技术领域
[0001] 本
发明涉及
图像处理技术领域，特别涉及一种基于三维卷积神经网络的脑龄预测方法及系统。
背景技术
[0002] 大脑在发育和老化的过程中表现出结构和机能上的有规律的改变，这种改变的模式非常复杂，临床上不可能用肉眼得出结果。在实际应用中，采用脑龄作为度量该过程中的变化模式的指标。
[0003] 目前关于大脑的发育、老化轨迹的研究并没有十分的深入，我们迫切地需要一个高精确度的脑龄
预测模型去拟合大脑在发育、老化过程中的变化轨迹。一方面可以帮助我们理解大脑的发育、老化机制，加强我们对于人脑的理解和认识；另一方面，可以将脑龄与生理年龄的差值作为多种精神
疾病的疾病标记物，对于精神疾病的早期诊断具有非常重要的临床意义。
[0004] 大脑的正常发育、老化过程中会发生结构上的改变，主要体现在大脑皮层的变薄、神经元形态学的改变以及神经回路、大脑可塑性的丢失，而这些改变的特征可以从结构磁共振影像中提取到，因而在众多的
核磁共振影像技术中，结构磁共振影像是脑龄预测的研究中被应用的最多的一种模态，主要原因在于：(1)结构磁共振影像
分辨率高，能清楚的表现出大脑的各种组织形态。目前利用T1加权技术采集的结构
磁共振成像数据是三维图像，图像分辨率较高，扫描时间大约是三到五分钟，在较短的时间内，被试可以保持头部不动，伪影较低。(2)结构磁共振影像的成像稳定，受成像机器参数影响小，影像的可靠性相对较强。
[0005] 在现有的基于结构像的脑龄预测模型中，大多采用传统的
机器学习方法，这些方法需要经过特征提取、特征选择、训练模型等过程，大量的依赖第三方工具，缺乏端到端的便捷性，且预测
精度无法满足临床应用需求。
[0006] 随着
深度学习技术的发展，尤其是卷积神经网络，为脑龄预测提供了新的方法。卷积神经网络是一种常见的深度学习网络架构，受
生物自然视觉认知机制启发而来。卷积神经网络具备非常优异的特征提取能
力，在
计算机视觉领域中的各
种子任务中都表现出了绝对的优势。
发明内容
[0007] 为了解决现有脑龄预测技术中存在的问题与不足，即为了提高预测精度，本发明提供一种基于三维卷积神经网络的脑龄预测方法及系统。
[0008] 为解决上述技术问题，本发明提供了如下方案：
[0009] 一种基于三维卷积神经网络的脑龄预测方法，所述预测方法包括：
[0010] 采集历史样本集，所述历史样本集包括多对历史结构磁共振影像数据及对应测试者的生理年龄，所述历史样本集分为训练样本集及测试样本集；
[0011] 对所述训练样本集中的各所述历史结构磁共振影像数据预处理，得到对应的处理图像；
[0012] 根据各处理图像及对应测试者的生理年龄，对三维卷积神经网络进行训练，得到训练后的三维卷积神经网络；
[0013] 获取当前测试者的当前结构磁共振影像数据；
[0014] 基于训练后的三维卷积神经网络，根据所述当前结构磁共振影像数据，确定当前测试者的脑龄情况。
[0015] 可选地，各所述历史结构磁共振影像数据均满足以下条件：
[0016] 所述历史结构磁共振影像数据对应的各测试者不能患有脑部疾病，且认知功能正常，各测试者的年龄范围为5岁到90岁之间，每个年龄对应的测试者的数量大于设定数值且人数均衡；各所述历史结构磁共振影像数据的
体素尺寸要小于或等于1毫米，重复时间TR小于500毫秒，回波时间TE小于25毫秒。
[0017] 可选地，所述对所述训练样本集中的各所述历史结构磁共振影像数据预处理，得到对应的处理图像，具体包括：
[0018] 针对每一历史结构磁共振影像数据，
[0019] 对所述历史结构磁共振影像数据进行
采样，得到采样图像；
[0020] 对所述采样图像依次进行去头骨、非线性校正、全脑均值归一化、裁剪操作，得到裁剪后图像，所述裁剪后图像为处理图像。
