基于深度学习和磁共振结构脑影像的脑龄预测方法

1.本发明属于神经科学和深度学习领域，具体涉及一种基于深度学习和磁共振结构脑影像的脑龄预测方法、系统、设备。


背景技术：

2.脑龄预测有助于研究大脑的发育、发展和老化以及在临床上对老年痴呆进行及时的干预，为个性化治疗建立基础，使得未来进一步的精准医疗成为可能。目前预测人脑年龄的方法，绝大多数回归方法都是基于图谱的机器学习方法，这主要是因为先验图谱、机器学习方法具有较好的可解释性，在数学上也有许多良好的性质，但需要谨慎地选择特征以防止过拟合；近年来也有越来越多的方法是基于深度学习进行大跨度脑龄预测，现有利用深度学习模型进行脑龄预测的研究，仍以传统监督学习范式为主，较少地结合最新技术，且参数量较大、占用空间较大，不便于在实践中部署。基于此，本发明提出了一种基于深度学习和磁共振结构脑影像的脑龄预测方法。


技术实现要素：

3.为了解决现有技术中的上述问题，即为了解决现有的脑龄预测方法以传统的监督学习范式为主，导致参数量、占用空间较大且预测精度低的问题，本发明第一方面，提出了一种基于深度学习和磁共振结构脑影像的脑龄预测方法，该方法包括：
4.s100，获取被测对象的磁共振t1结构图像，作为输入图像；
5.s200，对所述输入图像进行预处理，得到预处理后的图像；
6.s300，基于所述预处理后的图像，通过训练好的深度学习预测模型，得到脑龄预测结果；
7.所述深度学习预测模型基于fork-se网络、全连接层分类器构建；
8.所述fork-se网络基于依次连接的9个fork-se单位模块、avgpool层和dropout层构建；所述fork-se网络用于提取输入图像的高维空间特征向量；
9.所述fork-se单位模块基于卷积分支单元、se模块、relu激活函数构建；所述卷积分支单元包括三个分支，其中两个是卷积分支、一个是短路结构分支，每个分支后连接一个bn层；当fork-se单位模块的卷积步长为设定步长时，将fork-se单位模块的输入与两个卷积分支的输出进行相加，作为se模块的输入，否则，将两个卷积分支的输出进行相加，作为se模块的输入；所述卷积分支的输入为fork-se单位模块的输入；
10.所述se模块基于依次连接的avgpool层、conv层、relu激活函数、conv层、sigmoid激活函数构建；
11.所述全连接层分类器基于dnn神经网络、softmax层构建；所述全连接层分类器用于基于所述高维空间特征向量得到所述输入图像对应的脑龄预测结果。
12.在一些优选的实施方式中，所述预处理包括去头皮、灰度矫正、空间配准、降噪、裁切脑部区域。
13.在一些优选的实施方式中，所述fork-se网络中的9个fork-se单位模块，除第一个外，其余两两为一组；各组内的fork-se单位模块的卷积核尺寸均为3，且卷积步长由2到1递减，即各组内的第一个fork-se单位模块的卷积步长为2，第二个fork-se单位模块的卷积步长为1。
14.在一些优选的实施方式中，所述se模块，其特征处理过程为：
15.获取se模块的输入，依次通过avgpool层、conv层、relu激活函数、conv层、sigmoid激活函数进行处理，处理后与se模块的输入进行相乘，作为se模块的输出。
16.在一些优选的实施方式中，所述深度学习预测模型，其训练方法为：
17.a100，获取训练样本，构建训练集；所述训练样本包括磁共振t1结构图像及其对应的真实脑龄标签；
18.a200，从所述训练样本集中随机选取任意两张磁共振t1结构图像，分别作为第一图像、第二图像；并对第一图像、第二图像进行预处理；
19.a300，通过第一模型的fork-se网络提取预处理后的第一图像的高维空间特征向量，作为第一特征向量；通过第二模型的fork-se网络提取预处理后的第二图像的高维空间特征向量，作为第二特征向量；所述第一模型、所述第二模型均基于深度学习预测模型构建；
20.a400，将所述第一特征向量输入第一模型的全连接层分类器，得到第一脑龄预测结果；将所述第二特征向量输入第二模型的全连接层分类器，得到第二脑龄预测结果；
21.a500，基于所述第一脑龄预测结果以及第一图像对应的真实脑龄标签，通过kl散度损失函数得到损失值，作为第一损失；基于所述第二脑龄预测结果以及第二图像对应的真实脑龄标签，通过kl散度损失函数得到损失值，作为第二损失；
