一种基于深度不平衡回归的胎儿大脑脑龄估计方法及装置制造方法及图纸

本发明专利技术涉及一种基于深度不平衡回归的胎儿大脑脑龄估计方法及装置，该方法包括：将标签引入到胎儿大脑磁共振图像训练集中，使用标签分布平滑策略获取有效标签密度分布；建立多尺度分层分割胎儿大脑特征提取回归网络；构建回归焦点均方误差损失函数，采用有效标签密度对回归焦点均方误差损失函数重新加权；构建等级排序相似度正则化器；以重新加权后的焦点均方误差回归损失函数作为主函数，等级排序相似度正则化器作为平衡正则化项，构造胎儿大脑特征提取回归网络的总损失函数。该方法可以显著地提升回归模型的性能，可以让模型更好地学习回归年龄标签的连续信息，获得更低的平均绝对误差，有助于识别大脑发育的异常以及降低不良发育的风险。发育的风险。发育的风险。

【技术实现步骤摘要】
一种基于深度不平衡回归的胎儿大脑脑龄估计方法及装置


[0001]本专利技术涉及脑磁共振图像处理领域，尤其涉及一种基于深度不平衡回归的胎儿大脑脑龄估计方法及装置。

技术介绍

[0002]胎儿大脑年龄估计已被广泛用于表征正常的大脑发育。估计的年龄和真实年龄之间的差距为正常的发育轨迹提供了一个偏差指数，这可能表明神经发育障碍。因此，准确地估计胎龄可以为整个怀孕期间的产前护理提供重要的帮助并有助于识别并发症。胎儿大脑磁共振成像可以为子宫内发育中的胎儿进行详细的成像，以便详细地评估胎儿大脑，包括不同胎龄之间的脑沟回的形状，深度和出现的时间。因此，胎儿大脑磁共振成像可以作为超声检查的补充，既可以确定超声检查的结果，也可以获得额外的补充信息。
[0003]近些年来深度学习的方法在预测胎儿大脑年龄方面取得了很好的效果，研究者们通过应用基于注意力机制的深度残差网络来自动地定位胎儿脑区，并且结合来自不同切面的视图来进行集成可以实现很高的预测精度，以及很低的平均绝对误差。比如授权公布号为CN111415361B的中国专利公开的一种基于深度学习的胎儿大脑脑龄估计和异常检测方法及装置，脑龄估计和和异常检测方法中，首先，利用临床常规采集的孕妇子宫内T2加权像建立正常胎儿大脑T2加权磁共振图像的数据集；其次，利用U型网络将胎儿大脑从子宫中分割出，再利用基于注意力机制的深度残差网络预测胎儿脑龄，并生成脑龄的不确定度和胎儿脑龄估计的可信度；最后，根据实际胎龄和预测脑龄的差异、不确定度、可信度等指标构建分类器，判断胎儿大脑发育是否异常。
>[0004]但是，深度学习模型的深度不平衡回归问题一直以来没有得到足够的关注以及有效的解决。在胎儿大脑年龄估计任务中，胎儿大脑磁共振图像数据集在不同胎龄之间经常呈现出不平衡的标签分布，这导致学习到的回归模型将对大多数的标签产生不好的偏差。因此，深度学习模型的性能将会在不平衡数据集上显著下降，导致估计出来的胎儿大脑脑龄不够准确。