[0021] 可选地，所述对所述历史结构磁共振影像数据进行采样的采样方法为双线性插值法。
[0022] 可选地，所述三维卷积神经网络包括第一三维卷积神经网络模
块、第一多尺度卷积神经模块、第二多尺度卷积神经模块、第三多尺度卷积神经模块、第二三维卷积神经网络模块、第三三维卷积神经网络模块、第一全局均值
池化模块、第二全局均值池化模块及全连接模块；
[0023] 其中，所述第一三维卷积神经网络模块依次
串联连接第一多尺度卷积神经模块、第二多尺度卷积神经模块、第三多尺度卷积神经模块；所述第三多尺度卷积神经模块依次串联连接第二三维卷积神经网络模块、第三三维卷积神经网络模块；所述第一全局均值池化模块与第一多尺度卷积神经模块连接，所述第二全局均值池化模块与第三多尺度卷积神经模块连接；所述全连接模块分别与所述第一全局均值池化模块、第二全局均值池化模块及第三多尺度卷积神经模块连接。
[0024] 可选地，所述第一三维卷积神经网络模块的卷积核大小为3×3×3，卷积步长为2×2×2，特征图数量为32，填充类型为全0填充，输出特征图大小为50×55×50；
[0025] 第一多尺度卷积神经模块、第二多尺度卷积神经模块、第三多尺度卷积神经模块均由三个分支构成，每个分支的第一层为卷积核大小为1×1×1的卷积层，输出的特征图数量为N/3，N为输入的通道数量；
[0026] 第一多尺度卷积神经模块的第一分支的第二层为一个最大池化层，池化核大小为2×2×2，池化步长为2×2×2，填充类型为全0填充，输出特征图数量为32；第一多尺度卷积模块的第二分支的第二层为三维卷积网络层，卷积核大小为3×3×3，卷积步长为2×2×2，填充类型为全0填充，输出特征图数量为32；第一多尺度卷积模块的第三分支的第二层和第三层均为三维卷积网络层，卷积核大小为3×3×3，卷积步长为2×2×2，填充类型为全0填充，输出特征图数量为32；所述第一多尺度卷积神经模块的第一分支、第二分支及第三分支并联在一起输出，特征图数量为96；
[0027] 第二多尺度卷积模块的第一分支的第二层为一个最大池化层，池化核大小为2×2×2，池化步长为2×2×2，填充类型为全0填充，输出特征图数量为64；第二多尺度卷积模块的第二分支的第二层为三维卷积网络层，卷积核大小为3×3×3，卷积步长为2×2×2，填充类型为全0填充，输出特征图数量为64；第二多尺度卷积模块的第三分支的第二层和第三层都为三维卷积网络层，卷积核大小为3×3×3，卷积步长为2×2×2，填充类型为全0填充，输出特征图数量为64；所述第二多尺度卷积神经模块的第一分支、第二分支及第三分支并联在一起输出，特征图数量为192；
[0028] 第三多尺度卷积模块的第一分支的第二层为一个最大池化层，池化核大小为2×2×2，池化步长为2×2×2，填充类型为全0填充，输出特征图数量为128；第三多尺度卷积模块的第二分支的第二层为三维卷积网络层，卷积核大小为3×3×3，卷积步长为2×2×2，填充类型为全0填充，输出特征图数量为128；第三多尺度卷积模块的第三分支的第二层和第三层都为三维卷积网络层，卷积核大小为3×3×3，卷积步长为2×2×2，填充类型为全0填充，输出特征图数量为128；所述第二多尺度卷积神经模块的第一分支、第二分支及第三分支并联在一起输出，特征图数量为384；
[0029] 第二三维卷积神经网络模块的卷积核大小为1×1×1，步长为1×1×1，输出特征图数量为64；第三三维卷积神经网络模块的卷积层的卷积核大小为3×3×3，卷积步长为2×2×2，填充类型为全0填充，输出特征图数量为128，并将输出变换为1维向量；
