CN117788897A - 大脑年龄预测方法、装置、设备及存储介质 - Google Patents

Abstract

本申请公开了大脑年龄预测方法、装置、设备及存储介质。该方法包括：获取目标测量者对应的多张待处理人脑影像以及真实年龄，多张待处理人脑影像为不同模态的影像；对多张待处理人脑影像进行空间配准处理，以获得同一坐标系下的多张配准后的人脑影像；根据真实年龄，确定多张配准后的人脑影像各自对应的基线脑模版，基线脑模版用于表征各个脑区与大脑年龄之间的关联程度；利用预先训练好的大脑年龄预测模型，对多张配准后的人脑影像以及多张配准后的人脑影像各自对应的基线脑模版进行分析处理，以获得目标测量者对应的大脑年龄预测结果，通过以基线脑模版作为参考，使得模型专注于真正的生物学变化，以提高大脑年龄预测结果的准确性。

Description

大脑年龄预测方法、装置、设备及存储介质

技术领域

本申请属于计算机技术领域，尤其涉及大脑年龄预测方法、装置、设备及存储介质。

背景技术

衰老是伴随时间流失人体出现的以生理功能衰退和代谢减低为代表的一系列人体变化，包括行为、器官、组织与细胞分子水平等诸多方面的综合变化。其中，大脑的衰老是尤为重要的关键环节，大脑衰老往往很难逆转，甚至部分人会出现中枢神经系统退行性疾病，具有较大的患者基数，且年轻化趋势日益明显，严重的中枢神经系统退行性疾病将影响生活能力及质量。

然而，针对基层医疗机构患者基数巨大而又缺乏专科大夫，因此，亟需一种可以准确预测大脑年龄的方法，以快速基于大脑年龄预测结果识别大脑衰老程度以及中枢神经系统退行性疾病，以缓解基层医疗的供需矛盾。

发明内容

有鉴于此，本申请提供一种大脑年龄预测方法、装置、设备及存储介质，可以快速、准确地识别出目标测量者的真实大脑年龄。

第一方面，本申请实施例提供一种大脑年龄预测方法，该方法包括：

获取目标测量者对应的多张待处理人脑影像以及真实年龄，所述多张待处理人脑影像为不同模态的影像；

对所述多张待处理人脑影像进行空间配准处理，以获得同一坐标系下的多张配准后的人脑影像；

根据所述真实年龄，确定所述多张配准后的人脑影像各自对应的基线脑模版，所述基线脑模版用于表征各个脑区与大脑年龄之间的关联程度；

利用预先训练好的大脑年龄预测模型，对所述多张配准后的人脑影像以及所述多张配准后的人脑影像各自对应的基线脑模版进行分析处理，以获得所述目标测量者对应的大脑年龄预测结果。

第二方面，本申请实施例提供一种大脑年龄预测装置，该装置包括：

获取模块，用于获取目标测量者对应的多张待处理人脑影像以及真实年龄，所述多张待处理人脑影像为不同模态的影像；

配准模块，用于对所述多张待处理人脑影像进行空间配准处理，以获得同一坐标系下的多张配准后的人脑影像；

确定模块，用于根据所述真实年龄，确定所述多张配准后的人脑影像各自对应的基线脑模版，所述基线脑模版用于表征各个脑区与大脑年龄之间的关联程度；

处理模块，用于利用预先训练好的大脑年龄预测模型，对所述多张配准后的人脑影像以及所述多张配准后的人脑影像各自对应的基线脑模版进行分析处理，以获得所述目标测量者对应的大脑年龄预测结果。

第三方面，本申请实施例提供一种电子设备，包括：存储器及处理器；其中，

存储器，用于存储程序；

处理器，与存储器耦合，用于执行存储器中存储的程序，以用于：

获取目标测量者对应的多张待处理人脑影像以及真实年龄，所述多张待处理人脑影像为不同模态的影像；

对所述多张待处理人脑影像进行空间配准处理，以获得同一坐标系下的多张配准后的人脑影像；

根据所述真实年龄，确定所述多张配准后的人脑影像各自对应的基线脑模版，所述基线脑模版用于表征各个脑区与大脑年龄之间的关联程度；

利用预先训练好的大脑年龄预测模型，对所述多张配准后的人脑影像以及所述多张配准后的人脑影像各自对应的基线脑模版进行分析处理，以获得所述目标测量者对应的大脑年龄预测结果。

第四方面，本申请实施例提供一种计算机存储介质，用于储存计算机程序，计算机程序使计算机执行时实现如下方法：

获取目标测量者对应的多张待处理人脑影像以及真实年龄，所述多张待处理人脑影像为不同模态的影像；

对所述多张待处理人脑影像进行空间配准处理，以获得同一坐标系下的多张配准后的人脑影像；

根据所述真实年龄，确定所述多张配准后的人脑影像各自对应的基线脑模版，所述基线脑模版用于表征各个脑区与大脑年龄之间的关联程度；

利用预先训练好的大脑年龄预测模型，对所述多张配准后的人脑影像以及所述多张配准后的人脑影像各自对应的基线脑模版进行分析处理，以获得所述目标测量者对应的大脑年龄预测结果。

本申请实施例提供的大脑年龄预测方案，当有大脑年龄预测需求时，首先，可以获取目标测量者对应的不同模态的多张待处理人脑影像以及目标测量者对应的真实年龄，而后，多多张待处理人脑影像进行空间配准处理，以获得同一坐标系下的多张配准后的人脑影像。接着，根据真实年龄，确定多张配准后的人脑影像各自对应的基线脑模版，基线脑模版用于表征各个脑区与大脑年龄之间的关联程度。最后，利用预先训练好的大脑年龄预测模型，对多张配准后的人脑影像以及多张配准后的人脑影像各自对应的基线脑模版进行分析处理，以获得目标测量者对应的大脑年龄预测结果。

在上述技术方案中，通过将多种不同模态的待处理人脑影像以及不同模态待处理人脑影像对应的基线脑模版输入至预测训练好的大脑年龄预测模型中，使得大脑年龄预测模型在对多张待处理人脑影像进行分析处理时，可以结合不同模态对应的基线脑模版作为参考标准，不仅可以全面挖掘图像信息还可以使得大脑年龄预测模型更专注于真正的生物学变化，以提高大脑年龄预测结果的准确性。并且，通过大脑年龄预测模型可以对多模态人脑影像进行处理，全面精准地描述目标测量者大脑的诸多特性，从而可以更精准地识别出目标测量者对应的实际大脑年龄。

