[发明专利]基于三维卷积神经网络的脑龄预测方法及系统

说明书

本发明涉及一种基于三维卷积神经网络的脑龄预测方法及系统，所述预测方法包括：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；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；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；获取当前测试者的当前结构磁共振影像数据；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，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。

技术领域

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

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。

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。

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。

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。

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

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。

为解决上述技术问题，本发明提供了如下方案：

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：

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；

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；

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；

获取当前测试者的当前结构磁共振影像数据；

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。

可选地，各所述历史结构磁共振影像数据均满足以下条件：