22.a600，基于所述第一特征向量、所述第二特征向量，结合第一图像对应的真实脑龄标签、第二图像对应的真实脑龄标签，通过预构建的对比损失函数，得到第三损失；
23.a700，将所述第一损失、所述第二损失、所述第三损失进行加权求和，得到总损失，进而对深度学习预测模型进行模型参数更新；
24.a800，循环a200-a800，直至得到训练好的深度学习预测模型。
25.在一些优选的实施方式中，在深度学习预测模型训练的过程中，所述第一模型与所述第二模型的参数共享。
26.在一些优选的实施方式中，所述对比损失函数为：
[0027][0028]
其中，表示对比损失函数，zi，zj分别表示训练样本经过第一模型、第二模型的fork-se网络输出的高维空间特征向量，即第一特征向量、第二特征向量，yu，yj分别表示第一图像对应的真实脑龄标签、第二图像对应的真实脑龄标签，f表示高位空间特征向量的后处理，此处为恒等映射，m表示预设的惩罚阈值。
[0029]
本发明的第二方面，提出了一种基于深度学习和磁共振结构脑影像的脑龄预测系
统，包括：图像获取模块、预处理模块、脑龄预测模块；
[0030]
所述图像获取模块，配置为获取被测对象的磁共振t1结构图像，作为输入图像；
[0031]
所述预处理模块，配置为对所述输入图像进行预处理，得到预处理后的图像；
[0032]
所述脑龄预测模块，配置为基于所述预处理后的图像，通过训练好的深度学习预测模型，得到脑龄预测结果；
[0033]
所述深度学习预测模型基于fork-se网络、全连接层分类器构建；
[0034]
所述fork-se网络基于依次连接的9个fork-se单位模块、avgpool层和dropout层构建；所述fork-se网络用于提取输入图像的高维空间特征向量；
[0035]
所述fork-se单位模块基于卷积分支单元、se模块、relu激活函数构建；所述卷积分支单元包括三个分支，其中两个是卷积分支、一个是短路结构分支，每个分支后连接一个bn层；当fork-se单位模块的卷积步长为设定步长时，将fork-se单位模块的输入与两个卷积分支的输出进行相加，作为se模块的输入，否则，将两个卷积分支的输出进行相加，作为se模块的输入；所述卷积分支的输入为fork-se单位模块的输入；
[0036]
所述se模块基于依次连接的avgpool层、conv层、relu激活函数、conv层、sigmoid激活函数构建；
[0037]
所述全连接层分类器基于dnn神经网络、softmax层构建；所述全连接层分类器用于基于所述高维空间特征向量得到所述输入图像对应的脑龄预测结果。
[0038]
本发明的第三方面，提出了一种电子设备，包括：至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的基于深度学习和磁共振结构脑影像的脑龄预测方法。
[0039]
本发明的第四方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现上述的基于深度学习和磁共振结构脑影像的脑龄预测方法。
[0040]
本发明的有益效果：
[0041]
本发明实现了高精度的脑龄预测，并大幅度地减少了模型的参数量和占用空间。
[0042]
1)本发明对被试的数据要求低，只要求磁共振结构图像(t1图像)，这是磁共振脑图像里所需时间最短的图像模态，不需要进一步计算皮层厚度、复杂度等细节信息，减少了后续计算所引入的噪声和不确定性；
[0043]
2)本发明结合了传统的监督学习范式和度量学习范式，同时采用了标签平滑作为正则化手段对模型进行训练，能在保证模型具有更高精度的情况下，还能大幅度地较少模型参数量和所占用的空间，即最大程度地利用脑组织的结构影像特征，若有新的脑结构影像数据信息输入至该深度学习模型中，则可较快地得到估计的脑龄，减少了系统的工作量，降低了系统的选择复杂度。进而使得本发明方法能够覆盖大跨度的成年人脑龄范围(18-90岁)，克服了依赖功能活动的脑信号采集的复杂性，且可以保证更高的预测精度。
附图说明
[0044]
通过阅读参照以下附图所做的对非限制性实施例所做的详细描述，本技术的其他特征、目的和优点将会变得更明显。
[0045]
图1是本发明一种实施例的基于深度学习和磁共振结构脑影像的脑龄预测方法的流程示意图；
[0046]
