[发明专利]基于3D卷积神经网络的脑龄预测方法及装置

说明书

本申请公开了一种基于3D卷积神经网络的脑龄预测方法。该方法包括：对大脑核磁共振成像数据进行分层采样；通过多线程将分层采样后的所述大脑核磁共振成像数据输入3D卷积神经网络进行训练并提取特征数据；根据提取到的所述特征数据构建脑龄预测回归模型；根据所述脑龄预测回归模型输出脑龄预测结果。本申请解决了相关技术中的传统机器学习模型由于在特征选择方面易造成信息丢失导致的儿童脑龄预测不够准确的技术问题，实现了提高儿童脑龄预测的准确度的技术效果。

技术领域

本申请涉及深度学习技术领域，具体而言，涉及一种基于3D卷积神经网络的脑龄预测方法及装置。

背景技术

核磁共振成像(MRI)以其高空间分辨率及高密度分辨率为脑发育情况的评估提供了机会，但儿童脑发育成熟度的难以通过影像医师进行经验评估，必须基于计算机定量测量来进行计算。健康人脑发育是一个在儿童、青少年和成年早期极为复杂的过程，体现为脑不同区域组织发育顺序和模式的异质性。总体而言，在儿童及青少年时期脑白质(WM)体积随着年龄逐渐上升，而脑灰质(GM)体积随着年龄不断下降，不同脑区的发育趋势和速率各不相同。这些脑微结构在发育过程中的潜在模式化改变为脑发育情况的评估提供了基础。

卷积神经网络(Convolutional Neural Networks,简称CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)，是深度学习(deeplearning)的代表算法之一，卷积神经网络具有表征学习(representation learning)能力。

发明人发现，相关技术中的传统机器学习模型在特征选择方面易造成信息丢失从而导致无法准确评估和预测儿童脑龄。

针对相关技术中的传统机器学习模型由于在特征选择方面易造成信息丢失而导致的儿童脑龄预测不够准确的问题，目前尚未提出有效的解决方案。

发明内容

本申请的主要目的在于提供一种基于3D卷积神经网络的脑龄预测方法及装置，以解决相关技术中的传统机器学习模型由于在特征选择方面易造成信息丢失而导致的儿童脑龄预测不够准确的问题。

为了实现上述目的，根据本申请的一个方面，提供了一种基于3D卷积神经网络的脑龄预测方法。

根据本申请的基于3D卷积神经网络的脑龄预测方法包括：对大脑核磁共振成像数据进行分层采样；通过多线程将分层采样后的所述大脑核磁共振成像数据输入3D卷积神经网络进行训练并提取特征数据；根据提取到的所述特征数据构建脑龄预测回归模型；根据所述脑龄预测回归模型输出脑龄预测结果。

进一步地，所述对大脑核磁共振成像数据进行分层采样之前包括：提取所述大脑核磁共振成像数据中的脑颅数据；将所述脑颅数据进行数据配准；通过对配准后的所述脑颅数据进行分割得到脑灰质和脑白质分割数据。

进一步地，所述对大脑核磁共振成像数据进行分层采样包括：对与所述大脑核磁共振成像数据对应的不同年龄段数据设置相同的数据量阈值；判断所述年龄段数据的数据量是否高于所述数据量阈值；如果所述年龄段数据的数据量高于所述数据量阈值，则将所述年龄段数据进行编号并存储；如果所述年龄段数据的数据量低于所述数据量阈值，则对所述年龄段数据进行有放回抽样。

进一步地，如果所述年龄段数据的数据量低于所述数据量阈值，则对所述年龄段数据中的数据进行有放回抽样之后还包括：当所述有放回抽样的次数达到抽样阈值时，停止所述有放回抽样；将所述有放回抽样后得到的所述年龄段数据进行编号并存储。

进一步地，所述通过多线程将分层采样后的所述大脑核磁共振成像数据输入3D卷积神经网络进行训练并提取特征数据包括：按照所述大脑核磁共振成像数据的对象列表将所述大脑核磁共振成像数据依次输入数据生成器；调用keras预处理接口对所述大脑核磁共振成像数据进行预处理；对预处理后的所述大脑核磁共振成像数据匹配对应的年龄标签。