基于全卷积网络的轻量级脑龄评估模型构建方法技术

本发明专利技术公开了一种基于全卷积网络的轻量级脑龄评估模型构建方法，包括如下步骤：步骤一，收集健康被试者的sMRI数据和对应的年龄信息，构成训练集、测试集和验证集；步骤二，构建用于执行人脑年龄评估的SFCNeXt神经网络，包括SPEC模块和HRL模块；步骤三，使用训练集对SFCNeXt神经网络进行训练，获得用于评估人脑年龄的脑年龄评估模型；步骤四，对SFCNeXt的参数进行评估，并与其他轻量级SOTA模型的比较，比较完成后进行SFCNeXt的消融实验，以验证该模型的有效性和稳定性，之后完成评估模型的构建。本发明专利技术的基于全卷积网络的轻量级脑龄评估框架构建方法，首先，评估了SFCNeXt参数的不同组合形式，并论证了SFCNeXt的参数集合形式。其次，将SFCNeXt与现有的轻量级SOTA模型进行了比较。比较。比较。

【技术实现步骤摘要】
基于全卷积网络的轻量级脑龄评估模型构建方法


[0001]本专利技术涉及一种脑龄评估方法，更具体的说是涉及一种基于全卷积网络的轻量级脑龄评估模型构建方法。

技术介绍

[0002]大脑发育和衰老伴随着复杂的生物学和神经解剖学变化，是一个持续的和终身的过程，在很大程度上尚未完全理解。为了捕捉发育和衰老模式，可以使用健康的神经成像数据来训练大脑年龄估计模型，以尽可能接近实际的实际年龄来预测大脑年龄。预期年龄与实际实际年龄之间的差异通常被称为“大脑年龄差距”，这与各种生物学和认知特征有关。测量不同患者组的脑年龄差异可能有助于评估疾病异质性，提高疾病风险筛查。
[0003]T1加权磁共振图像(T1 sMRI)具有丰富的大脑形态学信息，常用于大脑年龄估计。一个模型能否获得更小的平均绝对误差(MAE)、更大的皮尔森相关系数(PCC)和更大的斯皮尔曼秩相关系数(SRCC)是判断其是否适合大脑年龄估计的关键。深度学习社区的研究人员已经建立了不同的神经网络骨干，用于脑T1 sMRI的脑年龄估计，如基于卷积神经网络(CNN)的，基于resnet的和基于tran本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于全卷积网络的轻量级脑龄评估模型构建方法，其特征在于：包括如下步骤：步骤一，收集健康被试者的sMRI数据和对应的年龄信息，构成训练集、测试集和验证集；步骤二，构建用于执行人脑年龄评估的SFCNeXt神经网络，包括SPEC模块和HRL模块；步骤三，使用训练集对SFCNeXt神经网络进行训练，获得用于评估人脑年龄的脑年龄评估模型；步骤四，对SFCNeXt的参数进行评估，并与其他轻量级SOTA模型的比较，比较完成后进行SFCNeXt的消融实验，以验证该模型的有效性和稳定性，之后完成评估模型的构建。2.根据权利要求1所述的基于全卷积网络的轻量级脑龄评估模型构建方法，其特征在于：所述步骤一中收集到的数据会进行预处理，具体的预处理方式为：将图象数据进行直方图匹配和压缩度归一化处理，把所有图像通过FSL 6.0的标准预处理管道进行处理，其中包括对标准2mm MNI空间的非线性配准和大脑提取。3.根据权利要求2所述的基于全卷积网络的轻量级脑龄评估模型构建方法，其特征在于：所述步骤二中SPEC模块由主干路径和分支路径组成，该主干路径是一个四阶段ConvNeXt网络，用于级联方式下采样和聚集3D脑MRI特征，在主干路径的末端，采用了一个构象编码器模块对这些高级脑MRI特征进行自适应编码，分支路径是一个全连接网络，用于识别性别特征；其中，具备4个阶段的ConvNeXt网络所有的块数量分别为(1,1,3,1)，SPEC每个阶段的所有ConvNeXt块都使用重叠的工作模式进行3D下采样。4.根据权利要求3所述的基于全卷积网络的轻量级脑龄评估模型构建方法，其特征在于：所述步骤二中HRL模块使用混合排序损失来获取健康被试者的年龄排序模式，具体的总损失函数表示如下：其中，λ1和λ2为正则化参数，L
MSE
为MSE损失，其中L
d
的符号表示两个年龄的正或负差异，r
εΨ
(θ)为Ψ
‑
regularized软排名损失。5.根据权利要求4所述的基于全卷积网络的轻量级脑龄评估模型构建方法，其特征在于：所述MSE损失L
MSE
的具体表示如下：对于年龄为y
i
和y
j
的两名受试者，年龄差损失可以被视为估计的大脑年龄差真实年龄差y
i
‑
y
j
之间的MSE，设N
b
表示每批中配对的样本数目(i,j)，则MSE损失L

【专利技术属性】
技术研发人员：付钰，刘昀博，薛乐，卓成，张宏，
申请(专利权)人：浙江大学滨江研究院，
类型：发明
国别省市：