技术实现思路

[0005]本专利技术的目的在于提供一种基于深度不平衡回归的胎儿大脑脑龄估计方法及装置，以解决深度不平衡回归问题对深度学习模型性能的影响所导致的大脑脑龄估计不够准确的问题。
[0006]为了解决上述技术问题，本专利技术提供的技术方案为：
[0007]本专利技术涉及一种基于深度不平衡回归的胎儿大脑脑龄估计方法，其包括以下步骤：
[0008]S1.获取原始胎儿大脑磁共振图像数据集，通过直方图均衡化对原始胎儿大脑磁共振图像进行预处理，得到胎儿大脑磁共振图像训练集；
[0009]S2.将标签引入到胎儿大脑磁共振图像训练集中，使用标签分布平滑策略获取有
效标签密度分布；
[0010]S3.建立多尺度分层分割胎儿大脑特征提取回归网络；
[0011]S4.构建回归焦点均方误差损失函数，采用有效标签密度对回归焦点均方误差损失函数重新加权；
[0012]S5.构建等级排序相似度正则化器；
[0013]S6.以重新加权后的焦点均方误差回归损失函数作为主函数，等级排序相似度正则化器作为平衡正则化项，构造胎儿大脑特征提取回归网络的总损失函数；
[0014]S7.将胎儿大脑磁共振图像训练集代入多尺度分层分割胎儿大脑特征提取回归网络中进行迭代训练，不断更新总损失函数的损失值，得到最佳的权重参数并保存；
[0015]S8.基于训练好的多尺度分层分割胎儿大脑特征提取回归网络估计胎儿大脑脑龄。
[0016]优选地，所述的步骤S1中还对预处理后的胎儿大脑磁共振图像进行增强处理，增强处理包括旋转、平移、缩放、翻转和填充。
[0017]优选地，所述的步骤S1的具体步骤包括：
[0018]S1.1.对健康胎儿大脑T2加权大脑磁共振图像的ROI区域进行切割并保存，得到原始胎儿大脑磁共振图像；
[0019]S1.2.通过直方图均衡化对原始胎儿大脑磁共振图像进行预处理；
[0020]S1.3.将预处理后的胎儿大脑磁共振图像进行旋转、高宽平移、缩放、水平翻转和垂直翻转，并根据每张胎儿大脑磁共振图像的最长边长进行填充补零使所有胎儿大脑磁共振图像高宽均相等，完成对胎儿大脑磁共振图像的增强处理。
[0021]优选地，所述的步骤S2将标签引入到胎儿大脑磁共振图像训练集中，使用标签分布平滑策略获取有效标签密度分布的具体步骤包括：
[0022]S2.1.将标签引入到胎儿大脑磁共振图像训练集中，表达式为：
[0023][0024]其中，D代表训练集，i代表第i张胎儿大脑磁共振图像，N代表胎儿大脑磁共振图像的总数，x
i
代表的是输入进网络的胎儿大脑磁共振图像，y
i
代表连续的真实胎儿大脑年龄的标签，R代表真实胎儿大脑年龄标签的集合，R
d
代表输入进网络的胎儿大脑磁共振图像的集合；
[0025]S2.2.离散化由胎儿脑龄标签构成的连续标签空间到M个具有相等间隔Δm的箱子，形成箱子目标空间Ω，并获取原始经验标签密度：
[0026][0027]其中，w
j
代表第j个箱子的索引，p(w
j
)表示为箱子索引w
j
的经验标签密度，即为训练集中标签w
j
出现的频率；
[0028]S2.3.采用高斯核函数对原始经验标签密度分布进行卷积，得到有效标签密度分布：
[0029][0030]公式中，代表的是平滑后的标签w
j
′
的有效标签密度，k(w
j
,w
j
′
)为一个对称
的核函数；所述的对称的核函数满足：
[0031]k(w
j
,w
j
′
)＝k(w
j
′
,w
j
)
[0032][0033]k(w
j
′
,w
j
)代表两个向量w
j
′
和w
j
之间的相似性，代表对称核函数在w
j
处的梯度，代表对称核函数在w
j
′
处的梯度。
[0034]优选地，所述的S3中建立的多尺度分层分割胎儿大脑特征提取回归网络为：用分层分割的胎儿大脑脑沟回特征提取模块替换ResNet50网络中的原始的3
×
3的卷积后形成的特征提取回归网络。
[0035]优选地，所述的步骤S4中采用有效标签密度对回归焦点均方误差损失函数重新加权的具体方式是将有效标签密度的倒数作为一个权重乘到回归焦点均方误差损失函数中，重新加权的回归焦点均方误差损失函数的表达式为：
[0036][0037]其中，代表重新加权的回归焦点均方误差损失函数，e