附图说明

为了更清楚地说明本申请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一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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。在附图中：

图1为本申请一示例性实施例的一种大脑年龄预测方法的流程示意图；

图2为本申请一示例性实施例的一种大脑年龄预测方法的应用场景示意图；

图3为本申请实施例提供的根据真实年龄，确定多张配准后的人脑影像各自对应的基线脑模版的流程示意图；

图4为本申请实施例提供的利用预先训练好的大脑年龄预测模型，获得目标测量者对应的大脑年龄预测结果的流程示意图；

图5为本申请一示例性实施例的一种大脑年龄预测模型训练方法的流程示意图；

图6为本申请一示例性实施例的一种大脑年龄预测装置的结构示意图；

图7为本申请实施例提供的电子设备的结构示意图。

具体实施方式

在介绍本申请各实施例提供的技术方案之前，先对本文中涉及到专有名词进行简单的介绍。

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种，但是不排除包含至少一种的情况。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。

为了更好地理解本申请实施例所提供的大脑年龄预测方法，在对该方法进行介绍之前，先对相关技术进行简单介绍。

衰老是伴随时间流失人体出现的以生理功能衰退和代谢减低为代表的一系列人体变化，包括行为、器官、组织与细胞分子水平等诸多方面的综合变化。其中，大脑的衰老是尤为重要的关键环节，现代医学证明大脑中的神经元很难实现大量复制再生，所以大脑的损害往往很难逆转。衰老对于大脑往往产生的也是不可逆损害，随着年龄增大，常常出现记忆力、计算能力与分析能力都有所下降，甚至部分人会出现中枢神经系统退行性疾病(包括帕金森、阿尔兹海默症、皮层痴呆等等)，这无疑对个体、家庭乃至于整个社会都造成了沉重的负担。

探究衰老对大脑的影响有着巨大的健康、社会价值，其中，首要的任务就是利用各种技术手段来判断大脑的真实衰老程度，也就是脑的生物学年龄以精准地描绘大脑的衰老程度。对于健康人群来说，一个人脑的生物学年龄与其真是的时间年龄密切相关，甚至可以说其脑龄围绕真实时间年龄波动。现阶段通常采用血液学指标或特定脑区的体积等信息来进行脑龄的回归预测，然而，通过这种方式不仅需要专业的技术人员来进行识别预测，而且获得的大脑年龄预测结果不准确，从而影响判断结果。

为了解决上述技术问题，本申请实施例提供了一种新的大脑年龄预测方法，在利用预先训练好的大脑年龄预测模型进行大脑年龄预测时，结合多模态待处理人脑影像以及多模态人脑影像各自对应的基线脑模版进行分析处理基线脑模版用于表征各个脑区与大脑年龄之间的关联程度，这样不仅可以全面挖掘图像信息，还可以使得大脑年龄预测模型更专注于真正的生物学变化，以提高大脑年龄预测结果的准确性。并且在进行大脑年龄预测时，通过对多模态的人脑影像进行分析处理，可以更全面地获得目标测量者大脑对应的多种特征信息，以结合大脑对应的多种特征信息，可以更准确地识别出目标测量者所对应的真实大脑年龄，进而提高了预测结果的准确性。

下面结合方法实施例，针对大脑年龄预测方法的应用场景和处理过程进行详细说明。

图1为本申请一示例性实施例的一种大脑年龄预测方法的流程示意图；图2为本申请一示例性实施例的一种大脑年龄预测方法的应用场景示意图；参考附图1-图2所示，本实施例提供了一种大脑年龄预测方法，该方法的执行主体可以为大脑年龄预测装置，可以理解的是，该预测装置可以实现为软件、或者软件和硬件的组合。具体的，该方法可以包括如下步骤：

101、获取目标测量者对应的多张待处理人脑影像以及真实年龄，多张待处理人脑影像为不同模态的影像。

102、对多张待处理人脑影像进行空间配准处理，以获得同一坐标系下的多张配准后的人脑影像。

103、根据真实年龄，确定多张配准后的人脑影像各自对应的基线脑模版，基线脑模版用于表征各个脑区与大脑年龄之间的关联程度。

104、利用预先训练好的大脑年龄预测模型，对多张配准后的人脑影像以及多张配准后的人脑影像各自对应的基线脑模版进行分析处理，以获得目标测量者对应的大脑年龄预测结果。

在本申请实施例中，可以获取目标测量者对应的不同模态的待处理人脑影像，以通过对不同模态的待处理人脑影像进行分析处理，以识别出目标测量者对应的大脑年龄预测结果。其中，多张待处理人脑影像可以为不同模态的磁共振影像，例如：T1WI影像、T2加权图像、T2 FLAIR影像、弥散张量成像(DTI图像)、脑血流成像、磁共振灌注加权成像、静息功能磁共振成像等影像。

磁共振技术是无创性评价大脑结构与功能的重要技术手段。不同模态的磁共振可以显示脑的不同特性。例如，T1WI影像给人的整体感官感受与断层解剖图接近，便于观察解剖结构，并且T1WI影像可以观察白质、灰质、脑脊液等情况确定大脑的衰老程度。

其中，T2加权图像长TR、长TE，组织的T2越长，衰减越慢，信号就越强；组织的T2越短，衰减越快，信号就越弱，可以通过观察大脑组织的T2信号，来确定大脑的衰老程度。在T2FLAIR影像中能够抑制自由水的信号呈低信号，所以如果T2 FLAIR呈高信号意味着组织中结合水增多，这种情况可出现于炎症、肿瘤、梗塞、脱髓鞘等，以脑梗塞最为常见。

弥散张量成像可以揭示脑瘤如何影响神经细胞连接，它还可以揭示同中风、精神分裂症等脑疾病的细微变化，可以通过弥散张量成像来确定大脑的衰老程度以及病变程度，进而确定出大脑年龄。

脑血流成像可以显示出大脑不同区域的血流灌注情况，这种成像模态非常适合诊断脑血管相关疾病；而静息功能磁共振成像则是描绘大脑的氧代谢水平进而反应出大脑的活动状态；磁共振灌注加权成像是反映一个组织里面的血液动力学变化的功能成像，选择足够的时间分辨率快速扫描序列、成像序列来连续不断的扫描，通过扫描以后，扫描得出的影像变化来分析血液流动的变化，通过血液流动变化、停留时间可以分析血流速度。