[0030] 第一全局均值池化模块用于输出第一多尺度卷积神经模块的每个特征图的输出值的均值，输出大小为96；第二全局均值池化模块用于输出第三多尺度卷积神经模块的每个特征图的输出值的均值，输出大小为384；
[0032] 可选地，所述预测方法还包括：
[0033] 基于训练后的三维卷积神经网络及各测试样本集，得到针对各测试者的预测脑龄；
[0034] 根据各预测脑龄及对应的生理年龄的差值的平方作为优化目标，采用梯度下降的反向传播方法对所述训练后的三维卷积神经网络进行优化，以更新训练后的三维卷积神经网络；其中，
[0035] 所述优化目标的损失函数为：
[0036]
[0037] 其中，y为各测试者的预测脑龄， 为各测试者真实的生理年龄。
[0038] 为解决上述技术问题，本发明还提供了如下方案：
[0039] 一种基于三维卷积神经网络的脑龄预测系统，所述预测系统包括：
[0040] 采集单元，用于采集历史样本集，所述历史样本集包括多对历史结构磁共振影像数据及对应测试者的生理年龄，所述历史样本集分为训练样本集及测试样本集；
[0041] 预处理单元，用于对所述训练样本集中的各所述历史结构磁共振影像数据预处理，得到对应的处理图像；
[0042] 训练单元，用于根据各处理图像及对应测试者的生理年龄，对三维卷积神经网络进行训练，得到训练后的三维卷积神经网络；
[0043] 获取单元，用于获取当前测试者的当前结构磁共振影像数据；
[0044] 确定单元，用于基于训练后的三维卷积神经网络，根据所述当前结构磁共振影像数据，确定当前测试者的脑龄情况。
[0045] 为解决上述技术问题，本发明还提供了如下方案：
[0046] 一种基于三维卷积神经网络的脑龄预测系统，包括：
[0047] 处理器；以及
[0048] 被安排成存储计算机可执行指令的
存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
[0049] 采集历史样本集，所述历史样本集包括多对历史结构磁共振影像数据及对应测试者的生理年龄，所述历史样本集分为训练样本集及测试样本集；
[0050] 对所述训练样本集中的各所述历史结构磁共振影像数据预处理，得到对应的处理图像；
[0051] 根据各处理图像及对应测试者的生理年龄，对三维卷积神经网络进行训练，得到训练后的三维卷积神经网络；
[0052] 获取当前测试者的当前结构磁共振影像数据；
[0053] 基于训练后的三维卷积神经网络，根据所述当前结构磁共振影像数据，确定当前测试者的脑龄情况。
[0054] 为解决上述技术问题，本发明还提供了如下方案：
[0055] 一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的
电子设备执行时，使得所述电子设备执行以下操作：
[0056] 采集历史样本集，所述历史样本集包括多对历史结构磁共振影像数据及对应测试者的生理年龄，所述历史样本集分为训练样本集及测试样本集；
[0057] 对所述训练样本集中的各所述历史结构磁共振影像数据预处理，得到对应的处理图像；
[0058] 根据各处理图像及对应测试者的生理年龄，对三维卷积神经网络进行训练，得到训练后的三维卷积神经网络；
[0059] 获取当前测试者的当前结构磁共振影像数据；
[0060] 基于训练后的三维卷积神经网络，根据所述当前结构磁共振影像数据，确定当前测试者的脑龄情况。
[0061] 根据本发明的
实施例，本发明公开了以下技术效果：
[0062] 本发明通过对训练样本集中的各所述历史结构磁共振影像数据预处理，通过处理图像及对应测试者的生理年龄，对三维卷积神经网络进行训练，得到训练后的三维卷积神经网络；通过训练后的三维卷积神经网络对当前测试者的当前结构磁共振影像数据进行识别，从而可确定当前测试者的脑龄情况，实现端到端的检测，准确度高。
