[發(fā)明專(zhuān)利]一種基于神經(jīng)影像的大腦年齡估計(jì)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201910162753.5
• 申請(qǐng)日: 2019-03-05
• 公開(kāi)（公告）號(hào): CN109993210A
• 公開(kāi)（公告）日: 2019-07-09
• 發(fā)明（設(shè)計(jì)）人: 林嵐;田苗;吳玉超;吳水才
• 申請(qǐng)（專(zhuān)利權(quán)）人: 北京工業(yè)大學(xué)
• 主分類(lèi)號(hào): G06K9/62
• 分類(lèi)號(hào): G06K9/62;G06N3/04;G06T7/00;G06T7/11
• 代理公司: 北京思海天達(dá)知識(shí)產(chǎn)權(quán)代理有限公司 11203
• 代理人: 劉萍

1.一種基于神經(jīng)影像評(píng)估大腦年齡的方法，其特征在于包括以下步驟：

步驟1:建立神經(jīng)影像數(shù)據(jù)集；

步驟2:神經(jīng)影像預(yù)處理；

步驟3:特征的提取；

步驟4:特征池化及降維；

步驟5:特征選擇及模型構(gòu)建；

其中，步驟2具體為：

2.1 對(duì)于神經(jīng)影像圖像做圖像格式標(biāo)準(zhǔn)化、圖像對(duì)齊、腦圖像組織分割、空間標(biāo)準(zhǔn)化以及高斯平滑處理；

2.2 將2.1中得到的三維灰質(zhì)密度圖像從橫截面進(jìn)行二維提取，得到若干張色彩存儲(chǔ)格式為RGB的PNG圖像；

步驟3具體為：

選取經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)AlexNet，提取出該網(wǎng)絡(luò)卷積第三、四、五卷積層的特征；

步驟4具體為：

對(duì)于步驟3中所提取的特征采用最大池化的算法來(lái)進(jìn)行重疊池化；對(duì)于池化后所得的特征再進(jìn)行PCA降維；

步驟5具體為：

5.1 采用所有數(shù)據(jù)的80％作為訓(xùn)練集，20％作為測(cè)試集；訓(xùn)練集50％的數(shù)據(jù)進(jìn)行五折交叉驗(yàn)證，利用相關(guān)向量回歸RVR算法，以平均絕對(duì)誤差MAE為評(píng)估指標(biāo)，選擇特征數(shù)量；

5.2 基于最佳卷積層特征及該層最佳特征數(shù)量，采用RVR算法得到大腦的預(yù)測(cè)年齡與真實(shí)年齡的估值差。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于：

將神經(jīng)影像圖像格式標(biāo)準(zhǔn)化為NIFTI醫(yī)學(xué)圖像格式，對(duì)于所有圖像做對(duì)齊，隨后將圖像分割為灰質(zhì)、白質(zhì)、腦脊液，選取灰質(zhì)圖像做空間標(biāo)準(zhǔn)化，最后配準(zhǔn)到MNI空間，選取6*6*6的高斯核進(jìn)行圖像平滑，體素大小1.5*1.5*1.5，得到大小為256*256*76的三維MRI圖像；對(duì)于得到的三維圖像再做橫截面切割，每個(gè)樣本變?yōu)?6張256*256的二維圖片。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于：

深度卷積神經(jīng)網(wǎng)絡(luò)總共8層，包括了5個(gè)卷積層和3個(gè)全連接層，在第1、2、5層卷積后添加了池化層，在第二層后加了標(biāo)準(zhǔn)化，第一個(gè)卷積層使用較大的卷積核11*11，步長(zhǎng)為4，有96個(gè)卷積核，第二個(gè)卷積層使用5*5的卷積核，步長(zhǎng)為1，有256個(gè)卷積核，第3、4、5個(gè)卷積層均采用3*3的卷積核，步長(zhǎng)均為1，對(duì)應(yīng)的卷積核分別為384、384、256；

在第三、四卷積層特征提取后加上了池化處理，以步長(zhǎng)為2，核大小為3*3的重疊池化方式進(jìn)行了下采樣，降低了特征維度；隨后，采用無(wú)監(jiān)督降維方法PCA進(jìn)行降維處理。