一种基于最优传输理论的脑龄评估方法

本发明涉及医疗图像工程，特别涉及一种基于最优传输理论的脑龄评估方法。

背景技术：

1、脑部发育和衰老是一个终身持续的复杂过程，目前仍然存在许多待研究的问题。为了了解这些发展和衰老模式，人们可以利用神经影像数据从健康个体中训练一个脑龄估计模型，旨在尽可能准确地预测与实际年龄相符的脑龄。预测的脑龄与实际年龄之间的差异通常被称为“脑龄差距”或“脑龄差异”，并且这种差异与生物学和认知特征有关。通过评估不同患者群体的脑龄差异，可以帮助评估疾病的异质性并提高疾病风险筛查的准确性。例如，在脑发育障碍(如精神分裂症)和脑神经退行性疾病(如阿尔茨海默病)方面，先前的研究已经发现了脑龄差异的改变。

2、对于脑龄估计，t1加权磁共振成像(t1mris)是一种常用的非侵入性成像技术，提供了丰富的脑部形态学信息，并被用作估计脑龄的重要生物标志物。脑龄估计方法通常使用高维回归模型，特别设计用于揭示实际年龄与3dt1mris之间的关联。机器学习领域通常会提取年龄敏感的感兴趣区域(roi)，例如特定脑区的皮层体积或皮层厚度，以实现准确的脑龄估计结果。而在深度学习领域，研究人员尝试使用不同的神经网络架构，如卷积神经网络(cnn)如专利号为202310520022，名称为基于全卷积网络的轻量级脑龄评估模型构建方法发明专利所公开的那样或者残差网络(resnet)、densenet等，并探索多尺度特征图对脑龄估计的影响。评估脑龄估计模型性能的重要指标包括平均绝对误差(mae)、皮尔逊相关系数(pcc)和斯皮尔曼等级相关系数(srcc)。更大的训练数据集和较窄的年龄范围通常会导致更好的估计性能。

3、为了提高脑龄估计的精确性和可解释性，研究人员不断探索脑部特征图的不同维度和阶段。目前已经提出了一些深度学习网络框架，例如全局局部变换器网络(gltn)和两阶段年龄网络(tsan)，以及考虑了多模态数据和性别标签等附加信息。然而，迄今为止，尚未有一种模型能够在一个全新的框架内整合每个mri的多尺度信息、半多模态信息(如灰质和白质图像)以及性别标签，以实现更准确和解释性更好的脑龄估计。

技术实现思路

1、针对现有技术存在的不足，本发明的目的在于提供一种基于最优传输理论(otfpf)的脑龄评估方法，旨在解决上述问题。otfpf网络是一种端到端神经网络架构，能够直接接受每个3d脑mri及其派生的灰质图像、白质图像和相应的性别标签作为输入，通过充分利用每个脑的半多模态信息和多级语义特征金字塔信息，从而显著改善脑龄估计的准确性和解释性。

2、为实现上述目的，本发明提供了如下技术方案：一种基于最优传输理论的脑龄评估方法，包括如下步骤：

3、步骤一，构建端到端的神经网络架构，该神经网络架构由四个路径组成：主干路径处理t1图像，两个支路路径处理灰质图像和白质图像，另一个支路路径处理性别标签，其中，主干路径和两个支路路径中的每个路径包含四个3dol-convnext模块，并且每个3dol-convnext模块由多个3d重叠convnext块组成；

4、步骤二，将3d特征金字塔融合网络输出的特征金字塔通过最优传输嵌入模块进行融合，其中最优传输嵌入模块采用kantorovich公式，通过sinkhorn's算法获得优化传输方案，以自适应地融合多尺度特征；

5、步骤三，引入新的被试者水平排序损失，采用线性规划和强凸正则化技术，将排名操作转换为可有效优化的投影运算，用于优化网络，其中被试者水平排序的损失函数由被试者水平排序损失和均方误差损失组成，其中被试者水平排序损失可通过softranking策略实现高效计算；

6、步骤四，将神经网络架构的四个路径的输出连接，并通过多层感知器生成最终的脑龄估计结果。

7、作为本发明的进一步改进，所述步骤二中特征金字塔表示为：

8、

9、其中，(di×wi×hi)代表三个空间维度，ci代表特征的通道数。

10、作为本发明的进一步改进，所述步骤二中通过最优传输嵌入模块进行融合的具体步骤如下：

11、将金字塔特征重塑为1d张量表示，即将不同级别的金字塔特征展平成一维向量，之后将这些1d张量嵌入到再生核希尔伯特空间，利用正定核来进行嵌入操作；其中，可以至少四次使用最优传输嵌入模块嵌入这四个级联特征：f″1,f″2,f″3,f″4，即f″1→f″otem1,f″2→f″otem2,f″3→f″otem3和f″4→f″otem4。

