[发明专利]一种基于深度学习的年龄估计方法

说明书

本发明公开了一种基于深度学习的年龄估计方法，首先获取多个人员的脑部核磁共振图像，并将其作为训练样本，分割作为训练样本的脑部核磁共振图像，并对分割后的各个区块的图像切片进行提取并数据化，获得训练样本的图像数据，预处理该图像数据，获得均值和方差；建立卷积神经网络，获得卷积神经网络的输入值，并对卷积神经网络进行训练分类，获得训练之后的模型，然后获取人脑核磁共振图像的各区块面积所占比例之间的关系；最后将受试者的脑部核磁共振图像作为测试样本，带入模型获取特征向量，并将特征向量送入支持向量机进行训练分类，获得所述测试样本的预测年龄。该方法可以更加快速、高效、准确的估计受试者的年龄。

技术领域

本发明涉及年龄估计方法技术领域，尤其涉及一种基于深度学习的年龄估计方法。

背景技术

随着人类的衰老，人脑的结构也会发生相应的改变。研究表明，神经变性疾病如阿尔茨海默病(AD)与自噬有关，通常会导致脑萎缩。通过比较实际年龄和从脑核磁共振成像所估计出的年龄，计算机可以帮助确定某人是否是AD的患者。为了尽早地识别出可能的患者，需要一种更加准确的预测方法。

对于人脑图像，可以将其进一步分割成灰质(GM)，白质(WM)和脑脊液(CSF)区域。大多数现有的年龄预测方法采用一个或多个区域的核磁共振图像作为输入，计算结果往往不够准确。同时在执行时，随着选定区域数量的增加，步骤也会更加繁琐。

发明内容

针对现有技术中存在的问题，本发明的目的在于提供一种基于深度学习的年龄估计方法，通过分析人脑核磁共振图像，可以更加快速、高效、准确的估计受试者的年龄。

为达到上述目的，本发明采用以下技术方案予以实现。

一种基于深度学习的年龄估计方法，包括以下步骤：

步骤1，获取多个人员的T1加权的脑部核磁共振图像；

步骤2，将所获取到的脑部核磁共振图像作为训练样本，并将所述训练样本分为两部分，一部分作为生成模型的训练样本，另一部分作为带入所得模型以获取特征向量的训练样本；

步骤3，分割作为训练样本的脑部核磁共振图像，提取分割后的图像切片，并将所述分割后的图像切片数据化，获得训练样本的图像数据，包含作为生成模型的训练样本的图像数据和作为带入所得模型以获取特征向量的训练样本的图像数据；

步骤4，预处理所述作为生成模型的训练样本的图像数据，获得训练数据的均值和方差；

步骤5，建立卷积神经网络，根据所述训练数据的均值和方差获得卷积神经网络的输入值，并利用反向传播法则对所述卷积神经网络进行训练，获得训练之后的模型并保存；

步骤6，将作为带入所得模型以获取特征向量的训练样本的图像数据带入所述模型，获取特征向量；所述特征向量为人脑核磁共振图像的各区块面积所占比例的关系；

步骤7，取受试者的T1加权的脑部核磁共振图像作为测试样本，带入所述模型，获取特征向量，并将所述特征向量送入支持向量机，以使所述支持向量机根据预存的特征向量与年龄之间的对应关系进行训练分类，获得所述测试样本的预测年龄。

本发明技术方案的特点和进一步的改进在于：

(1)步骤1中，共获取1000-1500张脑部核磁共振图像。

(2)步骤2中，所述将所述训练样本分为两部分为随机分配，且所述作为带入所得模型以获取特征向量的训练样本的数量占所述训练样本的数量的比例不小于2/3。

(3)步骤3中，所述分割作为训练样本的脑部核磁共振图像具体为：采用相关向量机分割作为训练样本的脑部核磁共振图像。

(4)步骤4中，所述预处理为使用频道规范化进行预处理，具体预处理方式为归一化。