因此，不同模态的MRI影像能够在一定程度上反映出大脑情况，为大脑年龄的预测提供基础。以通过这些影像可以确定大脑的多种特征信息，并根据这些特征信息来确定大脑的衰老程度，进而预测其对应的大脑年龄。

实际应用中，所述预测装置可以与不同数据采集设备通信，从而通过通信连接接收这些数据采集设备各自获取到对应的多张不同模态的待处理图像。

在获取到目标测量者对应的多张待处理人脑影像之后，为了使不同模态的待处理人脑影像在计算空间上处于同一位置，在对多张待处理人脑影像进行分析处理之前，可以先对多张待处理人脑影像进行空间配准处理，以获得同一坐标系下的多张配准后的人脑影像。

在一可选实施例中，多张待处理人脑影像包括第一人脑影像和第二人脑影像，每张人脑影像包括多层二维图像，对多张待处理人脑影像进行空间配准处理的具体实现方式可以为：若多张待处理人脑影像为通过不同扫描仪对人脑进行扫描获得的影像，则依次确定第一人脑影像中各层二维图像对应的最大横截面以及第二人脑影像中各层二维图像对应的最大横截面；对第一人脑影像中每层二维图像对应的最大横截面和第二人脑影像中每层二维图像对应的最大横截面进行刚性配准处理，以获得校准后的第一人脑影像和校准后的第二人脑影像；对校准后的第一人脑影像和校准后的第二人脑影像进行三维位移场调整，以获得配准后的第一人脑影像和配准后的第一人脑影像。

在本申请实施例中，可以根据待处理人脑影像对应的模态，以确定多张待处理人脑影像是否来自于同一扫描仪，并且对于不同扫描仪获得的待处理人脑影像可以采用不同的空间配准处理方式。例如，多张待处理人脑影像来自于同一扫描仪，则可以将TIWI模态图像对应的坐标空间系确定为标准空间坐标系；由于多张待处理人脑影像是同一台扫描仪获得的，其空间坐标系往往满足刚性配准条件，那么可以根据标准空间坐标系，对其他模态的待处理人脑影像进行刚性配准，以获得同一坐标系下的多张配准后的人脑影像。另外，在具体实施时，可以根据配准后的图像的重合度，判断空间配准效果；达到实验目标的配准效果的图像可以保存该标准空间坐标系下的图像。

其中，若多张待处理人脑影像来自于不同的扫描仪，例如PET模态图像和T1WI模态影像不是同一扫描仪获得的数据，则可以在2D单层图像层面，寻找两种模态的最大横截面，基于最大横截面进行单层配准，以T1WI模态的轮廓外形为标准，将PET模态图像刚性配准到T1WI模态影像上，依次分别对各个图像层分别进行配准，然后将两种模态的图像都重建为3D图像，并对两种模态的图像在三维空间进行配准，通过对3D位移场的调整，使两种模态达到三维空间上的配准。

由上述描述可知：在进行空间配准时，可以通过在2D平面的配准保证了图像在形状、轮廓等刚性方面与T1WI图像达到配准状态的目的，同时，基于三维空间场的配准保证了在三维空间中两种模态图像空间位置的一致性的目的，为后续处理数据的奠定基础。

对多张待处理人脑影像进行空间配准之后，可以根据目标测量者的真实年龄，确定多张配准后的人脑影像各自对应的基线脑模版。其中，基线脑模版用于表征各个脑区与大脑年龄之间的关联程度。基线脑模版可以作为该目标测量者对应的多张待处理人脑影像各自对应的参考标准对待处理人脑影像进行分析处理。

在确定多张配准后的人脑影像各自对应的基线脑模版时，可以获得与目标测量者的真实年龄相同年龄的多个健康人体的不同模态的多张人脑影像，根据多张人脑影像各自对应的脑分割图，对多张人脑影像进行分割处理，以获得多张分割人脑影像。根据多张分割人脑影像，确定多张配准后的人脑影像各自对应的基线脑模版。

在一可选实施例中，根据多张分割人脑影像，确定多张配准后的人脑影像各自对应的基线脑模版的具体实现过程可以为：在获取到多张分割人脑影像之后，可以分别计算各个脑区对应的神经影像参数，并将计算出的神经影像参数赋值到对应的脑分割图中，以获得不同模态人脑影像对应的基线脑模版。也就是说，基线脑模版可以反映该年龄段内多个健康人体所对应的各个脑区特征，将各个脑区对应的特征信息可视化，以提示更关注于该脑区。

之后，根据多张配准后的人脑影像各自对应的基线脑模版以及多张配准后的人脑影像，确定目标测量者对应的大脑年龄预测结果。将该基线脑模版作为参考标准对多张配准后的人脑影像进行分析处理，以确定目标测量者大脑结构偏差健康人脑大脑结构的程度，进而预测出其对应的大脑年龄。

为了可以获得更准确地预测结果，可以预先训练有用于识别出多张待处理人脑影像对应的大脑年龄的机器学习模型，通过机器学习模型对多张待处理人脑影像进行分析处理，以确定出多张待处理人脑影像对应的大脑年龄预测结果。具体的，利用预先训练好的大脑年龄预测模型，对多张配准后的人脑影像以及多张配准后的人脑影像各自对应的基线脑模版进行分析处理，以获得目标测量者对应的大脑年龄预测结果。

在对多张待处理人脑影像进行分析处理时，若直接利用预先训练好的大脑年龄预测模型直接对多张待处理人脑影像进行处理，那么对于大脑年龄预测模型来说，只能简单的提出各个模态影像对应的图像特征，并对图像特征进行分析，以确定对应的大年年龄。然而，提出的图像特征可能会造成特征信息的损失，另外这些特征可能不是专门为提取与大脑年龄相关的信息而设计的，从而使得大脑年龄预测模型基于提取出的图像特征预测效果不佳。因此，在本发明实施例中可以通过结合不同模态的待处理人脑影像对应的基线脑模版对多张待处理人脑图像进行分析处理，以获得目标测量者对应的大脑年龄预测结果。

其中，大脑年龄预测模型可以由基于空间区域引导的深度学习网络构成。例如，大脑年龄预测模型可以为多头注意力图卷积模型等以被训练为用于确定多张待处理人脑图像对应的大脑年龄预测结果。在实际应用时，可以基于相同年龄的多个健康人体对应的多模态人脑影像以及多模态人脑影像对应的基线脑模版，对深度学习网络进行学习训练，当大脑年龄预测模型输出的与多模态人脑影像各自对应的注意力脑模版无限接近于基线脑模版以及输出的大脑年龄预测结果无限接近于健康人体对应的实际真实年龄，则可以停止学习训练，以生成对应的大脑年龄预测模型。