图2是本发明一种实施例的基于深度学习和磁共振结构脑影像的脑龄预测系统的框架示意图；
[0047]
图3是本发明一种实施例的深度学习预测模型的训练过程的简略示意图；
[0048]
图4是本发明一种实施例的深度学习预测模型的训练过程的详细示意图；
[0049]
图5是本发明一种实施例的适于用来实现本技术实施例的电子设备的计算机系统的结构示意图。
具体实施方式
[0050]
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0051]
下面结合附图和实施例对本技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
[0052]
需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
[0053]
本发明的基于深度学习和磁共振结构脑影像的脑龄预测方法，如图1所示，包括以下步骤：
[0054]
s100，获取被测对象的磁共振t1结构图像，作为输入图像；
[0055]
s200，对所述输入图像进行预处理，得到预处理后的图像；
[0056]
s300，基于所述预处理后的图像，通过训练好的深度学习预测模型，得到脑龄预测结果；
[0057]
所述深度学习预测模型基于fork-se网络、全连接层分类器构建；
[0058]
所述fork-se网络基于依次连接的9个fork-se单位模块、avgpool层和dropout层构建；所述fork-se网络用于提取输入图像的高维空间特征向量；
[0059]
所述fork-se单位模块基于卷积分支单元、se模块、relu激活函数构建；所述卷积分支单元包括三个分支，其中两个是卷积分支、一个是短路结构分支，每个分支后连接一个bn层；当fork-se单位模块的卷积步长为设定步长时，将fork-se单位模块的输入与两个卷积分支的输出进行相加，作为se模块的输入，否则，将两个卷积分支的输出进行相加，作为se模块的输入；所述卷积分支的输入为fork-se单位模块的输入；
[0060]
所述se模块基于依次连接的avgpool层、conv层、relu激活函数、conv层、sigmoid激活函数构建；
[0061]
所述全连接层分类器基于dnn神经网络、softmax层构建；所述全连接层分类器用于基于所述高维空间特征向量得到所述输入图像对应的脑龄预测结果。
[0062]
为了更清晰地对本发明基于深度学习和磁共振结构脑影像的脑龄预测系统进行说明，下面结合附图3对本发明方法一种实施例中各步骤进行展开详述。
[0063]
在下述实施例中，先对深度学习预测模型的训练过程进行详述，再对基于深度学习和磁共振结构脑影像的脑龄预测方法获取脑龄预测结果的过程进行详述。
[0064]
1、深度学习预测模型的训练过程
[0065]
本发明在度量学习范式下，训练阶段每次随机抽样两个样本，将两个样本同时输入模型网络结构，通过共享网络参数的方式保持上文的传统监督学习范式不受影响，同时将fork-se网络输出的样本对的高维空间特征向量表示提取出来，计算样本对之间的对比损失，根据误差更新调整fork-se网络的参数，这一过程与上文的传统监督学习范式同步进行。具体训练过程如下：
[0066]
a100，获取训练样本，构建训练集；所述训练样本包括磁共振t1结构图像及其对应的真实脑龄标签；
[0067]
在本实施例中，获取磁共振t1结构图像及其对应的真实脑龄标签，作为训练样本，构建训练集。
[0068]
a200，从所述训练样本集中随机选取任意两张磁共振t1结构图像，分别作为第一图像、第二图像；并对第一图像、第二图像进行预处理；
[0069]
在本实施例中，从训练样本集中选取两张不相同的t1结构图像，作为第一图像、第二图像，如图4中的训练样本1、训练样本2。对随机选取的两张图像进行预处理，包括去头皮(使用spm工具箱或其它预处理软件操作进行去头皮)、灰度矫正、空间配准、降噪、裁切脑部区域(对脑部区域进行裁切使得剩余的数据中尽可能包含脑组织)等操作。
[0070]
另外，预处理后，可以直接使用此时得到的脑影像作为下文网络结构的输入，这样可以使整个流程更加快速，但会牺牲一定的精度；也可以基于预处理后的图像对脑组织进行精细分割，分割出并保留脑灰质皮层，得到关于全脑体素的灰质体积(如图3所示)特征，这样可以使模型更加精确，但会牺牲一定的速度。具体根据实际情况进行选定。
