基于深度学习和磁共振结构脑影像的脑龄预测方法技术

本发明专利技术属于神经科学和深度学习领域，具体涉及一种基于深度学习和磁共振结构脑影像的脑龄预测方法、系统、设备，旨在解决现有的脑龄预测方法以传统的监督学习范式为主，导致参数量、占用空间较大且预测精度低的问题。本方法包括：获取被测对象的磁共振T1结构图像，作为输入图像；对输入图像进行预处理，得到预处理后的图像；基于预处理后的图像，通过训练好的深度学习预测模型，得到脑龄预测结果。本发明专利技术实现了高精度的脑龄预测，并大幅度地减少了模型的参数量和占用空间。型的参数量和占用空间。型的参数量和占用空间。

【技术实现步骤摘要】
基于深度学习和磁共振结构脑影像的脑龄预测方法


[0001]本专利技术属于神经科学和深度学习领域，具体涉及一种基于深度学习和磁共振结构脑影像的脑龄预测方法、系统、设备。

技术介绍

[0002]脑龄预测有助于研究大脑的发育、发展和老化以及在临床上对老年痴呆进行及时的干预，为个性化治疗建立基础，使得未来进一步的精准医疗成为可能。目前预测人脑年龄的方法，绝大多数回归方法都是基于图谱的机器学习方法，这主要是因为先验图谱、机器学习方法具有较好的可解释性，在数学上也有许多良好的性质，但需要谨慎地选择特征以防止过拟合；近年来也有越来越多的方法是基于深度学习进行大跨度脑龄预测，现有利用深度学习模型进行脑龄预测的研究，仍以传统监督学习范式为主，较少地结合最新技术，且参数量较大、占用空间较大，不便于在实践中部署。基于此，本专利技术提出了一种基于深度学习和磁共振结构脑影像的脑龄预测方法。

