分为多个短时间窗口,并在每个窗口内执行傅里叶变换,从而获得信号在不同时间段内的频域表示。在磁共振图像中,将图像的部分邻域看作窗口,在每个窗口内使用短时傅里叶变换提取特征可以显著降低参数量。傅里叶变换的核心思想是任何复杂的周期性信号都可以看作是许多不同频率的简单正弦和余弦波的叠加。
于结构磁共振图像是具有长宽高的立体图形,可以使用局部块对输入图像进行遍历,通过短时傅里叶变换对每个局部块的边节点进行特征提取,本发明将局部块的边节点定为3和5,边节点数量可根据模型大小进行调整。局部块中三位局部邻域如图2所示,用于计算STFT的频率点被标出,选择的频率点被标记为红色,绿色的频率点是红色点的复杂共轭。通过使用三维局部邻域进行短时傅里叶变换提取到局部频域的信息进行特征提取。使用三维邻域对整个磁共振图像进行遍历后可以得到整个磁共振图像的特征。使用低频变量是因为低频变量通常包含大部分信息且其具有比高频分量更好的信噪比。
短时傅立叶变换(STFT)用于局部频域的定义,对于任意位置的x用三维局部邻域来定义三维局部频域,如公式所示:
,
其中,表示从1到/>,这里的/>代表所选局部块各边的节点个数,/>代表三维频率向量,/>,/>表示局部三维邻域所有点的集合。/>表示从之前路径中传入的特征图,表示进行短时傅里叶变换操作。
通过对上述公式进行重写,表示为以下形式:
,
其中,表示在频率变量v处的一个线性变换的复值基函数,定义为以下公式:
,
表示包含邻域/>中所有元素的向量,定义为以下公式:
,
以每边节点数为3为例,考虑13个最低的非零频率变量,其局部频域可表示为如下公式:
,
在每个位置x的都具有实部和虚部两个分量,将其分离出来后可以得到共26个分量,因此,可重写为以下形式:
其中,分别表示复数的实部和虚部,其对应的变换矩阵如下所示:
,
由此可知,每边节点数为3的13个频率点的STFT矢量化形式可写为:。
传统卷积层的参数量为;边节点为3的STFT层仅需要/>大小的参数量。与传统卷积相比降低了/>个数量级。其中,/>是通道数,/>为滤波器大小,/>是通道数。因此,可以看出使用STFT块代替部分卷积层可以有效降低参数量。
使用ReLu激活函数来提高效率和收敛速度,避免梯度消失问题。
在脑龄预测模型的训练过程中,使用通过使用反向传播将预测值与真实年龄值之间计算损失函数,损失函数为分类交叉熵,动量设置为0.9,学习率从0.008开始,如果验证损失稳定,将学习率降低两倍。
将数据集按比例7:3随机划分为训练集和测试集,随后初始化模型参数。在每个训练周期中,通过前向传播计算模型的预测结果,使用损失函数脑龄预测值与实际年龄之间的误差。然后利用反向传播算法计算梯度信息,更新模型的权重和参数。这个过程在多个训练周期中重复进行,同时周期性地使用验证数据来评估模型的性能,以便在需要时进行早期停止或超参数调整。在最后一次训练完成后保存模型以便后续使用。
S103:获取不同类型的脑组织数据集,使用所述脑组织数据集对所述脑龄预测模型进行训练,得到脑龄预测综合模型;所述脑组织数据集包括灰质、白质和脑脊液数据;
进一步地,在本发明的一个实施例中,所述获取不同类型的脑组织数据集,使用所述脑组织数据集对所述脑龄预测模型进行训练,得到脑龄预测综合模型,包括:
采用了Stacking方法,通过整合灰质、白质以及脑脊液的数据集,构建基础脑龄预测综合模型。
集成学习的基本思想在于将多个弱分类器或回归器组合,以生成一个强大的分类器或回归器。这些弱分类器或回归器可以是同一算法的不同实例,也可以来自不同算法。在实际应用中,集成学习方法,如Bagging、Boosting、Stacking等,被广泛应用于解决分类、回归以及特征选择等问题,因其卓越的准确性和鲁棒性备受青睐。本发明主要采用了Stacking方法,通过整合灰质、白质以及脑脊液的数据集,构建了用于脑龄预测的模型。
本发明使用集成学习的创新点主要体现在两个方面。首先,我们采用了Stacking方法,这一方法被用于整合多个模型或数据集,以提高脑龄预测的准确性和性能,为脑龄预测领域带来了一种创新的方法论。其次,我们将不同类型的脑组织数据集,包括灰质、白质和脑脊液,进行了整合,构建了一个用于脑龄预测的综合模型。这一数据整合方法有望提供更全面的信息,从而提高了预测的精确性,为医学图像处理领域带来了新的可能性和进步。
大部分的脑龄预测模型使用灰质作为输入图像,这必将损失白质及脑脊液相关信息,本发明为了可以从原始图像中尽可能多的提取特征,选择将灰质、白质和脑脊液的图像都进行预处理后得到三种类型的图像数据:灰质、白质和脑脊液。使用这三种数据脑龄预测模型进行训练,可以得到三种训练后的模型。通过集成学习将这三种模型集成到一起,输出集合三种模型的脑龄预测结果。