[0071]
a300，通过第一模型的fork-se网络提取预处理后的第一图像的高维空间特征向量，作为第一特征向量；通过第二模型的fork-se网络提取预处理后的第二图像的高维空间特征向量，作为第二特征向量；所述第一模型、所述第二模型均基于深度学习预测模型构建；
[0072]
在本实施例中，深度学习预测模型由fork-se网络和全连接层分类器组成。fork-se网络的构成思路和泛化的可靠性来源于repvgg网络的研究(ding x.,zhang x.,ma n.,han j.,ding g.,sun j.,2021.repvgg:making vgg-style convnets great again.proceedings of the ieee/cvf conference on computer vision and pattern recognition,pp.13733-13742.)。fork-se网络结合了inception(szegedy c.,ioffe s.,vanhoucke v.,alemi a.a.,2017.inception-v4,inception-resnet and the impact of residual connections on learning.thirty-first aaai conference on artificial intelligence.)启发的多分支结构、resnet(he k.,zhang x.,ren s.,sun j.,2016.deep residual learning for image recognition.proceedings of the ieee conference on computer vision and pattern recognition,pp.770-778.)启发的短路结构和senet(hu j.,shen l.,sun g.,2018.squeeze-and-excitation networks.proceedings of the ieee conference on computer vision and pattern recognition,pp.7132-7141.)启发的自适应注意力机制等技术。
[0073]
如图4所示，fork-se网络结构由9个fork-se单位模块(block)、avgpool层(平均池化层)、dropout层组成，每个fork-se单位模块有三个在模块间变化的超参数，分别是通道数c、卷积核尺寸k和卷积步长s，除第1个fork-se单位模块外，后8个fork-se单位模块可根据通道数超参数两两分为4组通道相同的stage，每个stage内卷积步长超参数由2到1递减，卷积核尺寸超参数均为3。在fork-se单位模块内部，由3条分支路径与路径合并后的se模块(se block)组成，3条路径参考了inception的多分支结构，其中第1条卷积路径(conv)受到各个fork-se单位模块的超参数影响(即第一条分支的通道数c、卷积核尺寸k和卷积步长s根据fork-se单位模块的通道数c、卷积核尺寸k和卷积步长s变化，其中，图4中c、k、s即表示变化)，而第2条卷积路径始终为卷积核尺寸为1的卷积层，第3条路径在卷积步长超参数为设定步长时是resnet的短路结构，本发明优选设置为1，当步长超参数非1时取消该通路，因为3条路径合并时采用加法而非特征拼接，超参数非1时输入fork-se单位模块的输入特征图会与经过另两条卷积层的输出特征图无法相加(即当fork-se单位模块的卷积步长为设定步长时，将fork-se单位模块的输入与两个卷积分支的输出进行相加，作为se模块的输入，否则，将两个卷积分支的输出进行相加，作为se模块的输入；所述卷积分支的输入为fork-se单位模块的输入)，3条路径合并时采用加法可以减少空间占用，同时将不同尺寸提取的特征融合，提高信息密度，此外3条路径后都添加了bn层(在图4中被省略了，例如，第一条卷积路径在对输出入进行卷积处理后，然后通过bn层进行批量归一化处理，处理后作为第一条卷积路径的输出)。
[0074]
se模块基于依次连接的avgpool层、conv层、relu激活函数、conv层、sigmoid激活函数构建；其对特征处理过程为：
[0075]