技术实现思路

[0003]为了解决现有技术中的上述问题，即为了解决现有的脑龄预测方法以传统的监督学习范式为主，导致参数量、占用空间较大且预测精度低的问题，本专利技术第一方面，提出了一种基于深度学习和磁共振结构脑影像的脑龄预测方法，该方法包括：
[0004]S100，获取被测对象的磁共振T1结构图像，作为输入图像；
[0005]S200，对所述输入图像进行预处理，得到预处理后的图像；
[0006]S300，基于所述预处理后的图像，通过训练好的深度学习预测模型，得到脑龄预测结果；
[0007]所述深度学习预测模型基于Fork
‑
SE网络、全连接层分类器构建；
[0008]所述Fork
‑
SE网络基于依次连接的9个Fork
‑
SE单位模块、AvgPool层和Dropout层构建；所述Fork
‑
SE网络用于提取输入图像的高维空间特征向量；
[0009]所述Fork
‑
SE单位模块基于卷积分支单元、SE模块、ReLu激活函数构建；所述卷积分支单元包括三个分支，其中两个是卷积分支、一个是短路结构分支，每个分支后连接一个BN层；当Fork
‑
SE单位模块的卷积步长为设定步长时，将Fork
‑
SE单位模块的输入与两个卷积分支的输出进行相加，作为SE模块的输入，否则，将两个卷积分支的输出进行相加，作为SE模块的输入；所述卷积分支的输入为Fork
‑
SE单位模块的输入；
[0010]所述SE模块基于依次连接的AvgPool层、Conv层、ReLu激活函数、Conv层、Sigmoid激活函数构建；
[0011]所述全连接层分类器基于DNN神经网络、softmax层构建；所述全连接层分类器用于基于所述高维空间特征向量得到所述输入图像对应的脑龄预测结果。
[0012]在一些优选的实施方式中，所述预处理包括去头皮、灰度矫正、空间配准、降噪、裁切脑部区域。
[0013]在一些优选的实施方式中，所述Fork
‑
SE网络中的9个Fork
‑
SE单位模块，除第一个外，其余两两为一组；各组内的Fork
‑
SE单位模块的卷积核尺寸均为3，且卷积步长由2到1递减，即各组内的第一个Fork
‑
SE单位模块的卷积步长为2，第二个Fork
‑
SE单位模块的卷积步长为1。
[0014]在一些优选的实施方式中，所述SE模块，其特征处理过程为：
[0015]获取SE模块的输入，依次通过AvgPool层、Conv层、ReLu激活函数、Conv层、Sigmoid激活函数进行处理，处理后与SE模块的输入进行相乘，作为SE模块的输出。
[0016]在一些优选的实施方式中，所述深度学习预测模型，其训练方法为：
[0017]A100，获取训练样本，构建训练集；所述训练样本包括磁共振T1结构图像及其对应的真实脑龄标签；
[0018]A200，从所述训练样本集中随机选取任意两张磁共振T1结构图像，分别作为第一图像、第二图像；并对第一图像、第二图像进行预处理；
[0019]A300，通过第一模型的Fork
‑
SE网络提取预处理后的第一图像的高维空间特征向量，作为第一特征向量；通过第二模型的Fork
‑
SE网络提取预处理后的第二图像的高维空间特征向量，作为第二特征向量；所述第一模型、所述第二模型均基于深度学习预测模型构建；
[0020]A400，将所述第一特征向量输入第一模型的全连接层分类器，得到第一脑龄预测结果；将所述第二特征向量输入第二模型的全连接层分类器，得到第二脑龄预测结果；
[0021]A500，基于所述第一脑龄预测结果以及第一图像对应的真实脑龄标签，通过KL散度损失函数得到损失值，作为第一损失；基于所述第二脑龄预测结果以及第二图像对应的真实脑龄标签，通过KL散度损失函数得到损失值，作为第二损失；
[0022]A600，基于所述第一特征向量、所述第二特征向量，结合第一图像对应的真实脑龄标签、第二图像对应的真实脑龄标签，通过预构建的对比损失函数，得到第三损失；
[0023]A700，将所述第一损失、所述第二损失、所述第三损失进行加权求和，得到总损失，进而对深度学习预测模型进行模型参数更新；
[0024]A800，循环A200
‑
A800，直至得到训练好的深度学习预测模型。
[0025]在一些优选的实施方式中，在深度学习预测模型训练的过程中，所述第一模型与所述第二模型的参数共享。
[0026]在一些优选的实施方式中，所述对比损失函数为：
[0027][0028]其中，表示对比损失函数，z
i
，z
j
分别表示训练样本经过第一模型、第二模型的Fork
‑
SE网络输出的高维空间特征向量，即第一特征向量、第二特征向量，y
u
，y
j
分别表示第一图像对应的真实脑龄标签、第二图像对应的真实脑龄标签，f表示高位空间特征向量的后处理，此处为恒等映射，m表示预设的惩罚阈值。
[0029]本专利技术的第二方面，提出了一种基于深度学习和磁共振结构脑影像的脑龄预测系
统，包括：图像获取模块、预处理模块、脑龄预测模块；
[0030]所述图像获取模块，配置为获取被测对象的磁共振T1结构图像，作为输入图像；
[0031]所述预处理模块，配置为对所述输入图像进行预处理，得到预处理后的图像；
[0032]所述脑龄预测模块，配置为基于所述预处理后的图像，通过训练好的深度学习预测模型，得到脑龄预测结果；
[0033]所述深度学习预测模型基于Fork
‑
SE网络、全连接层分类器构建；
[0034]所述Fork
‑
SE网络基于依次连接的9个Fo本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习和磁共振结构脑影像的脑龄预测方法，其特征在于，该方法包括以下步骤：S100，获取被测对象的磁共振T1结构图像，作为输入图像；S200，对所述输入图像进行预处理，得到预处理后的图像；S300，基于所述预处理后的图像，通过训练好的深度学习预测模型，得到脑龄预测结果；所述深度学习预测模型基于Fork
‑
SE网络、全连接层分类器构建；所述Fork
‑
SE网络基于依次连接的9个Fork
‑
SE单位模块、AvgPool层和Dropout层构建；所述Fork
‑
SE网络用于提取输入图像的高维空间特征向量；所述Fork
‑
SE单位模块基于卷积分支单元、SE模块、ReLu激活函数构建；所述卷积分支单元包括三个分支，其中两个是卷积分支、一个是短路结构分支，每个分支后连接一个BN层；当Fork
‑
SE单位模块的卷积步长为设定步长时，将Fork
‑
SE单位模块的输入与两个卷积分支的输出进行相加，作为SE模块的输入，否则，将两个卷积分支的输出进行相加，作为SE模块的输入；所述卷积分支的输入为Fork
‑
SE单位模块的输入；所述SE模块基于依次连接的AvgPool层、Conv层、ReLu激活函数、Conv层、Sigmoid激活函数构建；所述全连接层分类器基于DNN神经网络、softmax层构建；所述全连接层分类器用于基于所述高维空间特征向量得到所述输入图像对应的脑龄预测结果。2.根据权利要求1所述的基于深度学习和磁共振结构脑影像的脑龄预测方法，其特征在于，所述预处理包括去头皮、灰度矫正、空间配准、降噪、裁切脑部区域。3.根据权利要求1所述的基于深度学习和磁共振结构脑影像的脑龄预测方法，其特征在于，所述Fork
‑
SE网络中的9个Fork
‑
SE单位模块，除第一个外，其余两两为一组；各组内的Fork
‑
SE单位模块的卷积核尺寸均为3，且卷积步长由2到1递减，即各组内的第一个Fork
‑
SE单位模块的卷积步长为2，第二个Fork
‑
SE单位模块的卷积步长为1。4.根据权利要求1所述的基于深度学习和磁共振结构脑影像的脑龄预测方法，其特征在于，所述SE模块，其特征处理过程为：获取SE模块的输入，依次通过AvgPool层、Conv层、ReLu激活函数、Conv层、Sigmoid激活函数进行处理，处理后与SE模块的输入进行相乘，作为SE模块的输出。5.根据权利要求2所述的基于深度学习和磁共振结构脑影像的脑龄预测方法，其特征在于，所述深度学习预测模型，其训练方法为：A100，获取训练样本，构建训练集；所述训练样本包括磁共振T1结构图像及其对应的真实脑龄标签；A200，从所述训练样本集中随机选取任意两张磁共振T1结构图像，分别作为第一图像、第二图像；并对第一图像、第二图像进行预处理；A300，通过第一模型的Fork
‑
SE网络提取预处理后的第一图像的高维空间特征向量，作为第一特征向量；通过第二模型的Fork
‑
SE网络提取预处理后的第二图像的高维空间特征向量，作为第二特征向量；所述第一模型、所述第二模型均基于深度学习预测模型构建；A400，将所述第一特征向量输入第一模型的全连接层分类器，得到第一脑龄预测结果；将所述第二特征向量输入第二模型的全连接层分类器，得到第二脑龄预测结果；
A500，基于所述第一脑龄预测结果以及第一图像对应的真实脑龄标签，通过KL...

【专利技术属性】
技术研发人员：左年明，蒋田仔，胡天宇，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：