Stacking是一种集成学习方法,其核心思想是通过将多个基模型的预测结果用作新的训练数据,然后将这些数据输入到另一个模型中,以进行模型融合和预测。具体而言,Stacking首先将原始数据划分为训练集和测试集,接着训练多个基模型在训练集上进行训练,并利用它们对测试集进行预测。然后,基模型的预测结果被视为新的训练数据,输入到一个称为元模型(Meta-Model)的模型中。元模型通常选择线性回归或逻辑回归等模型,用于融合基模型的多样性预测结果。最终,Stacking将元模型的输出作为最终的预测结果。Stacking的优势在于能够充分利用不同基模型之间的互补性,从而提升了模型的预测性能和稳定性。然而,Stacking也存在一些缺点,包括对更多的计算资源和时间的需求,以及需要进行交叉验证和参数调整,以获得更好的性能表现。
具体而言,本发明中集成学习使用Stacking分层训练,使用Stacking第一层基础模型,基于使用VBM分割得到的灰质、白质、脑脊液数据训练出三个模型,Stacking的第二层训练通过选择简单的线性回归模型,最终得到集成三个基础模型后的脑龄预测值。其集成流程如图3所示。
S104:通过迁移学习技术,将所述脑龄预测综合模型迁移至脑疾病分类模型中;通过所述脑疾病分类模型进行脑疾病分类。
迁移学习为解决脑疾病分类等实际问题提供了强大的工具和技术。该方法利用健康人的实际年龄数据来建立和训练模型,然后通过微调脑龄预测模型的最后一层,将从脑龄预测任务中学到的知识传递到脑疾病分类任务中,以提升目标任务的性能。这一方法在迁移学习的应用领域中具有重要意义,为医学和健康领域的研究和实践提供了有力支持。
首要步骤是建立一个基于健康人实际年龄数据的模型,采用深度学习神经网络,经过大规模数据集的训练,能够学习到年龄与各种特征之间的关联,以准确预测个体的年龄。
一旦建立了脑龄预测模型,接下来的关键步骤是进行迁移学习。在这个过程中,我们充分利用已经训练好的脑龄预测模型,并对其最后一层进行微调,以使其适应脑疾病分类任务的需求。这个迁移学习的过程可以将先前模型的知识有效地转化为解决新任务的能力。具体的迁移学习流程图如图4所示。
通过借助迁移学习技术,在保持既有知识的基础上,通过微调模型的最后一层,将从脑龄预测任务中积累的宝贵知识有力地传递至脑疾病分类任务中的能力。这一创新方法旨在提升分类任务的性能水平,通过充分利用之前模型学到的信息,使脑疾病分类更为精准和高效。
微调后的模型将保留了从脑龄预测任务中学到的有用特征,这些特征对脑疾病分类任务也有帮助。通过这种方式,模型能够更好地识别脑疾病相关的模式和特征,从而提高了在脑疾病分类中的性能。
利用迁移学习方法,将健康人实际的年龄数据用于构建和微调模型,可以有效地提高脑疾病分类等实际问题的解决能力。这种方法充分利用了预训练模型的知识,为医学和健康领域的研究和实践带来了新的希望和机遇。通过不断改进和验证,我们可以期待更好地应用这一方法来改善脑疾病的诊断和治疗。
本发明实施例提出的基于人工智能模型的大脑健康评估方法,通过深度学习技术和短时傅里叶变换构建脑龄预测模型,降低模型参数减少过拟合。使用集成学习,融合多个预测模型,提高模型精度。使用迁移学习将训练好的脑龄预测模型应用于神经退行性疾病分类。
为了实现上述实施例,本发明还提出基于人工智能模型的大脑健康评估装置。
图5为本发明实施例提供的一种基于人工智能模型的大脑健康评估装置的结构示意图。
如图5所示,该基于人工智能模型的大脑健康评估装置包括:获取模块100,第一训练模块200,第二训练模块300,迁移学习模块400,其中,
获取模块,用于获取健康大脑结构的磁共振成像数据集,所述磁共振成像数据集包括被试的年龄、性别信息,以及T1加权成像;
第一训练模块,用于通过使用深度学习中的卷积网络构建基础脑龄预测模型,使用所述磁共振成像数据集对所述基础脑龄预测模型进行预测,得到脑龄预测模型;
第二训练模块,用于获取不同类型的脑组织数据集,使用所述脑组织数据集对所述脑龄预测模型进行训练,得到脑龄预测综合模型;所述脑组织数据集包括灰质、白质和脑脊液数据;
迁移学习模块,用于通过迁移学习技术,将所述脑龄预测综合模型迁移至脑疾病分类模型中;通过所述脑疾病分类模型进行脑疾病分类。
进一步地,在本发明的一个实施例中,所述获取模块,还用于:
对所述磁共振成像数据集进行预处理,包括:
对所述磁共振成像数据集配准到标准MNI152模板中;
在配准之后的图像上进行分割,得到灰质、白质、脑脊液的图像,并进行去头颅、偏差矫正、去噪、平滑、的工作。
进一步地,在本发明的一个实施例中,所述第一训练模块,还用于:
采用卷积神经网络作为基础脑龄预测模型的框架,并引了短时傅里叶变换层来替代部分传统的卷积层。
进一步地,在本发明的一个实施例中,所述第一训练模块,还用于:
通过使用反向传播将预测值与真实年龄值之间计算损失函数,所述损失函数为分类交叉熵。
进一步地,在本发明的一个实施例中,所述第二训练模块,还用于:
采用了Stacking方法,通过整合灰质、白质以及脑脊液的数据集,构建基础脑龄预测综合模型。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”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必须针对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一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于人工智能模型的大脑健康评估方法,其特征在于,包括以下步骤:
获取健康大脑结构的磁共振成像数据集,所述磁共振成像数据集包括被试的年龄、性别信息,以及T1加权成像;
通过使用深度学习中的卷积网络构建基础脑龄预测模型,使用所述磁共振成像数据集对所述基础脑龄预测模型进行预测,得到脑龄预测模型;
获取不同类型的脑组织数据集,使用所述脑组织数据集对所述脑龄预测模型进行训练,得到脑龄预测综合模型;所述脑组织数据集包括灰质、白质和脑脊液数据;
通过迁移学习技术,将所述脑龄预测综合模型迁移至脑疾病分类模型中;通过所述脑疾病分类模型进行脑疾病分类。
2.根据权利要求1所述的方法,其特征在于,在获取健康大脑结构的磁共振成像数据集之后,还包括:
对所述磁共振成像数据集进行预处理,包括:
对所述磁共振成像数据集配准到标准MNI152模板中;
在配准之后的图像上进行分割,得到灰质、白质、脑脊液的图像,并进行去头颅、偏差矫正、去噪、平滑、的工作。
3.根据权利要求1所述的方法,其特征在于,所述通过使用深度学习中的卷积网络构建基础脑龄预测模型,包括:
采用卷积神经网络作为基础脑龄预测模型的框架,并引了短时傅里叶变换层来替代部分传统的卷积层。
4.根据权利要求1所述的方法,其特征在于,所述使用所述磁共振成像数据集对所述基础脑龄预测模型进行预测,包括:
通过使用反向传播将预测值与真实年龄值之间计算损失函数,所述损失函数为分类交叉熵。
5.根据权利要求1所述的方法,其特征在于,所述获取不同类型的脑组织数据集,使用所述脑组织数据集对所述脑龄预测模型进行训练,得到脑龄预测综合模型,包括:
采用了Stacking方法,通过整合灰质、白质以及脑脊液的数据集,构建基础脑龄预测综合模型。
6.一种基于人工智能模型的大脑健康评估装置,其特征在于,包括以下模块:
获取模块,用于获取健康大脑结构的磁共振成像数据集,所述磁共振成像数据集包括被试的年龄、性别信息,以及T1加权成像;
第一训练模块,用于通过使用深度学习中的卷积网络构建基础脑龄预测模型,使用所述磁共振成像数据集对所述基础脑龄预测模型进行预测,得到脑龄预测模型;
第二训练模块,用于获取不同类型的脑组织数据集,使用所述脑组织数据集对所述脑龄预测模型进行训练,得到脑龄预测综合模型;所述脑组织数据集包括灰质、白质和脑脊液数据;
迁移学习模块,用于通过迁移学习技术,将所述脑龄预测综合模型迁移至脑疾病分类模型中;通过所述脑疾病分类模型进行脑疾病分类。
7.根据权利要求6所述的装置,其特征在于,所述获取模块,还用于:
对所述磁共振成像数据集进行预处理,包括:
对所述磁共振成像数据集配准到标准MNI152模板中;
在配准之后的图像上进行分割,得到灰质、白质、脑脊液的图像,并进行去头颅、偏差矫正、去噪、平滑、的工作。
8.根据权利要求6所述的装置,其特征在于,所述第一训练模块,还用于:
采用卷积神经网络作为基础脑龄预测模型的框架,并引了短时傅里叶变换层来替代部分传统的卷积层。
9.根据权利要求6所述的装置,其特征在于,所述第一训练模块,还用于:
通过使用反向传播将预测值与真实年龄值之间计算损失函数,所述损失函数为分类交叉熵。
10.根据权利要求6所述的装置,其特征在于,所述第二训练模块,还用于:
采用了Stacking方法,通过整合灰质、白质以及脑脊液的数据集,构建基础脑龄预测综合模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311685621.3A CN117393167B (zh) | 2023-12-11 | 2023-12-11 | 一种基于人工智能模型的大脑健康评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311685621.3A CN117393167B (zh) | 2023-12-11 | 2023-12-11 | 一种基于人工智能模型的大脑健康评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117393167A true CN117393167A (zh) | 2024-01-12 |
CN117393167B CN117393167B (zh) | 2024-03-12 |
Family
ID=89439565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311685621.3A Active CN117393167B (zh) | 2023-12-11 | 2023-12-11 | 一种基于人工智能模型的大脑健康评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117393167B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2019103186A1 (ko) * | 2017-11-23 | 2019-05-31 | 주식회사 아이메디신 | 뇌파 분석을 통한 뇌 나이 추정 방법 및 시스템 |
