【技術實現步驟摘要】
基于三維卷積神經網絡的腦齡預測方法及系統
本專利技術涉及圖像處理
，特別涉及一種基于三維卷積神經網絡的腦齡預測方法及系統。
技術介紹
大腦在發育和老化的過程中表現出結構和機能上的有規律的改變，這種改變的模式非常復雜，臨床上不可能用肉眼得出結果。在實際應用中，采用腦齡作為度量該過程中的變化模式的指標。目前關于大腦的發育、老化軌跡的研究并沒有十分的深入，我們迫切地需要一個高精確度的腦齡預測模型去擬合大腦在發育、老化過程中的變化軌跡。一方面可以幫助我們理解大腦的發育、老化機制，加強我們對于人腦的理解和認識；另一方面，可以將腦齡與生理年齡的差值作為多種精神疾病的疾病標記物，對于精神疾病的早期診斷具有非常重要的臨床意義。大腦的正常發育、老化過程中會發生結構上的改變，主要體現在大腦皮層的變薄、神經元形態學的改變以及神經回路、大腦可塑性的丟失，而這些改變的特征可以從結構磁共振影像中提取到，因而在眾多的核磁共振影像技術中，結構磁共振影像是腦齡預測的研究中被應用的最多的一種模態，主要原因在于：(1)結構磁共振影像分辨率高，能清楚的表現出大腦的各種組織形態。目前利用T1加權技術采集的結構磁共振成像數據是三維圖像，圖像分辨率較高，掃描時間大約是三到五分鐘，在較短的時間內，被試可以保持頭部不動，偽影較低。(2)結構磁共振影像的成像穩定，受成像機器參數影響小，影像的可靠性相對較強。在現有的基于結構像的腦齡預測模型中，大多采用傳統的機器學習方法，這些方法需要經過特征提取、特征選擇、訓練模型等過程，大量的依賴第三方工...
【技術保護點】
1.一種基于三維卷積神經網絡的腦齡預測方法，其特征在于，所述預測方法包括：/n采集歷史樣本集，所述歷史樣本集包括多對歷史結構磁共振影像數據及對應測試者的生理年齡，所述歷史樣本集分為訓練樣本集及測試樣本集；/n對所述訓練樣本集中的各所述歷史結構磁共振影像數據預處理，得到對應的處理圖像；/n根據各處理圖像及對應測試者的生理年齡，對三維卷積神經網絡進行訓練，得到訓練后的三維卷積神經網絡；/n獲取當前測試者的當前結構磁共振影像數據；/n基于訓練后的三維卷積神經網絡，根據所述當前結構磁共振影像數據，確定當前測試者的腦齡情況。/n
【技術特征摘要】
1.一種基于三維卷積神經網絡的腦齡預測方法，其特征在于，所述預測方法包括：
采集歷史樣本集，所述歷史樣本集包括多對歷史結構磁共振影像數據及對應測試者的生理年齡，所述歷史樣本集分為訓練樣本集及測試樣本集；
對所述訓練樣本集中的各所述歷史結構磁共振影像數據預處理，得到對應的處理圖像；
根據各處理圖像及對應測試者的生理年齡，對三維卷積神經網絡進行訓練，得到訓練后的三維卷積神經網絡；
獲取當前測試者的當前結構磁共振影像數據；
基于訓練后的三維卷積神經網絡，根據所述當前結構磁共振影像數據，確定當前測試者的腦齡情況。
2.根據權利要求1所述的基于三維卷積神經網絡的腦齡預測方法，其特征在于，各所述歷史結構磁共振影像數據均滿足以下條件：
所述歷史結構磁共振影像數據對應的各測試者不能患有腦部疾病，且認知功能正常，各測試者的年齡范圍為5歲到90歲之間，每個年齡對應的測試者的數量大于設定數值且人數均衡；各所述歷史結構磁共振影像數據的體素尺寸要小于或等于1毫米，重復時間TR小于500毫秒，回波時間TE小于25毫秒。