由上述描述可知：通过将多种不同模态的待处理人脑影像以及不同模态待处理人脑影像对应的基线脑模版输入至预测训练好的大脑年龄预测模型中，使得大脑年龄预测模型在对多张待处理人脑影像进行分析处理时，可以结合不同模态对应的基线脑模版作为参考标准，不仅可以全面挖掘图像信息还可以使得大脑年龄预测模型更专注于真正的生物学变化，以提高大脑年龄预测结果的准确性。并且，通过大脑年龄预测模型可以对多模态人脑影像进行处理，全面精准地描述目标测量者大脑的诸多特性，从而可以更精准地识别出目标测量者对应的实际大脑年龄。

综上，本申请实施例提供的大脑年龄预测方案，通过获取目标测量者对应的多张不同模态的待处理人脑影像以及真实年龄；而后对多张待处理人脑影像进行空间配准处理，以获得同一坐标系下的多张配准后的人脑影像；并根据真实年龄，确定多张配准后的人脑影像各自对应的基线脑模版，基线脑模版用于表征各个脑区与大脑年龄之间的关联程度；最后利用预先训练好的大脑年龄预测模型，对多张配准后的人脑影像以及多张配准后的人脑影像各自对应的基线脑模版进行分析处理，以获得目标测量者对应的大脑年龄预测结果，从而有效地实现了无需对待处理人脑影像进行特征提取处理即可准确地识别出目标测量者对应的真实大脑年龄，这样不仅减少了数据处理步骤，降低了数据处理量，还可以使得大脑年龄预测模型更专注于真正的生物学变化，以提高大脑年龄预测结果的准确性。

上述实施例介绍了对目标测量者进行大脑年龄预测的具体实现过程，为了便于理解上述实施例中的根据真实年龄，确定多张配准后的人脑影像各自对应的基线脑模版的具体实现过程，结合附图3对确定多张配准后的人脑影像各自对应的基线脑模版的具体实现过程进行示例性说明。

图3为本申请实施例提供的根据真实年龄，确定多张配准后的人脑影像各自对应的基线脑模版的流程示意图；在上述实施例的基础上，参考附图3所示，本实施例中的提供了一种确定多张配准后的人脑影像各自对应的基线脑模版的实现方式，具体的，该方法可以包括如下步骤：

301、采集与真实年龄对应的健康人体的多张人脑影像，多张人脑影像分别与多张配准后的人脑影像为同一模态的影像。

302、根据多张人脑影像各自对应的脑分割图，对多张人脑影像进行分割处理，以获得多张分割人脑影像。

303、根据多张分割人脑影像，确定多张配准后的人脑影像各自对应的基线脑模版。

其中，不同模态的人脑影像可以从不同方面反映大脑特征，在本申请实施例中，在确定目标测量者对应的大脑年龄预测结果时，对不同模态的多张人脑影像进行分析处理，以获得更全面地大脑特征信息，以更准确地获得大脑年龄预测结果。

为了使得大脑年龄预测模型在对不同模态的多张人脑影像进行分析处理时，更关注于各个脑区对大脑年龄预测结果的影响，可以结合不同模态人脑影像各自对应的基线脑模版进行分析处理。因此，在确定多张配准后的人脑影像各自对应的基线脑模版时，可以对采集到的人脑影像进行分割处理，获得分割人脑影像，对分割人脑影像中各个脑区进行分析处理，以建立各个脑区与电脑年龄之间的关联程度。

具体的，首先，采集与真实年龄对应的健康人体的多张人脑影像，多张人脑影像分别与多张配准后的人脑影像为同一模态的影像。而后，根据多张人脑影像各自对应的脑分割图，对多张人脑影像进行分割处理，以获得多张分割人脑影像。并根据多张分割人脑影像，确定多张配准后的人脑影像各自对应的基线脑模版。

其中，脑分割图可以包括：Anatomical Automatic Labeling模板分割、基于约束球面反卷积扩散磁共振的脑白质解剖图谱等。每种模态的人脑影像对应有一个脑分割图，可以按照人脑影像对应的模态，确定与其对应的脑分割图。例如，人脑影像为T1W1图像时，可以基于Anatomical Automatic Labeling模板对T1W1图像进行分割处理，以获得分割人脑影像。

在一可选实施例中，根据多张分割人脑影像，确定多张配准后的人脑影像各自对应的基线脑模版的具体实现过程可以包括：计算目标分割人脑影像中各个脑区对应的神经影像参数，其中，目标分割人脑影像为多张分割人脑影像中的任一个；对神经影像参数进行降维回归处理，以从神经影像参数中筛选出目标参数；将目标参数映射到目标分割人脑影像对应的脑分割图中，以获得目标分割人脑影像对应的基线脑模版。可以按照上述方式，分别确定各个人脑影像对应的基线脑模版，对此不再赘述。

其中，不同模态的人脑影像对应的神经影像参数也是不同的，例如对于3D-T1模态影像来说，可以分别计算各个脑区对应的大脑皮层厚度、皮层表面积、皮层厚度、脑区体积、脑室体积等神经影像参数。对于DTI模态影响来说，可以分别计算各个脑区对应的的FA值、MD值、AD值、RD值等神经影像参数。对于血流成像影像来说，可以计算各个脑区对应的CBF值。

另外，在确定出计算目标分割人脑影像中各个脑区对应的神经影像参数之后，可以接着对神经影像参数进行降维回归处理，以从神经影像参数中筛选出目标参数。其中，降维是指对于复杂的变量进行筛选，选出最终有利于实现研究目的的相关变量，是减少数据维度，避免过拟合和数字灾难的重要技术手段，而回归是指将自变量通过一定的数学模型用于预测结局的统计方法。

在一可选实施例中，可以利用LASSO方法，对神经影像参数进行降维回归处理，以从神经影像参数中筛选出目标参数。其中，LASSO方法通过构造一个惩罚函数得到一个较为精炼的模型，使得它压缩一些系数，同时设定一些系数为零。因此保留了子集收缩的优点，是一种处理具有复共线性数据的有偏估计。具体的，在回归系数的绝对值之和小于一个常数的约束条件下，使残差平方和最小化，从而能够产生某些严格等于0的回归系数，得到可以解释的模型。