获取se模块的输入，依次通过avgpool层、conv层、relu激活函数、conv层、sigmoid激活函数进行处理，处理后与se模块的输入进行相乘，作为se模块的输出。
[0076]
图4中的se模块与senet论文中的区别在于其非线性不是由全连接层实现的，而是由卷积层实现，从而减小参数量和计算量，且经过16倍压缩通道数对信息进行更密集地提取，进一步提高信息密度。经过所有的fork-se单位模块后，对每个通道进行平均池化得到一组一维向量，作为样本在高维空间的表示，该向量将被输入后面的全连接层分类器。
[0077]
se模块的输出，经过relu激活函数处理后，得到fork-se单位模块的输出。其中，图4中的参数p表示填充的像素数。
[0078]
然后，在本发明中基于深度学习预测模型分别构建第一模型、第二模型，即第一图像和第二图像输入的模型。第一模型与第二模型的参数共享。
[0079]
通过第一模型的fork-se网络提取所述第一图像的高维空间特征向量，作为第一特征向量；通过第二模型的fork-se网络提取所述第二图像的高维空间特征向量，作为第二特征向量。
[0080]
a400，将所述第一特征向量输入第一模型的全连接层分类器，得到第一脑龄预测结果；将所述第二特征向量输入第二模型的全连接层分类器，得到第二脑龄预测结果；
[0081]
a500，基于所述第一脑龄预测结果以及第一图像对应的真实脑龄标签，通过kl散度损失函数得到损失值，作为第一损失；基于所述第二脑龄预测结果以及第二图像对应的真实脑龄标签，通过kl散度损失函数得到损失值，作为第二损失；
[0082]
在本实施例中，全连接层分类器由dnn和softmax组成。在训练阶段使用softmax函
数将输出转换为一个表示样本处于不同脑龄段预测概率的向量，从而能够使用kl散度作为目标函数(即kl散度损失函数)度量真实脑龄概率分布和预测脑龄概率分布之间差异的损失，进而通过梯度反向传播更新fork-se网络和dnn中的参数。而在验证和测试阶段，softmax函数的输出将通过脑龄加权平均来得到最终预测值。
[0083]
为使模型收敛，本发明在监督学习范式中使用了标签平滑技术，将真实的脑龄标签转化为以该标量值为均值的正态分布，从而能够通过计算kl散度来度量各区间预测概率与软标签之间的分布差异。
[0084]
具体为：基于第一脑龄预测结果以及第一图像对应的真实脑龄标签(即图4中的训练样本1的脑龄)，通过kl散度损失函数得到损失值，作为第一损失；基于第二脑龄预测结果以及第二图像对应的真实脑龄标签((即图4中的训练样本2的脑龄)，通过kl散度损失函数得到损失值，作为第二损失。
[0085]
在其他实施例中，也可以选取交叉熵函数计算第一损失、第二损失。
[0086]
a600，基于所述第一特征向量、所述第二特征向量，结合第一图像对应的真实脑龄标签、第二图像对应的真实脑龄标签，通过预构建的对比损失函数，得到第三损失；
[0087]
在本实施例中，将fork-se网络输出的样本对的高维空间特征向量提取出来，计算样本对之间的对比损失，根据误差(即图4中的绝对值差)更新调整fork-se网络的参数，这一过程与上文的传统监督学习范式同步进行。
[0088]
对比损失函数具体如公式(1)所示：
[0089][0089][0090]
其中，表示对比损失函数，zi，zj分别表示训练样本经过第一模型、第二模型的fork-se网络输出的高维空间特征向量，即第一特征向量、第二特征向量，yi，yj分别表示第一图像对应的真实脑龄标签、第二图像对应的真实脑龄标签，f表示高位空间特征向量的后处理，此处为恒等映射，m表示预设的惩罚阈值，即确定来自不同对的训练样本进行惩罚的阈值。
[0091]
a700，将所述第一损失、所述第二损失、所述第三损失进行加权求和，得到总损失，进而对深度学习预测模型进行模型参数更新；
[0092]
a800，循环a200-a800，直至得到训练好的深度学习预测模型。
[0093]
在本实施例中，采用梯度下降法最小化监督学习范式和度量学习范式的损失函数(即第一损失、所述第二损失、第三损失进行加权求和得到的总损失)，且因每次训练选取的是训练数据集中的部分数据，则每次计算一小部分训练数据的损失函数，同时在训练过程中逐渐以0.5或其它比例减小学习率，训练速度比较快，大大缩减了收敛所需的迭代次数，且可以使收敛的结果更加接近梯度下降的效果。若损失函数收敛到最小值或者迭代训练达到预设次数了，结束训练，获得训练好的脑龄预测的深度学习模型。