附图说明
[0063] 图1是本发明基于三维卷积神经网络的脑龄预测方法的
流程图；
[0064] 图2是本发明基于三维卷积神经网络的脑龄预测系统的模块结构示意图。
[0065] 符号说明：
[0066] 采集单元—1，预处理单元—2，训练单元—3，获取单元—4，确定单元—5。
具体实施方式
[0067] 下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
[0068] 本发明的目的在于提供一种基于三维卷积神经网络的脑龄预测方法，通过对训练样本集中的各所述历史结构磁共振影像数据预处理，通过处理图像及对应测试者的生理年龄，对三维卷积神经网络进行训练，得到训练后的三维卷积神经网络；通过训练后的三维卷积神经网络对当前测试者的当前结构磁共振影像数据进行识别，从而可确定当前测试者的脑龄情况，实现端到端的检测，准确度高。
[0069] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0070] 如图1所示，本发明基于三维卷积神经网络的脑龄预测方法包括：
[0071] 步骤100：采集历史样本集。
[0072] 所述历史样本集包括多对历史结构磁共振影像数据及对应测试者的生理年龄，所述历史样本集分为训练样本集及测试样本集。所述生理年龄保留4位有效数字。
[0073] 步骤200：对所述训练样本集中的各所述历史结构磁共振影像数据预处理，得到对应的处理图像。
[0074] 步骤300：根据各处理图像及对应测试者的生理年龄，对三维卷积神经网络进行训练，得到训练后的三维卷积神经网络。
[0075] 步骤400：获取当前测试者的当前结构磁共振影像数据。
[0076] 步骤500：基于训练后的三维卷积神经网络，根据所述当前结构磁共振影像数据，确定当前测试者的脑龄情况。
[0077] 其中，在步骤100中，各所述历史结构磁共振影像数据均满足以下条件：
[0078] 所述历史结构磁共振影像数据对应的各测试者不能患有脑部疾病，且认知功能正常，各测试者的年龄范围为5岁到90岁之间，每个年龄对应的测试者的数量大于设定数值且人数均衡；各所述历史结构磁共振影像数据的体素尺寸要小于或等于1毫米，重复时间TR小于500毫秒，回波时间TE小于25毫秒。
[0079] 在本实施例中，所述设定数值为150，但并不以此为限，可根据实际需要进行调整。
[0080] 可选地，在步骤200中，所述对所述训练样本集中的各所述历史结构磁共振影像数据预处理，得到对应的处理图像，具体包括：
[0081] 步骤201：针对每一历史结构磁共振影像数据，对所述历史结构磁共振影像数据进行采样，得到采样图像。
[0082] 在本实施例中，通过双线性插值法采样方法将原始图像采样到分辨率为1.5毫米，得到采样图像。
[0083] 步骤202：对所述采样图像依次进行去头骨、非线性校正、全脑均值归一化、裁剪操作，得到裁剪后图像，所述裁剪后图像为处理图像。其中，所述裁剪后图像的尺寸变为：100mm×110mm×100mm。
[0084] 进一步地，所述三维卷积神经网络包括第一三维卷积神经网络模块、第一多尺度卷积神经模块、第二多尺度卷积神经模块、第三多尺度卷积神经模块、第二三维卷积神经网络模块、第三三维卷积神经网络模块、第一全局均值池化模块、第二全局均值池化模块及全连接模块；
[0085] 其中，所述第一三维卷积神经网络模块依次串联连接第一多尺度卷积神经模块、第二多尺度卷积神经模块、第三多尺度卷积神经模块；所述第三多尺度卷积神经模块依次串联连接第二三维卷积神经网络模块、第三三维卷积神经网络模块；所述第一全局均值池化模块与第一多尺度卷积神经模块连接，所述第二全局均值池化模块与第三多尺度卷积神经模块连接；所述全连接模块分别与所述第一全局均值池化模块、第二全局均值池化模块及第三多尺度卷积神经模块连接。
