基于相对熵损失函数卷积神经网络的脑龄预测方法

1.本发明涉及到及脑磁共振图像处理领域，具体来说涉及一种基于相对熵损失函数卷积神经网络的脑龄预测方法。


背景技术：

2.大脑在发育和老化的过程中表现出结构和机能上的有规律的改变，这种改变的模式非常复杂，临床上不可能用肉眼得出结果。在实际应用中，采用脑龄作为度量该过程中的变化模式的指标。
3.目前关于大脑的发育、老化轨迹的研究并没有十分的深入，我们迫切地需要一个高精确度的脑龄预测模型去拟合大脑在发育、老化过程中的变化轨迹。一方面可以帮助我们理解大脑的发育、老化机制，加强我们对于人脑的理解和认识；另一方面，可以将脑龄与实际年龄的差值作为多种精神疾病的疾病标记物，对于精神疾病的早期诊断具有非常重要的临床意义。
4.功能型磁共振成像的应用分为三种情况：(1)扩散成像，人体内的水分子存在布朗运动形式的随机扩散。这种扩散信息与弛豫时间t1、t2是无关的，它能在分子水平上提供功能型的信息。(2)灌注成像，在显微毛细血管层次上的血液动力学成像，传统上是用同位素成像的方法来解决的。在磁共振成像中的平面回波成像方法不仅能同样提供有关的区域脑血流及脑血流量的信息，而且比传统方法具有更高的空间分辨率。(3)任务急活的图像，人体在做某项活动时，大脑皮层特殊的区域中会有相应的反映。用fmri测定大脑血液的氧合水平就能直接进行脑功能的研究。功能磁共振成像的新技术，将正电子发射断层扫描技术和磁共振成像两项技术优势结合起来，通过检验血流进入脑细胞的磁场变化而实现脑功能成像，它给出更精确的结构与功能关系。
5.在现有的基于功能型的脑龄预测模型中，大多采用传统的机器学习方法，这些方法需要经过特征提取、特征选择、训练模型等过程，大量的依赖第三方工具，缺乏端到端的便捷性，且预测精度无法满足临床应用需求。
6.随着深度学习技术的发展，尤其是卷积神经网络，为脑龄预测提供了新的方法。卷积神经网络是一种常见的深度学习网络架构，受生物自然视觉认知机制启发而来。卷积神经网络具备非常优异的特征提取能力，在计算机视觉领域中的各种子任务中都表现出了绝对的优势。


