[发明专利]一种基于结构磁共振影像的大脑年龄深度学习预测系统

权利要求书

1.一种基于结构磁共振影像的大脑年龄深度学习预测系统，其特征在于，包括：

训练集构建模块，用于利用不同来源的原始结构磁共振影像构建训练集；

数据预处理模块，用于对各原始结构磁共振影像进行预处理操作，预处理操作包括图像配准、头骨剥离以及图像数据标准化；

深度学习模型构建模块，用于利用Keras框架以及基于DenseNet思想，构建卷积神经网络模型AGE-DenseNet；

深度学习模型训练模块，用于利用所构建的训练集，通过反向传播和梯度下降算法对构建的卷积神经网络模型AGE-DenseNet进行监督学习；

模型验证模块，用于利用交叉验证的方法对卷积神经网络模型AGE-DenseNet进行验证，调整卷积神经网络模型AGE-DenseNet训练中的超参数；

大脑年龄预测模块，用于将预处理操作后的原始结构磁共振影像送入验证准确的卷积神经网络模型AGE-DenseNet进行大脑年龄预测，得到大脑年龄预测值，计算大脑年龄预测值与实际年龄的差值，评估大脑衰老程度。

2.根据权利要求1所述的系统，其特征在于，所述卷积神经网络模型AGE-DenseNet包括五个重复的卷积块，各卷积块包括两个完全相同的卷积单元和一个步长为2的2×2×2最大池化层，各卷积单元包括步长为1的3×3×3卷积层、一个ReLU激活以及一个3D批标准化层，

学习训练时，用最大池化的方式将各卷积块输出的特征映射进行下采样，改变其尺寸，然后再将其与其他卷积块输出的特征映射串联成一个单独的张量，作为当前卷积块的输入，并在最后一个卷积块结束后，使用全局平均池化层，将特征映射矢量化为一个特征向量；

大脑年龄预测时，使用一个一元全连接层加上ReLU激活函数，将全局平均池化得到的特征向量映射到一个单独的输出值。

3.根据权利要求1或2所述的系统，其特征在于，所述图像配准包括将原始结构磁共振影像执行非线性配准操作；

所述头骨剥离包括通过预先设定阈值获取已配准后的结构磁共振影像的头骨剥离图像；

所述图像数据标准化包括计算经过头骨剥离后的大脑轮廓内体素的平均值和标准差，将大脑轮廓内体素进行高斯标准化。