[0086] 优选地，第一三维卷积神经网络模块、第二三维卷积神经网络模块及第三三维卷积神经网络模块都按固定顺序包含以下网络层：三维卷积层、批量归一化层和激活函数。其中，三维卷积是指卷积核具有长、宽、高三个维度，其包含卷积核大小和卷积步长两个参数；批量归一化是指对于每一个卷积
输出层进行归一化，表达公式为：
[0087]
[0088] 其中，γ和β是训练过程中学习到参数， 为上一网络归一化后的值；激活函数选择Relu函数作为激活函数，其表达式为：
[0089] y＝max(x，0)。
[0090] 可选地，所述第一三维卷积神经网络模块的卷积核大小为3×3×3，卷积步长为2×2×2，特征图数量为32，填充类型为全0填充，输出特征图大小为50×55×50；
[0091] 第一多尺度卷积神经模块、第二多尺度卷积神经模块、第三多尺度卷积神经模块均由三个分支构成，每个分支的第一层为卷积核大小为1×1×1的卷积层，输出的特征图数量为N/3，N为输入的通道数量；
[0092] 第一多尺度卷积神经模块的第一分支的第二层为一个最大池化层，池化核大小为2×2×2，池化步长为2×2×2，填充类型为全0填充，输出特征图数量为32；第一多尺度卷积模块的第二分支的第二层为三维卷积网络层，卷积核大小为3×3×3，卷积步长为2×2×2，填充类型为全0填充，输出特征图数量为32；第一多尺度卷积模块的第三分支的第二层和第三层均为三维卷积网络层，卷积核大小为3×3×3，卷积步长为2×2×2，填充类型为全0填充，输出特征图数量为32；所述第一多尺度卷积神经模块的第一分支、第二分支及第三分支并联在一起输出，特征图数量为96；
[0093] 第二多尺度卷积模块的第一分支的第二层为一个最大池化层，池化核大小为2×2×2，池化步长为2×2×2，填充类型为全0填充，输出特征图数量为64；第二多尺度卷积模块的第二分支的第二层为三维卷积网络层，卷积核大小为3×3×3，卷积步长为2×2×2，填充类型为全0填充，输出特征图数量为64；第二多尺度卷积模块的第三分支的第二层和第三层都为三维卷积网络层，卷积核大小为3×3×3，卷积步长为2×2×2，填充类型为全0填充，输出特征图数量为64；所述第二多尺度卷积神经模块的第一分支、第二分支及第三分支并联在一起输出，特征图数量为192；
[0094] 第三多尺度卷积模块的第一分支的第二层为一个最大池化层，池化核大小为2×2×2，池化步长为2×2×2，填充类型为全0填充，输出特征图数量为128；第三多尺度卷积模块的第二分支的第二层为三维卷积网络层，卷积核大小为3×3×3，卷积步长为2×2×2，填充类型为全0填充，输出特征图数量为128；第三多尺度卷积模块的第三分支的第二层和第三层都为三维卷积网络层，卷积核大小为3×3×3，卷积步长为2×2×2，填充类型为全0填充，输出特征图数量为128；所述第二多尺度卷积神经模块的第一分支、第二分支及第三分支并联在一起输出，特征图数量为384；
[0095] 第二三维卷积神经网络模块的卷积核大小为1×1×1，步长为1×1×1，输出特征图数量为64；第三三维卷积神经网络模块的卷积层的卷积核大小为3×3×3，卷积步长为2×2×2，填充类型为全0填充，输出特征图数量为128，并将输出变换为1维向量；
[0096] 第一全局均值池化模块用于输出第一多尺度卷积神经模块的每个特征图的输出值的均值，输出大小为96；第二全局均值池化模块用于输出第三多尺度卷积神经模块的每个特征图的输出值的均值，输出大小为384；