CN110969614A (zh) * | 2019-12-11 | 2020-04-07 | 中国科学院自动化研究所 | 基于三维卷积神经网络的脑龄预测方法及系统 |
CN113936172A (zh) * | 2021-09-30 | 2022-01-14 | 上海健康医学院 | 一种基于集成学习融合多模式特征的疾病分类方法及设备 |
CN114944229A (zh) * | 2022-05-23 | 2022-08-26 | 中国科学院自动化研究所 | 基于深度学习和磁共振结构脑影像的脑龄预测方法 |
CN114972340A (zh) * | 2022-07-28 | 2022-08-30 | 中国科学院心理研究所 | 一种大脑老化预警系统及预警方法 |
CN115116607A (zh) * | 2022-08-30 | 2022-09-27 | 之江实验室 | 一种基于静息态磁共振迁移学习的脑疾病预测系统 |
CN115299878A (zh) * | 2022-07-27 | 2022-11-08 | 哈尔滨工业大学(深圳) | 一种具有疾病特异性的人脑衰老评估方法及系统 |
CN116138755A (zh) * | 2022-11-11 | 2023-05-23 | 中国科学院计算技术研究所 | 一种构建用于无创血压监测的模型的方法以及可穿戴设备 |
CN116313102A (zh) * | 2023-05-10 | 2023-06-23 | 上海交通大学 | 大脑年龄预测方法、系统、介质及电子设备 |
CN116579975A (zh) * | 2023-03-08 | 2023-08-11 | 上海市东方医院(同济大学附属东方医院) | 一种卷积神经网络的脑龄预测方法及系统 |
CN116959468A (zh) * | 2023-07-02 | 2023-10-27 | 公安部第一研究所 | 一种基于dcctn网络模型的语音增强方法、系统及设备 |
-
2023
- 2023-12-11 CN CN202311685621.3A patent/CN117393167B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019103186A1 (ko) * | 2017-11-23 | 2019-05-31 | 주식회사 아이메디신 | 뇌파 분석을 통한 뇌 나이 추정 방법 및 시스템 |
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 |
CN110969614A (zh) * | 2019-12-11 | 2020-04-07 | 中国科学院自动化研究所 | 基于三维卷积神经网络的脑龄预测方法及系统 |
CN113936172A (zh) * | 2021-09-30 | 2022-01-14 | 上海健康医学院 | 一种基于集成学习融合多模式特征的疾病分类方法及设备 |
CN114944229A (zh) * | 2022-05-23 | 2022-08-26 | 中国科学院自动化研究所 | 基于深度学习和磁共振结构脑影像的脑龄预测方法 |
CN115299878A (zh) * | 2022-07-27 | 2022-11-08 | 哈尔滨工业大学(深圳) | 一种具有疾病特异性的人脑衰老评估方法及系统 |
CN114972340A (zh) * | 2022-07-28 | 2022-08-30 | 中国科学院心理研究所 | 一种大脑老化预警系统及预警方法 |
CN115116607A (zh) * | 2022-08-30 | 2022-09-27 | 之江实验室 | 一种基于静息态磁共振迁移学习的脑疾病预测系统 |
CN116138755A (zh) * | 2022-11-11 | 2023-05-23 | 中国科学院计算技术研究所 | 一种构建用于无创血压监测的模型的方法以及可穿戴设备 |
CN116579975A (zh) * | 2023-03-08 | 2023-08-11 | 上海市东方医院(同济大学附属东方医院) | 一种卷积神经网络的脑龄预测方法及系统 |
CN116313102A (zh) * | 2023-05-10 | 2023-06-23 | 上海交通大学 | 大脑年龄预测方法、系统、介质及电子设备 |
CN116959468A (zh) * | 2023-07-02 | 2023-10-27 | 公安部第一研究所 | 一种基于dcctn网络模型的语音增强方法、系统及设备 |
Non-Patent Citations (1)
Title |
---|
ANJIR AHMED CHOWDHURY等: ""StackFBAs: Detection of fetal brain abnormalities using CNN with stacking strategy from MRI images"", 《JOURNAL OF KING SAUD UNIVERSITY - COMPUTER AND INFORMATION SCIENCES》, vol. 35, no. 8 * |
