【技术实现步骤摘要】
基于相似性孪生网络的静息态功能磁共振脑龄预测方法
[0001]本专利技术涉及医学图像智能诊断
,尤其涉及基于相似性孪生网络的静息态功能磁共振脑龄预测方法。
技术介绍
[0002]随着年龄的增长,人类的认知能力也会随之下降,大脑的不同部位在衰老过程中呈现非线性关系,而受到创伤的患者的大脑衰老程度更加不确定。随着脑龄概念的出现,对脑龄的研究也呈指数级增长,除了预测大脑年龄,研究人员还探索了不同的大脑老化模式,以及与认知损伤、死亡率、心血管疾病等相关的预测应用,以应用于临床诊断。随着人类年龄的增长,发病率和死亡率的风险也逐渐增加。在宏观层面上,这会导致脑室扩大等生理变化。在微观层面上,线粒体变化等现象也会随之出现。因此,脑龄的研究对于开发适用于临床的生物模型非常重要,这些模型可以用来预测衰老或患病中的大脑健康状态。
[0003]传统的基于特征工程的脑龄预测方法存在一些技术缺陷。传统的方法通常使用基于特征工程的方法来提取输入影像的特征,这些方法需要人为选择和设计特征提取器,很难处理高维复杂数据,且易受到噪声和干扰的影响,这些限制导致传统方法的性能往往不稳定,无法在各种不同数据集上获得一致的结果。其次,传统方法忽略了神经网络结构的影响,在神经网络中,每个层的权重和偏差是网络学习的关键因素,不同的神经网络结构具有不同的学习能力和表达能力,因此选择合适的神经网络结构对于脑龄预测任务至关重要。
技术实现思路
[0004]本专利技术的目的在于提供一种基于相似性孪生网络的静息态功能磁共振脑龄预测方法,旨在提 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.基于相似性孪生网络的静息态功能磁共振脑龄预测方法,其特征在于,包括以下步骤:S1:采集被试的功能性磁共振成像数据,形成原始样本集,所述原始样本集的样本包括被试的静息态功能磁共振成像rs
‑
fMRI及其对应的实际年龄信息,然后进行预处理,对静息态功能磁共振成像rs
‑
fMRI进行了切片计时和头部运动相关性操作,将预处理后的数据转化为三维的图像数据,其次,将预处理后的图像数据和对应的被试实际年龄一一对应,形成样本集,其中,样本集包括多组图像数据及其对应的实际年龄信息,最后将样本集划分为训练样本集和测试样本集;S2:构建孪生神经网络,使用基于全卷积神经网络的双卷积神经网络作为分支网络,并对其修改使得两条路径的网络共享参数,该网络由两部分组成:用于从一对输入图像中提取深度特征的卷积神经网络主干提取深度特征和用于将提取的深度特征融合到相似性度量的主干S3:设计特征相似性与标签相似性度量模块,记为在第一道输入已知的rs
‑
fMRI,经过卷积和汇集,得到特征信息集合Z
x
,在第二道输入未知的rs
‑
fMRI,通过同样的操作得到这组未知的特征向量集合Z
y
,其中rs
‑
fMRI表示静息态功能磁共振成像,然后将得到的特征对采用余弦距离CS()来描述相似度,通过训练数据来学习一个转换矩阵,最后使用对比损失作为损失函数来训练相似性学习,对相似性损失函数进行优化;S4:定义置信度评估脑龄预测模块,选择三组相似度最高的已知大脑年龄标签,预测的大脑年龄p=mean(p1,p2,p3)是三组相似度最高的已知大脑年龄的平均值,其中p为预测大脑年龄,p1,p2,p3为已知的三组相似度最高的大脑年龄标签,mean()为平均值;S5:将测试数据集中的脑部影像数据输入到该模型中进行分析,从而得出每个测试数据样本的预测脑龄。2.根据权利要求1所述的基于相似性孪生网络的静息态功能磁共振脑龄预测方法,其特征在于,所述步骤S2的具体步骤如下:步骤S2.1:分别将rs
‑
fMRI图像1和rs
‑
fMRI图像2同时送入一个孪生卷积神经网络,分别得到第一道特征信息Z
x
,第二道特征信息Z
y
;步骤S2.2:输入的图像将经过卷积和池化等操作,双通路卷积融合网络架构采用参数共享,并搭建两个卷积神经网络,每条卷积神经网络的通道数为C,2C,4C,8C,8C,4C,其中C为初始的通道数;步骤S2.3:该网络提取特征部分结构由六个模块组成,前五个模块相同,依次为卷积层,标准化层,卷积层,非线性激活函数层,第五个模块和第六个模块中加入一个dropout层,以解决过拟合问题,第六个模块包含了一个卷积核大小为1的卷积层;步骤S2.3:定义相似性度量的结果E(x
i
,y
i
)其中,Φ()是特征提取网络,为相似度测量模块,b是偏置,x
i
为第一道特征张量,y
i
为第二道特征张量,i为第i个特征向量;步骤S2.4:使用对比损失函数L(Y,x
i
,y
技术研发人员:丁卫平,周天奕,沈鑫杰,黄嘉爽,鞠恒荣,姜舒,程纯,陈悦鹏,孙颖,尹涛,侯涛,
申请(专利权)人:南通大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。