[0097] 所述全连接层的节点数量为256个。
[0098] 可选地，所述预测方法还包括：
[0099] 基于训练后的三维卷积神经网络及各测试样本集，得到针对各测试者的预测脑龄；
[0100] 根据各预测脑龄及对应的生理年龄的差值的平方作为优化目标，采用梯度下降的反向传播方法对所述训练后的三维卷积神经网络进行优化，以更新训练后的三维卷积神经网络；其中，
[0101] 所述优化目标的损失函数为：
[0102]
[0103] 其中，y为各测试者的预测脑龄， 为各测试者真实的生理年龄。
[0104] 训练的过程中采用10折交叉验证选择最优参数，具体为使用90％的数据作为训练样本集，剩下10％作为测试样本集验证训练精度，当训练精度不再提升的时候，终止训练过程，保存模型参数。
[0105] 此外，本发明还提供一种基于三维卷积神经网络的脑龄预测系统，可提高预测精度。
[0106] 如图2所示，本发明基于三维卷积神经网络的脑龄预测系统包括：采集单元1、预处理单元2、训练单元3、获取单元4及确定单元5。
[0107] 具体地，所述采集单元1用于采集历史样本集，所述历史样本集包括多对历史结构磁共振影像数据及对应测试者的生理年龄，所述历史样本集分为训练样本集及测试样本集。
[0108] 所述预处理单元2用于对所述训练样本集中的各所述历史结构磁共振影像数据预处理，得到对应的处理图像；
[0109] 所述训练单元3用于根据各处理图像及对应测试者的生理年龄，对三维卷积神经网络进行训练，得到训练后的三维卷积神经网络；
[0110] 所述获取单元4用于获取当前测试者的当前结构磁共振影像数据；
[0111] 所述确定单元5用于基于训练后的三维卷积神经网络，根据所述当前结构磁共振影像数据，确定当前测试者的脑龄情况。
[0112] 进一步地，本发明还提供一种基于三维卷积神经网络的脑龄预测系统，包括：
[0113] 处理器；以及
[0114] 被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
[0115] 采集历史样本集，所述历史样本集包括多对历史结构磁共振影像数据及对应测试者的生理年龄，所述历史样本集分为训练样本集及测试样本集；
[0116] 对所述训练样本集中的各所述历史结构磁共振影像数据预处理，得到对应的处理图像；
[0117] 根据各处理图像及对应测试者的生理年龄，对三维卷积神经网络进行训练，得到训练后的三维卷积神经网络；
[0118] 获取当前测试者的当前结构磁共振影像数据；
[0119] 基于训练后的三维卷积神经网络，根据所述当前结构磁共振影像数据，确定当前测试者的脑龄情况。
[0120] 进一步地，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：
[0121] 采集历史样本集，所述历史样本集包括多对历史结构磁共振影像数据及对应测试者的生理年龄，所述历史样本集分为训练样本集及测试样本集；
[0122] 对所述训练样本集中的各所述历史结构磁共振影像数据预处理，得到对应的处理图像；
[0123] 根据各处理图像及对应测试者的生理年龄，对三维卷积神经网络进行训练，得到训练后的三维卷积神经网络；
[0124] 获取当前测试者的当前结构磁共振影像数据；
[0125] 基于训练后的三维卷积神经网络，根据所述当前结构磁共振影像数据，确定当前测试者的脑龄情况。
[0126] 相对于
现有技术，本发明计算机可读存储介质、基于三维卷积神经网络的脑龄预测系统与上述基于三维卷积神经网络的脑龄预测方法的有益效果相同，在此不再赘述。
[0127] 至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