[0094]
2、基于深度学习和磁共振结构脑影像的脑龄预测方法
[0095]
s100，获取被测对象的磁共振t1结构图像，作为输入图像；
[0096]
在本实施例中，先获取磁共振t1结构图像。
[0097]
s200，对所述输入图像进行预处理，得到预处理后的图像；
[0098]
在本实施例中，对磁共振t1结构图像进行预处理，预处理包括去头皮、灰度矫正、空间配准、降噪、裁切脑部区域。
[0099]
s300，基于所述预处理后的图像，通过训练好的深度学习预测模型，得到脑龄预测结果。
[0100]
在本实施例中，将预处理后的图像，输入上述训练好的深度学习预测模型，得到脑龄预测结果。
[0101]
该发明方法在脑龄预测方面能够达到较好的精度。之后可以通过可视化方法提取网络权重，从而进行性别差异及脑区对脑龄预测贡献的研究，以此判断该被试者在脑区局部水平以及全脑水平是发育迟缓或老化过快等，此外还可以进一步分析脑龄残差和认知能力的关系。
[0102]
本发明第二实施例的一种基于深度学习和磁共振结构脑影像的脑龄预测系统，如图2所示，包括：图像获取模块100、预处理模块200、脑龄预测模块300；
[0103]
所述图像获取模块100，配置为获取被测对象的磁共振t1结构图像，作为输入图像；
[0104]
所述预处理模块200，配置为对所述输入图像进行预处理，得到预处理后的图像；
[0105]
所述脑龄预测模块300，配置为基于所述预处理后的图像，通过训练好的深度学习预测模型，得到脑龄预测结果；
[0106]
所述深度学习预测模型基于fork-se网络、全连接层分类器构建；
[0107]
所述fork-se网络基于依次连接的9个fork-se单位模块、avgpool层和dropout层构建；所述fork-se网络用于提取输入图像的高维空间特征向量；
[0108]
所述fork-se单位模块基于卷积分支单元、se模块、relu激活函数构建；所述卷积分支单元包括三个分支，其中两个是卷积分支、一个是短路结构分支，每个分支后连接一个bn层；当fork-se单位模块的卷积步长为设定步长时，将fork-se单位模块的输入与两个卷积分支的输出进行相加，作为se模块的输入，否则，将两个卷积分支的输出进行相加，作为se模块的输入；所述卷积分支的输入为fork-se单位模块的输入；
[0109]
所述se模块基于依次连接的avgpool层、conv层、relu激活函数、conv层、sigmoid激活函数构建；
[0110]
所述全连接层分类器基于dnn神经网络、softmax层构建；所述全连接层分类器用于基于所述高维空间特征向量得到所述输入图像对应的脑龄预测结果。
[0111]
需要说明的是，上述实施例提供的基于深度学习和磁共振结构脑影像的脑龄预测系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
[0112]
本发明第三实施例的一种基于深度学习和磁共振结构脑影像的脑龄预测装置，包括采集设备、中央处理设备；
[0113]
所述采集设备包括磁共振成像设备，用于获取被测对象的磁共振t1结构图像，作为输入图像；
[0114]
所述中央处理设备包括gpu，配置为对输入图像进行预处理，得到预处理后的图像；基于预处理后的图像，通过训练好的深度学习预测模型，得到脑龄预测结果；
[0115]
所述深度学习预测模型基于fork-se网络、全连接层分类器构建；
[0116]
所述fork-se网络基于依次连接的9个fork-se单位模块、avgpool层和dropout层构建；所述fork-se网络用于提取输入图像的高维空间特征向量；
[0117]
所述fork-se单位模块基于卷积分支单元、se模块、relu激活函数构建；所述卷积分支单元包括三个分支，其中两个是卷积分支、一个是短路结构分支，每个分支后连接一个bn层；当fork-se单位模块的卷积步长为设定步长时，将fork-se单位模块的输入与两个卷积分支的输出进行相加，作为se模块的输入，否则，将两个卷积分支的输出进行相加，作为se模块的输入；所述卷积分支的输入为fork-se单位模块的输入；
[0118]
