[發(fā)明專利]基于雙線性融合與注意力機制的腦齡預測模型及方法

有效

• 申請?zhí)枺?/td>: 202010362228.0
• 申請日: 2020-04-30
• 公開（公告）號: CN111640500B
• 公開（公告）日: 2023-09-05
• 發(fā)明（設計）人: 李展;樊青晨;王凱凱;毋婷婷;彭進業(yè);趙國英;楊溪;溫超
• 申請（專利權）人: 西北大學
• 主分類號: G16H50/30
• 分類號: G16H50/30;G06V10/80;G06V10/82;G06N3/0464;G06N3/045;G06N3/08
• 代理公司: 西安恒泰知識產權代理事務所 61216
• 代理人: 李婷;趙中霞

本發(fā)明公開了一種基于注意力機制和雙線性融合的腦齡預測模型及方法，該方法通過3D?CNN網絡提取圖像的特征；然后為了更好的豐富每個像素點的特征表達能力對提取后的圖像特征進行雙線性融合處理；同時由于注意力機制可以捕獲影響腦齡的關鍵特征信息，降低與腦齡無關的特征信息關注度，所以將雙線性融合處理后的圖像特征輸入到Attention層，獲得圖像的注意力權重，基于注意力權重，獲得圖像的注意力；最后將圖像特征送入到全連接層，進行大腦年齡回歸預測。本發(fā)明利用注意力機制和雙線性融合結合的方法提高了大腦年齡預測的準確性。

技術領域

本發(fā)明屬于信息技術領域，涉及圖像處理、數(shù)據(jù)處理，醫(yī)學圖像處理，具體涉及一種基于雙線性融合與注意力機制的腦齡預測模型及方法。

背景技術

腦齡是健康的一個重要指標，因為異常的腦齡大小會導致認知障礙和神經退行性疾病的風險。因此，越來越多的研究人員試圖研究腦老化與疾病之間的相互作用，并利用腦磁共振成像(MRI)等神經影像學技術探索個體大腦中被稱為“腦齡”的生物標志物，并證實了大腦年齡在神經科學和臨床醫(yī)學中具有重要的價值。腦年齡偏離，就是預測與健康大腦正常衰老的偏差。當預測的腦齡大于個體的實足年齡,就會患有認知障礙，糖尿病，精神分裂和癲癇等疾病的風險。

腦MRI是一種三維圖像，但近年來傳統(tǒng)的腦年齡預測方法的研究主要集中在二維圖像分析上，將三維圖像作為一組獨立的二維切片。這些方法忽略了三維MRI數(shù)據(jù)之間的內在聯(lián)系，造成圖像空間特征損失，使得它們的特征表示能力較差。傳統(tǒng)的腦齡預測方法通常是從大腦MRI中獲取灰質(GM),白質(WM)，腦脊液(CSF),皮質厚度和表面曲率等特征,然后構造一個相似矩陣,最后回歸預測大腦年齡,如高斯過程回歸，支持向量回歸等。但是使用這種特定的特征提取方法，會造成特征信息的損失，因為這些特征可能不是專門為提取與大腦年齡相關的信息而設計的。這些傳統(tǒng)的方法，前期數(shù)據(jù)處理繁瑣，預測效果不佳。

發(fā)明內容

針對現(xiàn)有技術中的缺陷和不足，本發(fā)明的目的在于，提供一種基于雙線性融合與注意力機制的腦齡預測模型及方法，有效地利用雙線性融合層處理特征信息表達能力弱的問題，同時利用Attention層，充分考慮到影響腦齡的關鍵特征信息起到重要作用問題，以更好地解決腦齡預測準確度問題。

為達到上述目的，本發(fā)明采取如下的技術方案：

一種基于雙線性融合與注意力機制的腦齡預測模型，包括：

預處理模塊，用于對原始的腦MRI數(shù)據(jù)集進行預處理，得到灰質圖像X作為模型輸入圖像；

3D?CNN特征提取模塊，該特征提取模塊包含4個具有相同結構子層的L1層到L4層；用于對輸入到3D?CNN特征提取模塊中的模型輸入圖像進行圖像特征提取，并將3D?CNN的最后L4層的batch-normalization層輸出的特征矩陣X₄作為圖像特征；

雙線性融合處理模塊，用于對特征矩陣X₄進行處理，將X₄進行轉置，得到新的矩陣B，定義B的公式為：B＝X₄^T·X₄，其中，B為雙線性融合后的特征，X₄^T為X₄的轉置矩陣；

注意力值獲取模塊，用于將新的矩陣B輸入到Attention層，得到圖像特征注意力，注意力機制定義為：

其中，b_v為偏置，和為權重值，h_v為注意力得分，α_v為注意力分布概率；最后產生圖像的注意力值A＝α_v^TB；

回歸預測模塊，用于把得到的圖像注意力值A輸入到全連接層進行回歸分析，得到3D?CNN結合雙線性融合與注意力機制模型。