基于深层次双分支网络的脑龄预测方法、装置及电子设备制造方法及图纸

本公开提供了一种基于深层次双分支网络的脑龄预测方法、装置及电子设备，应用于深度学习和生物医学技术领域。深层次双分支网络的浅层特征提取模块包括卷积神经网络子模块和视觉Transformer子模块；深层特征提取模块包括级联的多个深层特征提取单元。该方法包括：按照通道维度，将预处理后的第一图像和第二图像堆叠为输入图像，第一图像和第二图像分别用于表征脑部结构的白质信息和灰质信息；通过卷积神经网络子模块和视觉Transformer子模块分别提取输入图像的局部特征和全局特征；通过特征融合模块将局部特征和全局特征融合为融合特征；通过多个深层特征提取单元对融合特征进行多次特征提取，输出脑部结构的预测年龄。

【技术实现步骤摘要】

本公开涉及深度学习、生物医学，具体涉及一种基于深层次双分支网络的脑龄预测方法、装置及电子设备。

技术介绍

1、近些年来，利用磁共振影像(magnetic resonance imaging，mri)数据预测大脑年龄，已经成为一项脑科学研究的热点。脑龄预测结果的准确性依赖于所使用的脑龄估计框架的稳健性。

2、卷积神经网络(convolutional neural network,cnn)能够基于mri图像预测大脑年龄，但是cnn很难捕获全局特征从而影响大脑的预测精度。transformer网络在提取全局特征的表现较为优异，但在提取局部特征的表现不够理想。

3、虽然结合cnn和transformer的特点可以提取出mri图像的局部特征和全局特征，但是，如何将cnn和transformer结合才能实现更深层的全局特征和局部特征融合，进而更高准确度的预测脑龄是一个急需解决的问题。

技术实现思路

1、鉴于上述问题，本公开提供了一种基于深层次双分支网络的脑龄预测方法、装置及电子设备。

本文档来自技高网...

【技术保护点】

1.一种基于深层次双分支网络的脑龄预测方法，其中，所述深层次双分支网络包括浅层特征提取模块、特征融合模块和深层特征提取模块，其中，所述浅层特征提取模块包括卷积神经网络子模块和视觉Transformer子模块；所述深层特征提取模块包括级联的多个深层特征提取单元；所述方法包括：

2.根据权利要求1所述的方法，其中，所述将所述局部特征和所述全局特征输入所述特征融合模块，输出融合特征，包括：

3.根据权利要求2所述的方法，其中，所述将所述第一浅层特征、所述对齐全局特征和所述局部特征融合，得到所述融合特征，包括：

4.根据权利要求1所述的方法，其中，所述多个深层...

【技术特征摘要】

1.一种基于深层次双分支网络的脑龄预测方法，其中，所述深层次双分支网络包括浅层特征提取模块、特征融合模块和深层特征提取模块，其中，所述浅层特征提取模块包括卷积神经网络子模块和视觉transformer子模块；所述深层特征提取模块包括级联的多个深层特征提取单元；所述方法包括：

2.根据权利要求1所述的方法，其中，所述将所述局部特征和所述全局特征输入所述特征融合模块，输出融合特征，包括：

3.根据权利要求2所述的方法，其中，所述将所述第一浅层特征、所述对齐全局特征和所述局部特征融合，得到所述融合特征，包括：

4.根据权利要求1所述的方法，其中，所述多个深层特征提取单元的网络结构相同，所述深层特征提取单元包括卷积神经网络分支、视觉transformer分支和特征融合子单元；

5.根据权利要求4所述的方法，其中，所述卷积神经网络子模块包括级联的...

【专利技术属性】
技术研发人员：甘硕秋，方晨浩，刘允，黄俊，
申请(专利权)人：合肥综合性国家科学中心人工智能研究院安徽省人工智能实验室，
类型：发明
国别省市：