所述se模块基于依次连接的avgpool层、conv层、relu激活函数、conv层、sigmoid激活函数构建；
[0119]
所述全连接层分类器基于dnn神经网络、softmax层构建；所述全连接层分类器用于基于所述高维空间特征向量得到所述输入图像对应的脑龄预测结果。
[0120]
本发明第四实施例的一种电子设备，包括：至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的基于深度学习和磁共振结构脑影像的脑龄预测方法。
[0121]
本发明第五实施例的一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现上述的基于深度学习和磁共振结构脑影像的脑龄预测方法。
1.所述技术领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的基于深度学习和磁共振结构脑影像的脑龄预测装置、电子设备、计算机可读存储介质的具体工作过程及有关说明，可以参考前述方法实例中的对应过程，在此不再赘述。
2.下面参考图5，其示出了适于用来实现本技术方法、系统、装置实施例的服务器的计算机系统的结构示意图。图5示出的服务器仅仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
3.如图5所示，计算机系统包括中央处理单元(cpu，central processing unit)501，其可以根据存储在只读存储器(rom，read only memory)502中的程序或者从存储部分508加载到随机访问存储器(ram，random access memory)503中的程序而执行各种适当的动作和处理。在ram 503中，还存储有系统操作所需的各种程序和数据。cpu501、rom 502以及ram503通过总线504彼此相连。输入/输出(i/o，input/output)接口505也连接至总线504。
4.以下部件连接至i/o接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(crt，cathode ray tube)、液晶显示器(lcd，liquid crystal display)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如lan(局域网，local area network)卡、调制解调器等的网络接口卡的通讯部分509。通讯部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至i/o接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算
机程序根据需要被安装入存储部分508。
5.特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通讯部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(cpu501执行时，执行本技术的方法中限定的上述功能。需要说明的是，本技术上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本技术中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本技术中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
6.可以以一种或多种程序设计语言或其组合来编写用于执行本技术的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
7.附图中的流程图和框图，图示了按照本技术各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
8.术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺
序或先后次序。
9.术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
10.至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。