Also Published As
Publication number | Publication date |
---|---|
CN117393167B (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107610194B (zh) | 基于多尺度融合cnn的磁共振图像超分辨率重建方法 | |
Wang et al. | Single slice based detection for Alzheimer’s disease via wavelet entropy and multilayer perceptron trained by biogeography-based optimization | |
Hou et al. | Brain CT and MRI medical image fusion using convolutional neural networks and a dual-channel spiking cortical model | |
CN113616184B (zh) | 基于多模态磁共振图像的脑网络建模与个体预测方法 | |
CN104063886B (zh) | 一种基于稀疏表示和非局部相似的核磁共振图像重建方法 | |
CN111870245B (zh) | 一种跨对比度引导的超快速核磁共振成像深度学习方法 | |
CN113693563B (zh) | 一种基于超图注意力网络的脑功能网络分类方法 | |
Du et al. | Accelerated super-resolution MR image reconstruction via a 3D densely connected deep convolutional neural network | |
CN105139371A (zh) | 一种基于pcnn与lp变换的多聚焦图像融合方法 | |
Fan et al. | A segmentation-aware deep fusion network for compressed sensing mri | |
Benou et al. | De-noising of contrast-enhanced MRI sequences by an ensemble of expert deep neural networks | |
CN115272295A (zh) | 基于时域-空域联合状态的动态脑功能网络分析方法及系统 | |
Leus et al. | Graph Signal Processing: History, development, impact, and outlook | |
CN112634192A (zh) | 一种结合小波变换的级联U-N Net脑肿瘤分割方法 | |
CN106991651A (zh) | 基于合成分析反卷积网络的快速成像方法及系统 | |
CN114743053A (zh) | 基于图神经网络和自注意力的磁共振影像辅助处理系统 | |
CN117393167B (zh) | 一种基于人工智能模型的大脑健康评估方法 | |
Patil et al. | Classification of 3D magnetic resonance images of brain using discrete wavelet transform | |
Qi et al. | Age estimation from MR images via 3D convolutional neural network and densely connect | |
Tekin et al. | Recurrent brain graph mapper for predicting time-dependent brain graph evaluation trajectory | |
Le et al. | DR-Unet: Rethinking the ResUnet++ Architecture with Dual ResPath skip connection for Nuclei segmentation | |
CN116626570A (zh) | 多对比度mri采样和图像重建 | |
Thurnhofer-Hemsi et al. | Deep learning networks with p-norm loss layers for spatial resolution enhancement of 3D medical images | |
CN115205308A (zh) | 一种基于线状滤波和深度学习的眼底图像血管分割方法 | |
CN114565511A (zh) | 基于全局单应性估计的轻量级图像配准方法、系统及装置 |
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 |