基于MRI不同尺度特征的Tri-UNet大脑年龄预测方法技术

本发明专利技术属于医学图像分类领域，提供一种基于MRI不同尺度特征的Tri

【技术实现步骤摘要】
基于MRI不同尺度特征的Tri
‑
UNet大脑年龄预测方法


[0001]本专利技术属于医学图像分类领域，具体涉及一种基于磁共振成像(Magnetic Resonance Image，MRI)不同尺度特征的Tri
‑
UNet大脑年龄预测方法。

技术介绍

[0002]目前研究中把利用机器学习或者深度学习方法和神经影像学数据一起预测出来的生物学年龄称为大脑预测年龄。首先利用健康群体的神经影像数据构建出计算模型，将之视为健康大脑的老化轨迹，通过个体与之的偏离程度判断个体大脑衰老的严重程度，从而判断其认知老化的严重程度或者罹患与年龄相关的脑部疾病的风险大小。
[0003]大脑年龄预测的研究旨在帮助个体衡量大脑的衰老程度并筛查患病的风险，对于患有与年龄相关的疾病的个体帮助其进一步诊断因疾病导致的脑萎缩病灶。所以，需要构建一种精确的大脑年龄预测方法来获取更精细化的大脑衰老状况。一些工作尝试在体素级别预测大脑年龄，实现大脑衰老状况的可视化。但是由于目前使用U
‑
Net预测大脑年龄的方法中，没有充分结合不同特征层之间的区域信息导致预测准确率较低。
[0004]目前脑年龄预测的主流方法是基于ResNet的深度学习方法，而基于UNet网络的体素级别大脑年龄预测方法比较少。ResNet中的残差结构可以将端到端的特征映射转换为残差映射，从而更好地学习前后层网络的特征信息，提高预测精度。U
‑
Net多层编解码结构能够结合深层特征和浅层特征，从而更好的学习输入特征的上下文语意信息，在提高预测准确率的同时还能学习到精细化的特征。
[0005]综上，脑年龄预测的难点有以下2个：
[0006]1.利用UNet网络预测大脑年龄的方法中没有充分利用多尺度特征；
[0007]2.整脑年龄预测不能实现大脑衰老状况的可视化。
[0008]现有的基于UNet的大脑年龄预测方法的局限性在于：
[0009]1.不同特征层之间的信息融合不充分；
[0010]2.整脑年龄预测中忽视了不同区域的特征可能代表着不同的信息，预测准确率较低。

