[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

说明书

本发明公开了一种基于结构磁共振影像的大脑年龄深度学习预测系统，包括：训练集构建模块；数据预处理模块；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；模型验证模块；大脑年龄预测模块。本发明采用基于DenseNet思想的卷积神经网络结构AGE‑DenseNet，能够从复杂的大脑结构磁共振影像中提炼出高维复杂特征，准确、高效、快速地预测出大脑年龄，并以此量化大脑偏离健康大脑衰老轨迹的程度。

技术领域

本发明属于计算机及神经科学领域，特别涉及一种基于结构磁共振影像的大脑年龄深度学习预测系统。

背景技术

随着全球人口老龄化问题的日益严重，与老化有关的大脑疾病正在给社会造成越来越大的负担。而人类的大脑会随着年龄的增长而在结构上发生一些微妙的变化，这些变化会导致大脑在正常功能上产生退化，并与神经退行性等脑部疾病呈现出显著的相关性。基因、环境、疾病或受伤等原因可能会导致大脑的老化速率有显著的加快，需要有方法来量化这种异常的大脑衰老速度，评估当前大脑所处的衰老阶段。

人工智能方法可以利用大脑结构磁共振影像建立一个大脑老化的预测模型，以此对老年人的年龄进行预测，由模型预测出的年龄我们称之为“大脑年龄”。大脑年龄可以表明当前大脑所处的老化阶段，甚至预测未来的相关疾病的风险。由健康老年人影像数据所建立的预测模型，实际上描述了一种正常的老年人大脑衰老轨迹，而利用大脑年龄与其真实年龄的差值，可以反映一个人偏离健康大脑老化轨迹的程度，反映了其大脑衰老的提前或延后程度。现已被证明，老年人大脑年龄与真实年龄差距越大，则其精神或身体出现问题的风险越高，也更容易早逝。在临床上，医生可使用这一指标，评估老年人的大脑衰老程度，并采取相应的干预措施。

目前以结构磁共振影像预测大脑年龄的方法，主要以传统机器学习方法为主。在建立预测模型时，需要对大脑结构磁共振影像进行大量的预处理及特征提取工作。目前，常用于大脑年龄预测的特征有：灰度密度图(Grey matter density map,GMD)、白质密度图(White matter density map,WMD)、白质体积、皮层厚度、网络特征参数等。提取的特征维度可能从数十维到上百维。因此，在利用传统机器学习方法建立大脑年龄预测模型过程中，往往需要进行特征选择或特征降维等步骤。例如，基于GMD特征，高斯回归过程、支持向量机等机器学习模型可用于预测大脑年龄，但由于基于GMD的模型具有特征维度高的缺点，所构建的模型容易过拟合，泛化能力差。另外，图像特征的提取易受到诸多因素的影响，例如：在GMD特征生成过程中就涉及图像平滑、体素大小等可选参数，这些参数对特征提取乃至大脑年龄预测的结果都有很大的影响。

此外，卷积神经网络正被尝试用于大脑年龄预测中，但不同于自然图像，结构磁共振影像是一种三维的图像，而且训练样本量远小于自然图像，因此这对于卷积神经网络结构的结构提出了较高的挑战，要求卷积神经网络能对磁共振影像中所包含的信息进行充分的提取和利用。而目前应用于大脑年龄预测任务的卷积神经网络均过于传统，仅使用了卷积+池化+全连接的结构，对特征的提取及利用效率都有待提高。

发明内容

本发明旨在提供一种基于结构磁共振影像的大脑年龄深度学习预测系统，通过卷积神经网络，基于结构磁共振影像对老年人大脑年龄进行预测。本发明将卷积网络视作一种高维特征提取器，对复杂的大脑结构磁共振影像的特征信息进行分层次表征描述，先表示出底层的特征，然后将这些低层特征组合得到更为细致丰富的高层特征进行表达，高效地提炼出有效特征，以此评估当前大脑所处的衰老阶段，即“大脑年龄”。本发明在传统卷积网络的基础上提出AGE-DenseNet网络结构，能够大大提高特征的利用效率，获得优异的大脑年龄预测效果。本发明分析速度快，泛化能力强，且具有实用性、易用性。

本发明提供了一种基于结构磁共振影像的大脑年龄深度学习预测系统，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；