经过上述LASSO运算之后，每个神经影像参数都获得了回归参数，被降维遗弃的参数其回归参数为0，在后续回归中不参与运算，直接将这些神经影像参数从多个神经影像参数中筛掉，以留下神经影像参数对应的回归参数为非零回归参数，并将剩余的神经影像参数确定为目标参数。

在一可选实施例中，对所有的神经影像对应的参数非零回归参数进行标准化处理，将回归参数进行0至1之间的正态分布处理，得到了标准化回归系数。将目标参数对应的标准化回归系数赋予标准的脑分割图中，所有像素点均用标准化回归系数进行赋值，原脑分割图中的空间位置关系等不变，仅仅改变对应脑区的像素点赋值。

例如，假设目标分割人脑影像为3D-T1模态的分割人脑影像，假设分割人脑影像中的神经影像参数海马区域体积对应的标准化回归系数为0.12，那么对于3D-T1模态的分割人脑影像中的海马区域所有像素点都将被赋予0.12的值，这样最终获得3D-T1模态的基线脑模板中的海马区域所有点像素值都为0.12。对于标准化回归系数系数为0的区域，不进行赋值，其区域内像素值为空。那么对于3D-T1模态的分割人脑影像中的每个区域都进行赋值或不进行赋值，赋值完成之后，就获得了最终的3D-T1模态的基线脑模板。

本发明实施例，通过采集与真实年龄对应的健康人体的多张人脑影像，多张人脑影像分别与多张配准后的人脑影像为同一模态的影像。并根据多张人脑影像各自对应的脑分割图，对多张人脑影像进行分割处理，以获得多张分割人脑影像。而后，根据多张分割人脑影像，确定多张配准后的人脑影像各自对应的基线脑模版，以构建不同年龄对应的不同模态人脑影像对应的基线脑模版，以获得不同模态的人脑影像中各个脑区与大脑年龄之间的关联关系，进而根据基线脑模版对待处理人脑影像进行分析处理，以获得更准确地大脑年龄预测结果。

为了便于理解上述实施例中的利用预先训练好的大脑年龄预测模型，对多张配准后的人脑影像以及多张配准后的人脑影像各自对应的基线脑模版进行分析处理，以获得目标测量者对应的大脑年龄预测结果的具体实现过程，结合附图4对利用预先训练好的大脑年龄预测模型，获得目标测量者对应的大脑年龄预测结果的具体实现过程进行示例性说明。

图4为本申请实施例提供的利用预先训练好的大脑年龄预测模型，获得目标测量者对应的大脑年龄预测结果的流程示意图；在上述实施例的基础上，参考附图4所示，本实施例中的提供了一种利用预先训练好的大脑年龄预测模型，对多张配准后的人脑影像以及多张配准后的人脑影像各自对应的基线脑模版进行分析处理，以获得目标测量者对应的大脑年龄预测结果的实现方式，具体的，该方法可以包括如下步骤：

401、将多张配准后的人脑影像输入至预先训练好的大脑年龄预测模型中，确定多张配准后的人脑影像各自对应的注意力脑模版，大脑年龄预测模型被训练为用于确定配准后的人脑影像对应的注意力脑模版，注意力脑模版用于表征配准后的人脑影像中各个脑区的衰老程度。

402、根据多张配准后的人脑影像各自对应的注意力脑模版和多张配准后的人脑影像各自对应的基线脑模版，确定多张配准后的人脑影像对应的大脑年龄。

403、以多张配准后的人脑影像对应的大脑年龄作为大脑年龄预测模型最终输出的目标测量者对应的大脑年龄预测结果。

在本申请实施例中，利用预先训练好的大脑年龄预测模型，确定目标测量者对应的大脑年龄预测结果时，可以先将多张配准后的人脑影像输入至预先训练好的大脑年龄预测模型中，确定多张配准后的人脑影像各自对应的注意力脑模版，大脑年龄预测模型被训练为用于确定配准后的人脑影像对应的注意力脑模版，注意力脑模版用于表征配准后的人脑影像中各个脑区的衰老程度。

在一可选实施例中，大脑年龄预测模型可以为多头注意力图卷积模型，利用多头注意力机制对多张配准后的人脑影像进行处理，得到每个模态的配准后的人脑影像基于空间图像的注意力值，基于该注意力值以获得多张配准后的人脑影像各自对应的注意力脑模版。具体的，可以将该注意力值赋予到多张配准后的人脑影像各自对应的脑分割图中，以获得多张配准后的人脑影像各自对应的注意力脑模版。

而后，根据多张配准后的人脑影像各自对应的注意力脑模版和多张配准后的人脑影像各自对应的基线脑模版，确定多张配准后的人脑影像对应的大脑年龄。

最后，以多张配准后的人脑影像对应的大脑年龄作为大脑年龄预测模型最终输出的目标测量者对应的大脑年龄预测结果。

为了更直观地获得目标测量者对应的大脑衰老程度，该方法还可以包括：根据多张配准后的人脑影像各自对应的注意力脑模版，确定目标测量者对应的目标脑模版；根据目标脑模版，确定目标测量者各个脑区对应的衰老程度。另外，还可以根据实际需求，对预测训练好的大脑年龄预测模型输出结果进行设定。例如，大脑年龄预测模型可以同时输出大脑年龄预测结果以及目标测量者各个脑区对应的目标脑模版或目标测量者各个脑区对应的衰老程度，有利于缓解基层医疗的供需矛盾。

本申请实施例，通过将多张配准后的人脑影像输入至预先训练好的大脑年龄预测模型中，确定多张配准后的人脑影像各自对应的注意力脑模版，大脑年龄预测模型被训练为用于确定配准后的人脑影像对应的注意力脑模版，注意力脑模版用于表征配准后的人脑影像中各个脑区的衰老程度。进而，根据多张配准后的人脑影像各自对应的注意力脑模版和多张配准后的人脑影像各自对应的基线脑模版，确定多张配准后的人脑影像对应的大脑年龄。最后，以多张配准后的人脑影像对应的大脑年龄作为大脑年龄预测模型最终输出的目标测量者对应的大脑年龄预测结果，可以精准地获取到目标测量者对应的大脑年龄预测结果。

上述实施例介绍了利用预先训练好的大脑年龄预测模型，以确定目标测量者对应的大脑年龄预测的具体实现过程，接着对大脑年龄预测模型的训练过程进行示例性说明。

图5为本申请一示例性实施例的一种大脑年龄预测模型训练方法的流程示意图；参考附图5所示，本实施例提供了一种大脑年龄预测模型训练方法，该方法的执行主体可以为模型训练装置，可以理解的是，该模型训练装置可以实现为软件、或者软件和硬件的组合。具体的，该模型训练方法可以包括：

