一种双模态影像的脑龄预测方法技术

本发明专利技术涉及生物医学技术领域，进一步涉及影像处理、医学影像处理，具体涉及一种双模态影像的脑龄预测方法，主要提供一种双模态特征融合方法，所述双模态为MRI与PET两种医学影像；所述特征融合是基于3D卷积神经网络方法获得，包括如下步骤：S01使用两个3D卷积神经网络作为骨干网络来提取PET和MRI影像的特征；S02将两条骨干网络提取出的MRI与PET影像的特征在通道维度拼接，然后输入到压缩激励模块(Squeeze

【技术实现步骤摘要】
一种双模态影像的脑龄预测方法


[0001]本专利技术涉及生物医学
，进一步涉及影像处理、医学影像处理，具体涉及一种基于PET与MRI双模态脑影像的深度学习脑龄预测方法。

技术介绍

[0002]大脑是主宰人类活动、思考、记忆、决策等能力的重要部分。随着年龄增长脑部功能也跟身体其它器官的功能一样，出现衰老甚至病变。大脑的衰老主要表现为神经细胞数量和信息传递通路的减少以及信息传递效率的降低。记忆力减退是大脑衰老最明显的表现，还可能出现认知与理解能力下降，计算能力下降，精神状态、性格的变化等。然而，衰老过程有很大的个体差异，每个人出现的衰老表现不同，衰老的程度也不完全相同。不过，研究表明每个个体的大脑的整体体积都会随着年龄的增长而减小(Allen等，2006)。除了正常衰老过程引起的结构变化，过度的功能衰退和神经退行性疾病或许会导致大脑形态发生异常(Peters.2006)。
[0003]大脑年龄(BrainAge，BA)，也称脑龄(EBioMedicine 72(2021)103600)，是评估大脑健康的一个重要指标，脑龄的异常通常反映本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种双模态特征融合方法，所述双模态为MRI与PET两种医学影像；所述特征融合是基于3D卷积神经网络方法获得，包括如下步骤：S01使用两个浅层3D卷积神经网络作为骨干网络来提取PET和MRI图像的浅层特征；S02将S01两条骨干网络提取出的MRI与PET影像的特征在通道维度拼接，然后输入到压缩激励模块(Squeeze
‑
and
‑
ExcitationNetworks)；S03将激励部分的输出结果和原始的特征图相乘，得到融合通道注意力信息的特征，获得双模态特征的融合特征图。2.如权利要求1所述一种双模态特征融合方法，其特征在于，所述骨干网络基于VGG网络(VGGNet)，由至少3个基本模块组成；每一个模块都包含3D卷积层、批归一化层、最大池化层和ReLU激活层。3.如权利要求1所述一种双模态特征融合方法，其特征在于，所述压缩激励模块由一个全局平均池化层和两个全连接层组成，压缩部分的输入是H
×
W
×
C(H是高度(Height)，W是宽度(width)，C是通道数(channel))的特征图，激励部分的输入是压缩部分的输出，将激励部分后的输出结果1
×1×
C和原始的特征图H
×
W
×
C相乘，得到融合通道注意力信息的融合特征图。4.一种脑龄预测方法，所述预测方法是基于MRI与PET双模态影像特征融合技术的脑龄预测方法，所述方法包括以下步骤：S1获取训练样本集：所述训练样本集包括公开数据库中健康人的大脑MRI与PET影像、性别标签和真实年龄；S2：数据预处理：将健康人的MRI与PET影像进行预处理，对MRI与PET影像进行原点校正，将原点校正后的PET影像与对应的MRI影像进行空间标准化，统一全部影像的坐标空间；接着对PET与MRI影像进行平滑处理和归一化处理，或归一化处理和平滑处理；S3采用如权利要求1所述的双模态特征融合技术，获得经步骤S2处理的MRI与PET影像的融合特征图；S4通过至少2个3D卷积神经网络模块进一步提取自步骤S3输出的融合特征图进行训练，通过平均池化层(Average Pool)、Dropout层(Dropout)、卷积层和Softmax激活函数输出脑龄预测结果(Predicted...

【专利技术属性】
技术研发人员：田梅，薛乐，柴宇，付钰，张文博，
申请(专利权)人：复旦大学，
类型：发明
国别省市：