12、作为本发明的进一步改进，所述步骤二中所采用的kantorovich公式为熵正则化的kantorovich松弛方法，如下所示：

13、

14、其中，h(p)＝-∑i,jpi,j(log(pi,j)-1)是矩阵的熵，εh(p)是具有参数的正则化函数，p用于控制的稀疏性。是a和b之间的可行联运空间，这个最优传输问题试图解决p，其中x是传输计划矩阵，它携带着如何以最小的成本将的质量分配给y的信息。

15、作为本发明的进一步改进，所述步骤二中通过sinkhorn's算法获得优化传输方案的方式如下：

16、根据sinkhorn算法，kantorovich公式的解可以使用n+m个变量进行参数化，并具有以下形式：

17、

18、优化式中涉及的个变量必须满足以下非线性方程，这些方程对应于隐含在的质量守恒约束：

19、

20、和：

21、

22、上述两个表达式可以进一步简化，如下：

23、u⊙(kv)＝a and v⊙(ktu)＝b

24、其中，⊙对应于向量的逐元素乘法，之后通过迭代地修改u，使其满足上式的左侧的条件，然后修改v以满足其右侧的条件，进而更新定义了sinkhorn算法：

25、

26、在上述情况中，再通过一个任意的正向量来初始化，获得优化传输方案。

27、作为本发明的进一步改进，所述步骤二中嵌入到再生核希尔伯特空间的具体方式为采用nystrom方法来实现近似的有限嵌入具体步骤如下：首先将rhks中的点投影到线性子空间相应的嵌入具有显式形式ψ(f″ri)＝κ(w,w)-1/2κ(w,f″ri)；

28、其中κ(w,w)是在锚点集上计算的核κ的格拉姆矩阵，锚点可以随机选择或通过后向传播进行监督任务学习；因此，有限嵌入定义为：

29、

30、其中，ei_otem作为otem的最终版本。

31、作为本发明的进一步改进，所述步骤三中引入新的被试者水平排序损失的具体步骤如下：

32、将实际脑龄表示为c，预测脑龄表示为p，假设有一个批次的年龄对nb＝[(ci,pi)…(cj,pj)…(cn,pn),wh ere i＝1,…,n and j＝1,…,n,and i≠j]，定义为c和p的成对相似性矩阵，通过应用相似性函数得到：

33、

34、

35、之后定义被试者水平排序损失如下：

36、

37、其中，损失函数l是均方误差。

38、作为本发明的进一步改进，所述步骤三中排名操作转换为可有效优化的投影运算的具体方式为：

39、将排序视为投射到一个软排名策略，假设并考虑以下线性规划

40、

41、其中，r(θ)表示θ表示w，μ属于作为本发明的进一步改进，所述步骤三中的被试者水平排序的损失函数通过以下步骤计算得出：

42、步骤三一，基于r(θ)计算ψ-regularized软排序损失如下：

43、rεψ(θ):＝pεψ(-θ,ρ)＝pψ(-θ/ε,ρ)

44、其中，0<ε<∞；

45、步骤三二，通过以下公式计算均方误差损失；

46、

47、步骤三三，基于步骤三一计算的软排序损失和步骤三二计算的均方误差损失计算总损失函数，具体公式如下：

48、

49、其中，λ是被试者水平排序损失的权重。

50、作为本发明的进一步改进，所述步骤四中通过多层感知器生成最终的脑龄估计结果的过程中将健康队列数据集被随机分为三个子集：训练集、验证集和测试集。

51、本发明的有益效果，本发明的基于最优传输理论(otfpf)的脑龄评估方法，所使用到的otfpf网络是一种端到端神经网络架构，能够直接接受每个3d脑mri及其派生的灰质图像、白质图像和相应的性别标签作为输入，通过充分利用每个脑的半多模态信息和多级语义特征金字塔信息，从而显著改善脑龄估计的准确性和解释性，且该网络包含了3d重叠convnext(3dol-convnext)模块，用于更高效地对脑mri进行特征下采样，从而增强了网络对脑部特征的提取能力。otfpf网络还采用了一种新的被试者水平排序损失方法，以捕获并利用批处理受试者中存在的自然排序信息，从而更好地优化网络模型。