501、获取训练样本，训练样本中包括健康人体对应的真实年龄、健康人体的多张人脑影像样本以及所述多张人脑影像样本各自对应的基线脑模版，多张人脑影像样本为不同模态的影像。

502、通过大脑年龄预测模型，确定多张人脑影像样本各自对应的预测注意力脑模版。

503、根据预测注意力脑模版和多张人脑影像样本各自对应的基线脑模版，确定多张人脑影像样本对应的预测年龄。

504、根据预测注意力脑模版、多张人脑影像样本各自对应的基线脑模版、预测年龄以及真实年龄，训练大脑年龄预测模型。

在对大脑年龄预测模型进行学习训练时，可以先采集大量的训练样本、以及训练样本对深度学习模型进行学习训练，以获得训练好的大脑年龄预测模型。

具体的，首先获取训练样本，训练样本中包括健康人体对应的真实年龄、健康人体的多张人脑影像样本以及所述多张人脑影像样本各自对应的基线脑模版，多张人脑影像样本为不同模态的影像。并通过大脑年龄预测模型，确定多张人脑影像样本各自对应的预测注意力脑模版。而后，根据预测注意力脑模版和多张人脑影像样本各自对应的基线脑模版，确定多张人脑影像样本对应的预测年龄。最后，根据预测注意力脑模版、多张人脑影像样本各自对应的基线脑模版、预测年龄以及真实年龄，训练大脑年龄预测模型。

其中，可以根据预测注意力脑模版、多张人脑影像样本各自对应的基线脑模版、预测年龄以及真实年龄，构建大脑年龄预测模型对应的总损失函数。为了实现注意力的约束与平均绝对误差MAE减小的平衡，构建了总Loss损失函数＝注意力脑模版-基线脑模版+MAE。其中，MAE＝(预测年龄-真实年龄)/样本总数。注意力脑模版-基线脑模版的意思是，用注意力脑模版每个像素点的像素值减去基线脑模版空间位置对应的像素值，将所有点的像素值差值取平均值，即为注意力脑模版-基线脑模版。

根据构建的总Loss损失函数，对大脑年龄预测模型进行学习训练，直到满足相关阈值(根据实验设计人为规定)或达到收敛，则结束训练，以获得训练好的大脑年龄预测模型。

本实施例提供的模型训练方法，通过根据预测注意力脑模版、多张人脑影像样本各自对应的基线脑模版、预测年龄以及真实年龄，训练大脑年龄预测模型，可以使得训练好的大脑年龄预测模型可以更精准地识别待处理人脑影像中所包括的各个脑区对应的大脑特征信息，以更准确地预测出对应的大脑年龄预测结果。

本申请实施例，具体实现过程以及实现的技术效果的相关描述可以参考上述各个实例例，在此不再赘述。

具体应用时，本应用实施例提供了一种大脑年龄预测方法，该大脑年龄预测方法可以实现为对多张待处理人脑影像进行处理，以获得大脑年龄预测结果的大脑年龄预测装置。具体的，该大脑年龄预测方法包括以下实现步骤：

步骤1：采集健康人体的多张人脑影像样本以及健康人体对应的真实年龄。

步骤2：对健康人体的多张人脑影像样本进行图像预处理，获得预处理后的多张人脑影像样本。

具体的，对健康人体的多张人脑影像样本进行图像校正处理，以获得校正后的多张人脑影像样本，以提高影像样本中各个位置信息的准确性。例如，对于T1WI图像来说应该经过空间校正处理，对于DTI图像来说应该进行涡旋校正处理。

接着，对校正后的多张人脑影像样本进行图像降噪处理，以获得降噪后的多张人脑影像样本，降低噪声点对预测结果造成的干扰。例如，使用合适的滤波(包括但不限于小波滤波、高斯滤波、泊松滤波等等)或者选定特定噪声频段对校正后的多张人脑影像样本进行图像的降噪处理。

然后，对降噪后的多张人脑影像样本进行重采样，使多模态图像在分辨率上到达同一种水平便于后续图像处理，以避免数值大小对预测结果的影响。

步骤3：对预处理后的多张人脑影像样本进行空间配准处理，以获得同一坐标系下的多张配准后的人脑影像样本。

其中，对于不同模态的人脑影像样本可以采用不同的空间配准处理方式。

步骤4：确定多张人脑影像样本各自对应的基线脑模版。

具体的，按照与健康人体相同年龄的不同模态的脑区模版(脑分割图)，分别对多张配准后的人脑影像样本进行分割处理，以获得多张分割人脑影像样本。根据每张分割人脑影像样本，分别计算每张分割人脑影像样本对应各个脑区的神经影像参数。将每张分割人脑影像样本对应各个脑区的神经影像参数输入至LASSO方法中进行降维回归，每个神经影像常规参数都获得了其对应的回归参数，以从神经影像参数中筛选出目标参数。将参数对应的标准化回归系数赋予到脑区模板，所有像素点均用标准化回归系数进行赋值，原脑区模板中的空位位置关系等不变，仅仅改变对应脑区的像素点赋值。

步骤5：获取训练样本，训练样本中包括健康人体对应的真实年龄、健康人体的多张人脑影像样本以及多张人脑影像样本各自对应的基线脑模版，多张人脑影像样本为不同模态的影像。

步骤6：通过大脑年龄预测模型，确定多张人脑影像样本各自对应的预测注意力脑模版。

其中，大脑年龄预测模型可以由多头注意力图卷积网络构成。其中，大脑年龄预测模型中包括图像编码层、卷积层、GCN图卷积网络、多头注意力层。具体的，将多张人脑影像样本输入至大脑年龄预测模型中的图像编码层，对多张人脑影像样本进行图像编码处理，获得与多张人脑影像样本各自对应的图像编码信息。接着，将图像编码信息输入至大脑年龄预测模型中的卷积层，卷积层包括多个patch卷积神经网络，每个卷积神经网络进行一个卷积核为2×2×2的三维卷积，进行下采样，获得多张下采样后的人脑影像样本。接着将多张下采样后的人脑影像样本输入至图卷积网络，获得多个特征向量，将多个特征向量输入至多头注意力层，以获得多张人脑样本各自对应的基于空间图像的注意力值，将该注意力值赋予到多张人脑样本各自对应的脑区模版中，以获得多张人脑样本各自对应的预测注意力脑模版。

