[发明专利]基于结构磁共振影像的大脑年龄级联精炼预测方法及系统

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级联精炼预测方法及系统。该大脑年龄预测方法包括：获取包括健康人的大脑结构磁共振影像、性别标签和真实年龄的训练样本集；构建两阶段级联精炼网络，其中第一阶段网络和第二阶段网络均为多尺度紧密连接网络；第一阶段网络的输出连接第二阶段网络的输入；基于训练样本集，采用反向传播算法及梯度下降算法对两阶段级联精炼网络进行训练，得到大脑年龄预测模型；采用交叉验证法对大脑年龄预测模型进行验证，得到验证后的大脑年龄预测模型；将测试集输入至验证后的大脑年龄预测模型中，得到大脑年龄预测结果；测试集包括待测人的大脑结构磁共振影像和性别标签。本发明能提高大脑年龄的预测准确度。

技术领域

本发明涉及大脑年龄预测技术领域，特别是涉及一种基于结构磁共振影像的大脑年龄级联精炼预测方法及系统。

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显著加快，需要提供一些方法来量化这种异常的大脑衰老速度，以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，甚至可以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 densitymap，GMD)、白质密度图(White matterdensitymap，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，该方法同样存在几点不足：(1)结构磁共振影像不同于自然图像，它是一种三维的图像，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。(2)在使用反向传播算法对卷积神经网络中的大量参数进行优化的过程中，现有方法仅使用每个样本真实年龄与预测大脑年龄的均值绝对误差(MAE)或均方误差(MSE)作为损失函数。因此，基于传统的卷积神经网络的大脑年龄预测方法存在预测准确性低的问题。

发明内容

基于此，有必要提供一种基于结构磁共振影像的大脑年龄级联精炼预测方法及系统，以提高大脑年龄的预测准确度。

为实现上述目的，本发明提供了如下方案：

一种基于结构磁共振影像的大脑年龄级联精炼预测方法，包括：

获取训练样本集；所述训练样本集包括健康人的大脑结构磁共振影像、性别标签和真实年龄；所述健康人为身体状况达到设定健康标准的人；