i
为第i个胎儿大脑磁共振图像的平均绝对误差，β和γ为超参数，缩放因子是Sigmoid函数，其将绝对误差映射到[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度不平衡回归的胎儿大脑脑龄估计方法，其特征在于：其包括以下步骤：S1.获取原始胎儿大脑磁共振图像数据集，通过直方图均衡化对原始胎儿大脑磁共振图像进行预处理，得到胎儿大脑磁共振图像训练集；S2.将标签引入到胎儿大脑磁共振图像训练集中，使用标签分布平滑策略获取有效标签密度分布；S3.建立多尺度分层分割胎儿大脑特征提取回归网络；S4.构建回归焦点均方误差损失函数，采用有效标签密度对回归焦点均方误差损失函数重新加权；S5.构建等级排序相似度正则化器；S6.以重新加权后的焦点均方误差回归损失函数作为主函数，等级排序相似度正则化器作为平衡正则化项，构造胎儿大脑特征提取回归网络的总损失函数；S7.将胎儿大脑磁共振图像训练集代入多尺度分层分割胎儿大脑特征提取回归网络中进行迭代训练，不断更新总损失函数的损失值，得到最佳的权重参数并保存；S8.基于训练好的多尺度分层分割胎儿大脑特征提取回归网络估计胎儿大脑脑龄。2.根据权利要求1所述的基于深度不平衡回归的胎儿大脑脑龄估计方法，其特征在于：所述的步骤S1中还对预处理后的胎儿大脑磁共振图像进行增强处理，增强处理包括旋转、平移、缩放、翻转和填充。3.根据权利要求2所述的基于深度不平衡回归的胎儿大脑脑龄估计方法，其特征在于：所述的步骤S1的具体步骤包括：S1.1.对健康胎儿大脑T2加权大脑磁共振图像的ROI区域进行切割并保存，得到原始胎儿大脑磁共振图像；S1.2.通过直方图均衡化对原始胎儿大脑磁共振图像进行预处理；S1.3.将预处理后的胎儿大脑磁共振图像进行旋转、高宽平移、缩放、水平翻转和垂直翻转，并根据每张胎儿大脑磁共振图像的最长边长进行填充补零使所有胎儿大脑磁共振图像高宽均相等，完成对胎儿大脑磁共振图像的增强处理。4.根据权利要求1所述的基于深度不平衡回归的胎儿大脑脑龄估计方法，其特征在于：所述的步骤S2将标签引入到胎儿大脑磁共振图像训练集中，使用标签分布平滑策略获取有效标签密度分布的具体步骤包括：S2.1.将标签引入到胎儿大脑磁共振图像训练集中，表达式为：其中，D代表训练集，i代表第i张胎儿大脑磁共振图像，N代表胎儿大脑磁共振图像的总数，x
i
代表的是输入进网络的胎儿大脑磁共振图像，y
i
代表连续的真实胎儿大脑年龄的标签，R代表真实胎儿大脑年龄标签的集合，R
d
代表输入进网络的胎儿大脑磁共振图像的集合；S2.2.离散化由胎儿脑龄标签构成的连续标签空间到M个具有相等间隔Δm的箱子，形成箱子目标空间Ω，并获取原始经验标签密度：其中，w
j
代表第j个箱子的索引，p(w
j
)表示为箱子索引w
j
的经验标签密度，即为训练集
中标签w
j
出现的频率；S2.3.采用高斯核函数对原始经验标签密度分布进行卷积，得到有效标签密度分布：公式中，代表的是平滑后的标签w
j
′
的有效标签密度，k(w
j
,w
j
′
)为一个对称的核函数；所述的对称的核函数满足：k(w
j
,w
j
′
)＝k(w
j
′
,w
j
)k(w
j
′
,w
j
)代表两个向量w
j
′
和w
j
之间的相似性，代表对称核函数在w
j
处的梯度，代表对称核函数在w
j
′
处的梯度。5.根据权利要求1所述的基于深度不平衡回归的胎儿大脑脑龄估计方法，其特征在于：所述的S3中建立的多尺度分层分割胎儿大脑特征提取回归网络为：用分层分割的胎儿大脑脑沟回特征提取模块替换ResNet50网络中的原始的3
×
3的卷积后形成的特征提取回归网络。6.根据权利要求1所述的基于深度不平衡回归的胎儿大脑脑龄估计方法，其特征在于：所述的步骤S4中采用有效标签密度对回归焦点均方误差损失函数重新加权的具体方式是将有效标签密度的倒数作为一个权重乘到回归焦点均方误差损失函数中，重...

【专利技术属性】
技术研发人员：周然，刘洋，冯子腾，杨智，黄忠唯，甘海涛，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：