技术实现要素：

7.为了解决上述问题，本发明提供一种基于相对熵损失函数卷积神经网络的脑龄预测方法，所述脑龄预测方法精度高。
8.为了实现以上目的，本发明采用的一种技术方案如下：
9.一种基于相对熵损失函数卷积神经网络的脑龄预测方法，包括以下步骤：
10.步骤1.采集被试的功能型磁共振影像数据形成原始样本集，所述原始样本集的样
本包括被试的功能型磁共振影像数据及对应的被试的实际年龄；
11.步骤2.对原始样本集中功能型磁共振影像数据预处理形成三维的t1图像数据，并将t1图像数据和实际年龄一一对应形成样本集；
12.步骤3.将样本集划分为训练样本集和测试样本集；
13.步骤4.利用训练样本集训练3dcnn形成脑龄预测模型，所述3dnn在训练过程中采用分类网络的相对熵损失函数反向更新3dcnn的网络参数；
14.步骤5.将测试集输入脑龄预测模型得到预测的脑龄。
15.进一步地，所述步骤2中包含以下步骤：
16.步骤21.对原始样本集中功能型磁共振影像数据利用切片时间矫正、头动矫正和空间正则化预处理将噪声信息去除并形成三维图像数据；
17.步骤22.对所述三维图像数据中心化处理形成三维的t1图像数据。
18.进一步地，所述步骤3包含以下步骤：
19.步骤31.将样本训练集中的t1图像数据送入3dcnn的特征提取网络提取特征图；
20.步骤32.将特征图送至3dcnn的分类网络得到各实际年龄标签age
c
的分类概率p
c
，利用得到预测脑龄；
21.步骤33.利用预测脑龄pred和实际年龄age计算相对熵损失函数：其中，n为样本训练集中t1图像数据的个数，利用相对熵损失函数反向更新特征提取网络及分类网络的网络参数，直至达到预设的迭代停止条件。
22.进一步地，所述步骤33中预设的迭代停止条件包含迭代次数或者相对熵损失函数最大阈值。
23.进一步地，所述特征提取网络包含五个特征提取模块，前四个特征提取模块均包含3*3*3的卷积层、批归一化层、relu激活函数层、步长为2的池化层，第五个特征提取模块包含1*1*1的卷积层、批归一化层、relu激活函数层、步长为2的池化层，所述五个特征提取模块的通道数分别为32、64、128、128及32。
24.进一步地，所述批归一化层中的批归一化处理具体为：
25.步骤a.计算经过卷积层后批量t1图像数据的均值μ
β
：
26.步骤b.计算经过卷积层后批量t1图像数据的方差
27.步骤c.规划范处理：
28.本发明的有益效果在于：利用相对熵损失函数反向更新3dcnn的网络参数，同时采用中心化功能型磁共振影像数据中剔除周围无用信息，提高了脑龄预测模型的鲁棒性及预测精度；利用平均绝对误差作为模型精确度的指标，可以发现本发明的脑龄预测方法相对于支持向量回归算法(svr)及深度学习法(dnn)具有更高的精度。
附图说明
29.图1为本技术实施例中一种基于相对熵损失函数卷积神经网络的脑龄预测方法的流程图；
30.图2为本技术实施例中脑龄预测模型的网络架构图。
具体实施方式
31.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，本发明中的第五、五个均是为了说明算法模型中的不同卷积层，没有限定意义。基于本发明中的实施例，本领域技术人员在没有作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。
32.如图2所示，脑龄预测模型对应的3dcnn网络包含特征提取网络及分类网络，所述特征提取网络包含五个特征提取模块，前四个特征提取模块均包含3*3*3的卷积层、批归一化层、relu激活函数层、步长为2的池化层，第五个特征提取模块包含1*1*1的卷积层、批归一化层、relu激活函数层、步长为2的池化层，所述五个特征提取模块的通道数分别为32、64、128、128及32；分类网络包含全连接层及softmax分类器。
33.如图1所述，本实施例中一种基于相对熵损失函数卷积神经网络的脑龄预测方法包括以下步骤：
34.步骤1.采集被试的功能型磁共振影像数据形成原始样本集，所述原始样本集的样本包括被试的功能型磁共振影像数据及对应的被试的实际年龄；
35.步骤2.对原始样本集中功能型磁共振影像数据预处理形成三维的t1图像数据，并将t1图像数据和实际年龄一一对应形成样本集；由于采集的功能型磁共振影像数据存在噪声，因此需要进行去噪处理，同时为了剔除功能型磁共振影像数据中边缘无用的数据需要进行中心化处理，具体包括如下步骤：
36.步骤21.对原始样本集中功能型磁共振影像数据利用切片时间矫正、头动矫正和空间正则化预处理将噪声信息去除并形成61*73*61的三维图像数据；
37.步骤22.对所述三维图像数据中心化处理形成50*50*50的三维t1图像数据。
38.在步骤21中，其中时间矫正slice timing设置为2秒，切片数量slice number设为32；步骤21可以通过脑成像数据处理与分析data processing&analysis for brain imaging去除噪声，将医学数字成像和通信digital imaging and communications in medicine数据转化需要的61*73*61的三维图像数据，上述过程可在dparsfa软件中实现。
39.步骤3.将样本集划分为训练样本集和测试样本集；具体包括如下步骤：
40.步骤31.将样本训练集中的t1图像数据送入3dcnn的特征提取网络提取特征图；
41.步骤32.将特征图送至3dcnn的分类网络得到各实际年龄标签age
c
的分类概率p
c
，利用得到预测脑龄；
42.步骤33.利用预测脑龄pred和实际年龄age计算相对熵损失函数：其中，n为样本训练集中t1图像数据的个数，利用相对熵损失函数
反向更新特征提取网络及分类网络的网络参数，直至达到预设的迭代停止条件，所述预设的迭代停止条件包含迭代次数或者相对熵损失函数最大阈值。
43.步骤4.利用训练样本集训练3dcnn形成脑龄预测模型，所述3dnn在训练过程中采用分类网络的相对熵损失函数反向更新3dcnn的网络参数；
44.步骤5.将测试集输入脑龄预测模型得到预测的脑龄。
45.步骤6：将被试的功能型性磁共振影像数据u
*
输入到步骤4保存的改进后3d卷积神经网络中，得到当前被试者的大脑年龄最后以一个分布数组展示；
46.在脑龄预测模型的卷积模块中存在批归一化层，所述批归一化层进入激活函数之前将数据压缩在0
‑
1之间，提高训练速度和精度，防止梯度下降过快，具体包括以下步骤：
47.步骤a.计算经过卷积层后批量t1图像数据的均值μ
β
48.步骤b.计算经过卷积层后批量t1图像数据的方差
49.步骤c.规划范处理：
50.在一具体实施例中，样本集数据库、训练样本数量、测试样本数量，详见表1，此时对应的年龄标签为494个。
51.样本集名称样本集总量训练样本集验证样本集测试样本集sald4942969999
52.表1
53.学习速率和权重衰减参数分别设置为0.001和0.0005，批大小设置为50，全连接层dropout rate设置为0.5，迭代次数设为800次，所述平均绝对误差定义为其中，x，y分别为被试者预测年龄和实际年龄,n是被试者的数量，由表2可知，本发明的脑龄预测方法相对于支持向量回归算法(svr)及深度学习法(dnn)具有更高的精度。
54.方法数据集mae本文sald7.5875svrsald8.1139dnnsald8.0941
55.表2
56.以上实施例仅表达了本发明的较佳实施方式，其描述较为具体和详细但并不能因此而理解为对本技术专利范围的限制。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。