技术实现思路

[0011]针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于MRI不同尺度特征的Tri
‑
UNet大脑年龄预测方法，该方法能够充分结合深层特征和浅层特征，更好地学习输入特征的上下文语意信息，从而提高大脑年龄预测精度。
[0012]本专利技术是通过以下技术措施实现的。
[0013]本专利技术提供一种基于MRI不同尺度特征的Tri
‑
UNet大脑年龄预测方法，该方法包括以下步骤：
[0014](1)预处理图像：使用医学影像处理软件FreeSurfer的全自动处理流recon
‑
all对原始图像进行预处理，包括颅骨剥离、图像校正、图像配准、图像分割、空间归一化、空间平
滑处理。
[0015](2)裁剪图像：由于服务器GPU内存限制，将全脑影像裁剪为较小的图像块，然后将裁剪后的图像块作为模型输入。如果服务器GPU内存足够，可以省略此步骤，将全脑影像作为模型输入，通常预测性能会更好。
[0016](3)图像对齐：将年龄标签值映射到与步骤(2)裁剪图像相同尺寸的图像块中，形成年龄脑图像块标签。
[0017](4)模型训练：将步骤(2)裁剪后的图像块和步骤(3)得到的年龄脑图像块标签一起放入Tri
‑
UNet模型中进行全监督训练。
[0018](5)评估结果：使用步骤(4)训练完成的模型对测试数据进行年龄预测，并且对该预测结果进行相关评价指标的计算。
[0019]在上述技术方案中，步骤(1)预处理图像具体包括：
[0020](1
‑
1)颅骨剥离：医学影像数据原始图像中都包含有一些非脑组织，例如头骨、血管、肌肉、小脑等，为避免影响后续处理流程、脑组织分割的准确性、以及最后的实验结果，将全脑影像中的非脑结构剥离；
[0021](1
‑
2)图像校正：包括前连合(AC)
‑
后连合(PC)校正、重采样图像大小为256
×
256
×
256、以及使用多重比较算法校正非均匀的组织强度；
[0022](1
‑
3)图像配准：对几幅不同的图像做定量分析，需要使几幅图像严格对齐，也就是进行图像配准。将全脑影像通过一种或一系列空间变换，使得其与医学图像标准模板fsaverage图像上的对应点达到空间上的一致，这种一致是指人体上的同一解剖点在两张匹配图像上有相同的空间位置；
[0023](1
‑
4)图像分割：在MRI数据处理时，有时只关注某些特定区域的状态，这需要根据大脑的解剖结构将目标部位的组织提取出来，在与年龄预测相关性较高的大脑区域确定之后，分割出所需的脑区作为网络模型的输入图像，然后再进行单独和联合分析；
[0024](1
‑
5)空间归一化：将图像配准到FreeSurfer标准脑模板空间fsaverage上，统一全部图像的坐标空间；
[0025](1
‑
6)空间平滑处理：空间平滑处理是为了抑制图像的噪声，提升信噪比，减小各图像间残余的解剖结构或功能上的不一致，一般情况下，采用高斯核函数进行平滑处理。
[0026]在上述技术方案中，步骤(2)中，将步骤(1)预处理后的(256，256，256)大小的脑图像裁剪为(32，32，32)大小的脑图像块。具体的，在训练过程中，随机在脑图像的不同位置裁剪出(32，32，32)大小的脑图像块，在测试过程中，根据步长为8的原则，按顺序将步骤(1)预处理后的(256，256，256)大小的脑图像裁剪为(32，32，32)大小的脑图像块。
[0027]在上述技术方案中，步骤(3)中，需要把年龄标签由一个数字转换为一个年龄脑图像，这样可以得到每一个体素的年龄标签。具体的，首先根据步骤(2)裁剪后的图像块中的像素值是否为0生成矩阵A，即图像块中像素值为0对应矩阵A中的元素值为0，图像块中像素值非0对应矩阵A中的元素值为1，然后将矩阵A与该图像块对应的年龄值相乘，得到相应的年龄脑图像块标签。
[0028]在上述技术方案中，步骤(4)中的模型Tri
‑
UNet包括特征学习主体Tri
‑
UNet与年龄预测网络ResSame；
[0029](4
‑
1)特征学习主体Tri
‑
UNet：Tri
‑
UNet是U
‑
Net、残差结构的多种连接方式的有
机结合。Trible Res Block基于Inception结构和残差结构设计，能够增强多层特征信息的融合。在Tri
‑
UNet编码阶段添加两个三分支残差块(Trible Res本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于MRI不同尺度特征的Tri
‑
UNet大脑年龄预测方法，其特征在于该方法包括以下步骤：(1)预处理图像：使用医学影像处理软件FreeSurfer的全自动处理流recon
‑
all对原始图像进行预处理，包括颅骨剥离、图像校正、图像配准、图像分割、空间归一化、空间平滑处理；(2)裁剪图像：将全脑影像根据服务器GPU内存限制裁剪为小的图像块，然后将裁剪后的图像块作为模型输入；(3)图像对齐：将年龄标签值映射到与步骤(2)裁剪图像相同尺寸的图像块中，形成年龄脑图块标签；(4)模型训练：将步骤(2)裁剪后的图像块和步骤(3)得到的年龄脑图块标签一起放入Tri
‑
UNet模型中进行全监督训练；(5)评估结果：使用步骤(4)训练完成的模型对测试数据进行年龄预测，并且对该预测结果进行相关评价指标的计算。2.根据权利要求1所述的基于MRI不同尺度特征的Tri
‑
UNet大脑年龄预测方法，其特征在于：步骤(1)预处理图像具体包括：(1
‑
1)颅骨剥离：将全脑影像中的非脑结构剥离；(1
‑
2)图像校正：包括前连合
‑
后连合校正、重采样图像大小为256
×
256
×
256、以及使用多重比较算法校正非均匀的组织强度；(1
‑
3)图像配准：将全脑影像通过一种或一系列空间变换，使得其与医学图像标准模板fsaverage图像上的对应点达到空间上的一致，这种一致是指人体上的同一解剖点在两张匹配图像上有相同的空间位置；(1
‑
4)图像分割：在与年龄预测相关性较高的大脑区域确定之后，分割出所需的脑区作为网络模型的输入图像，然后再进行单独和联合分析；(1
‑
5)空间归一化：将图像配准到FreeSurfer标准脑模板空间fsaverage上，统一全部图像的坐标空间；(1
‑
6)空间平滑处理：采用高斯核函数进行平滑处理。3.根据权利要求1所述的基于MRI不同尺度特征的Tri
‑
UNet大脑年龄预测方法，其特征在于步骤(2)中，将步骤(1)预处理后的(256，256，256)大小的脑图像裁剪为(32，32，32)大小的脑图像块，具体的，在训练过程中，随机在脑图像的不同位置裁剪出(32，32，32)大小的脑图像块，在测试过程中，根据步长为8的原则，按顺序将步骤(1)预处理后的(256，256，256)大小的脑图像裁剪为(32，32，32)大小的脑图像块。4.根据权利要求1所述的基于MRI不同尺度特征的Tri
‑
UNet大脑年龄预测方法，其特征在于步骤(3)中，首先根据步骤(2)裁剪后的图像块中的像素值是否为0生成矩阵A，即图像块中像素值为0对应矩阵A中的元素值为0，图像块中像素值非0对应矩阵A中的元素值为1，然后将矩阵A与该图像块对应的年龄值相乘，得到相应的年龄脑图块标签。5.根据权利要求1所述的基于MRI不同尺度特征的Tri
‑
UNet大脑...

【专利技术属性】
技术研发人员：李睿，庞宇，夏宗辉，张俊松，杨宗凯，
申请(专利权)人：华中师范大学，
类型：发明
国别省市：