步骤7：根据预测注意力脑模版和多张人脑影像样本各自对应的基线脑模版，确定多张人脑影像样本对应的预测年龄。

步骤8：根据预测注意力脑模版、多张人脑影像样本各自对应的基线脑模版、预测年龄以及真实年龄，训练大脑年龄预测模型，以获得训练好的大脑年龄预测模型。

步骤9：获取目标测量者对应的多张待处理人脑影像以及真实年龄，多张待处理人脑影像为不同模态的影像。

步骤10：对多张待处理人脑影像进行空间配准处理，以获得同一坐标系下的多张配准后的人脑影像。

步骤11：根据真实年龄，确定多张配准后的人脑影像各自对应的基线脑模版，基线脑模版用于表征各个脑区与大脑年龄之间的关联程度。

步骤12：利用预先训练好的大脑年龄预测模型，对多张配准后的人脑影像以及多张配准后的人脑影像各自对应的基线脑模版进行分析处理，以获得目标测量者对应的大脑年龄预测结果。

通过将多种不同模态的待处理人脑影像以及不同模态待处理人脑影像对应的基线脑模版输入至预测训练好的大脑年龄预测模型中，使得大脑年龄预测模型在对多张待处理人脑影像进行分析处理时，可以结合不同模态对应的基线脑模版作为参考标准，不仅可以全面挖掘图像信息还可以使得大脑年龄预测模型更专注于真正的生物学变化，以提高大脑年龄预测结果的准确性。并且，通过大脑年龄预测模型可以对多模态人脑影像进行处理，全面精准地描述目标测量者大脑的诸多特性，从而可以更精准地识别出目标测量者对应的实际大脑年龄。

图6为本申请一示例性实施例的一种大脑年龄预测装置的结构示意图；参考附图6所示，本实施例提供了一种大脑年龄预测装置，该预测装置可以包括：获取模块11、配准模块12、确定模块13、处理模块14。具体的，

获取模块11，用于获取目标测量者对应的多张待处理人脑影像以及真实年龄，所述多张待处理人脑影像为不同模态的影像；

配准模块12，用于对所述多张待处理人脑影像进行空间配准处理，以获得同一坐标系下的多张配准后的人脑影像；

确定模块13，用于根据所述真实年龄，确定所述多张配准后的人脑影像各自对应的基线脑模版，所述基线脑模版用于表征各个脑区与大脑年龄之间的关联程度；

处理模块14，用于利用预先训练好的大脑年龄预测模型，对所述多张配准后的人脑影像以及所述多张配准后的人脑影像各自对应的基线脑模版进行分析处理，以获得所述目标测量者对应的大脑年龄预测结果。

在一可选实施例中，所述确定模块13具体用于：采集与所述真实年龄对应的健康人体的多张人脑影像，所述多张人脑影像分别与所述多张配准后的人脑影像为同一模态的影像；根据所述多张人脑影像各自对应的脑分割图，对所述多张人脑影像进行分割处理，以获得多张分割人脑影像；根据所述多张分割人脑影像，确定所述多张配准后的人脑影像各自对应的基线脑模版。

在一可选实施例中，所述确定模块13具体用于：计算目标分割人脑影像中各个脑区对应的神经影像参数，其中，所述目标分割人脑影像为所述多张分割人脑影像中的任一个；对所述神经影像参数进行降维回归处理，以从所述神经影像参数中筛选出目标参数；将所述目标参数映射到所述目标分割人脑影像对应的脑分割图中，以获得所述目标分割人脑影像对应的基线脑模版。

在一可选实施例中，所述处理模块14具体用于：将所述多张配准后的人脑影像输入至预先训练好的大脑年龄预测模型中，确定所述多张配准后的人脑影像各自对应的注意力脑模版，所述大脑年龄预测模型被训练为用于确定配准后的人脑影像对应的注意力脑模版，所述注意力脑模版用于表征配准后的人脑影像中各个脑区的衰老程度；根据所述多张配准后的人脑影像各自对应的注意力脑模版和所述多张配准后的人脑影像各自对应的基线脑模版，确定所述多张配准后的人脑影像对应的大脑年龄；以所述多张配准后的人脑影像对应的大脑年龄作为所述大脑年龄预测模型最终输出的所述目标测量者对应的大脑年龄预测结果。

在一可选实施例中，所述处理模块14具体用于：根据所述多张配准后的人脑影像各自对应的注意力脑模版，确定所述目标测量者对应的目标脑模版；根据所述目标脑模版，确定所述目标测量者各个脑区对应的衰老程度。

在一可选实施例中，所述处理模块14具体用于：获取训练样本，所述训练样本中包括健康人体对应的真实年龄、健康人体的多张人脑影像样本以及所述多张人脑影像样本各自对应的基线脑模版，所述多张人脑影像样本为不同模态的影像；通过所述大脑年龄预测模型，确定所述多张人脑影像样本各自对应的预测注意力脑模版；根据所述预测注意力脑模版和所述多张人脑影像样本各自对应的基线脑模版，确定所述多张人脑影像样本对应的预测年龄；根据所述预测注意力脑模版、所述多张人脑影像样本各自对应的基线脑模版、所述预测年龄以及所述真实年龄，训练所述大脑年龄预测模型。

在一可选实施例中，所述配准模块12具体用于：若所述多张待处理人脑影像为通过不同扫描仪对人脑进行扫描获得的影像，则依次确定所述第一人脑影像中各层二维图像对应的最大横截面以及所述第二人脑影像中各层二维图像对应的最大横截面；对所述第一人脑影像中每层二维图像对应的最大横截面和所述第二人脑影像中每层二维图像对应的最大横截面进行刚性配准处理，以获得校准后的第一人脑影像和校准后的第二人脑影像；对所述校准后的第一人脑影像和校准后的第二人脑影像进行三维位移场调整，以获得配准后的第一人脑影像和配准后的第一人脑影像。

图6所示装置可以执行图1-图5所示实施例的方法，本实施例未详细描述的部分，可参考对图1-图5所示实施例的相关说明。该技术方案的执行过程和技术效果参见图1-图5所示实施例中的描述，在此不再赘述。

在一个可能的设计中，图6所示大脑年龄预测装置的结构可实现为一电子设备，该电子设备可以是脑电采集设备、服务器等各种设备。如图7所示，该电子设备可以包括：处理器21和存储器22。其中，存储器22用于存储相对应电子设备执行上述图1-图5所示实施例中提供的大脑年龄预测方法的程序，处理器21被配置为用于执行存储器22中存储的程序。