3.根據權利要求1所述的基于三維卷積神經網絡的腦齡預測方法，其特征在于，所述對所述訓練樣本集中的各所述歷史結構磁共振影像數據預處理，得到對應的處理圖像，具體包括：
針對每一歷史結構磁共振影像數據，
對所述歷史結構磁共振影像數據進行采樣，得到采樣圖像；
對所述采樣圖像依次進行去頭骨、非線性校正、全腦均值歸一化、裁剪操作，得到裁剪后圖像，所述裁剪后圖像為處理圖像。
4.根據權利要求3所述的基于三維卷積神經網絡的腦齡預測方法，其特征在于，所述對所述歷史結構磁共振影像數據進行采樣的采樣方法為雙線性插值法。
5.根據權利要求1所述的基于三維卷積神經網絡的腦齡預測方法，其特征在于，所述三維卷積神經網絡包括第一三維卷積神經網絡模塊、第一多尺度卷積神經模塊、第二多尺度卷積神經模塊、第三多尺度卷積神經模塊、第二三維卷積神經網絡模塊、第三三維卷積神經網絡模塊、第一全局均值池化模塊、第二全局均值池化模塊及全連接模塊；
其中，所述第一三維卷積神經網絡模塊依次串聯連接第一多尺度卷積神經模塊、第二多尺度卷積神經模塊、第三多尺度卷積神經模塊；所述第三多尺度卷積神經模塊依次串聯連接第二三維卷積神經網絡模塊、第三三維卷積神經網絡模塊；所述第一全局均值池化模塊與第一多尺度卷積神經模塊連接，所述第二全局均值池化模塊與第三多尺度卷積神經模塊連接；所述全連接模塊分別與所述第一全局均值池化模塊、第二全局均值池化模塊及第三多尺度卷積神經模塊連接。
6.根據權利要求5所述的基于三維卷積神經網絡的腦齡預測方法，其特征在于，所述第一三維卷積神經網絡模塊的卷積核大小為3×3×3，卷積步長為2×2×2，特征圖數量為32，填充類型為全0填充，輸出特征圖大小為50×55×50；
第一多尺度卷積神經模塊、第二多尺度卷積神經模塊、第三多尺度卷積神經模塊均由三個分支構成，每個分支的第一層為卷積核大小為1×1×1的卷積層，輸出的特征圖數量為N/3，N為輸入的通道數量；
第一多尺度卷積神經模塊的第一分支的第二層為一個最大池化層，池化核大小為2×2×2，池化步長為2×2×2，填充類型為全0填充，輸出特征圖數量為32；第一多尺度卷積模塊的第二分支的第二層為三維卷積網絡層，卷積核大小為3×3×3，卷積步長為2×2×2，填充類型為全0填充，輸出特征圖數量為32；第一多尺度卷積模塊的第三分支的第二層和第三層均為三維卷積網絡層，卷積核大小為3×3×3，卷積步長為2×2×2，填充類型為全0填充，輸出特征圖數量為32；所述第一多尺度卷積神經模塊的第一分支、第二分支及第三分支并聯在一起輸出，特征圖數量為96；
第二多尺度卷積模塊的第一分支的第二層為一個最大池化層，池化核大小為2×2×2，池化步長為2×2×2，填充類型為全0填充，輸出特征圖數量為64；第二多尺度卷積模塊的第二分支的第二層為三維卷積網絡層，卷積核大小為3×3×3，卷積步長為2×2×2，填充類型為全0填充，輸出特征圖數量為64；第二多尺度卷積模塊的第三分支的第二層和第三層都為三維卷積網絡層，卷積核大小為3...
【專利技術屬性】
技術研發人員：饒光祥，李昂，劉冰，劉勇，
申請(專利權)人：中國科學院自動化研究所，
類型：發明
國別省市：北京;11
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。