程序包括一条或多条计算机指令，其中，一条或多条计算机指令被第一处理器21执行时能够实现如下步骤：

进一步的，处理器21还用于执行前述图1-图5所示实施例中的全部或部分步骤。

其中，电子设备的结构中还可以包括通信接口23，用于电子设备与其他设备或通信网络通信。

另外，本发明实施例提供了一种计算机存储介质，用于储存电子设备所用的计算机软件指令，其包含用于执行上述图1-图5所示方法实施例中大脑年龄预测方法所涉及的程序。

Claims (10)

1.一种大脑年龄预测方法，其特征在于，包括：

获取目标测量者对应的多张待处理人脑影像以及真实年龄，所述多张待处理人脑影像为不同模态的影像；

对所述多张待处理人脑影像进行空间配准处理，以获得同一坐标系下的多张配准后的人脑影像；

根据所述真实年龄，确定所述多张配准后的人脑影像各自对应的基线脑模版，所述基线脑模版用于表征各个脑区与大脑年龄之间的关联程度；

利用预先训练好的大脑年龄预测模型，对所述多张配准后的人脑影像以及所述多张配准后的人脑影像各自对应的基线脑模版进行分析处理，以获得所述目标测量者对应的大脑年龄预测结果。

2.根据权利要求1所述的方法，其特征在于，所述根据所述真实年龄，确定所述多张配准后的人脑影像各自对应的基线脑模版，包括：

采集与所述真实年龄对应的健康人体的多张人脑影像，所述多张人脑影像分别与所述多张配准后的人脑影像为同一模态的影像；

根据所述多张人脑影像各自对应的脑分割图，对所述多张人脑影像进行分割处理，以获得多张分割人脑影像；

根据所述多张分割人脑影像，确定所述多张配准后的人脑影像各自对应的基线脑模版。

3.根据权利要求2所述的方法，其特征在于，所述根据所述多张分割人脑影像，确定所述多张配准后的人脑影像各自对应的基线脑模版，包括：

计算目标分割人脑影像中各个脑区对应的神经影像参数，其中，所述目标分割人脑影像为所述多张分割人脑影像中的任一个；

对所述神经影像参数进行降维回归处理，以从所述神经影像参数中筛选出目标参数；

将所述目标参数映射到所述目标分割人脑影像对应的脑分割图中，以获得所述目标分割人脑影像对应的基线脑模版。

4.根据权利要求1所述的方法，其特征在于，所述利用预先训练好的大脑年龄预测模型，对所述多张配准后的人脑影像以及所述多张配准后的人脑影像各自对应的基线脑模版进行分析处理，以获得所述目标测量者对应的大脑年龄预测结果，包括：

将所述多张配准后的人脑影像输入至预先训练好的大脑年龄预测模型中，确定所述多张配准后的人脑影像各自对应的注意力脑模版，所述大脑年龄预测模型被训练为用于确定配准后的人脑影像对应的注意力脑模版，所述注意力脑模版用于表征配准后的人脑影像中各个脑区的衰老程度；

根据所述多张配准后的人脑影像各自对应的注意力脑模版和所述多张配准后的人脑影像各自对应的基线脑模版，确定所述多张配准后的人脑影像对应的大脑年龄；

以所述多张配准后的人脑影像对应的大脑年龄作为所述大脑年龄预测模型最终输出的所述目标测量者对应的大脑年龄预测结果。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

根据所述多张配准后的人脑影像各自对应的注意力脑模版，确定所述目标测量者对应的目标脑模版；

根据所述目标脑模版，确定所述目标测量者各个脑区对应的衰老程度。

6.根据权利要求4所述的方法，其特征在于，所述方法还包括：

获取训练样本，所述训练样本中包括健康人体对应的真实年龄、健康人体的多张人脑影像样本以及所述多张人脑影像样本各自对应的基线脑模版，所述多张人脑影像样本为不同模态的影像；

通过所述大脑年龄预测模型，确定所述多张人脑影像样本各自对应的预测注意力脑模版；

根据所述预测注意力脑模版和所述多张人脑影像样本各自对应的基线脑模版，确定所述多张人脑影像样本对应的预测年龄；

根据所述预测注意力脑模版、所述多张人脑影像样本各自对应的基线脑模版、所述预测年龄以及所述真实年龄，训练所述大脑年龄预测模型。

7.根据权利要求1所述的方法，其特征在于，所述多张待处理人脑影像包括第一人脑影像和第二人脑影像，每张人脑影像包括多层二维图像；所述对所述多张待处理人脑影像进行空间配准处理，以获得同一坐标系下的多张配准后的人脑影像，包括：

若所述多张待处理人脑影像为通过不同扫描仪对人脑进行扫描获得的影像，则依次确定所述第一人脑影像中各层二维图像对应的最大横截面以及所述第二人脑影像中各层二维图像对应的最大横截面；

对所述第一人脑影像中每层二维图像对应的最大横截面和所述第二人脑影像中每层二维图像对应的最大横截面进行刚性配准处理，以获得校准后的第一人脑影像和校准后的第二人脑影像；

对所述校准后的第一人脑影像和校准后的第二人脑影像进行三维位移场调整，以获得配准后的第一人脑影像和配准后的第一人脑影像。

8.一种大脑年龄预测装置，其特征在于，包括：

获取模块，用于获取目标测量者对应的多张待处理人脑影像以及真实年龄，所述多张待处理人脑影像为不同模态的影像；

配准模块，用于对所述多张待处理人脑影像进行空间配准处理，以获得同一坐标系下的多张配准后的人脑影像；

确定模块，用于根据所述真实年龄，确定所述多张配准后的人脑影像各自对应的基线脑模版，所述基线脑模版用于表征各个脑区与大脑年龄之间的关联程度；

处理模块，用于利用预先训练好的大脑年龄预测模型，对所述多张配准后的人脑影像以及所述多张配准后的人脑影像各自对应的基线脑模版进行分析处理，以获得所述目标测量者对应的大脑年龄预测结果。

9.一种电子设备，其特征在于，包括：存储器、处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行时实现如权利要求1-7中任一项所述的大脑年龄预测方法。

10.一种非暂时性机器可读存储介质，其特征在于，所述非暂时性机器可读存储介质上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如权利要求1至7中任一项所述的大脑年龄预测方法。