基于3D卷积神经网络的脑龄预测方法及装置与流程

本申请涉及深度学习技术领域，具体而言，涉及一种基于3d卷积神经网络的脑龄预测方法及装置。

背景技术：

核磁共振成像(mri)以其高空间分辨率及高密度分辨率为脑发育情况的评估提供了机会，但儿童脑发育成熟度的难以通过影像医师进行经验评估，必须基于计算机定量测量来进行计算。健康人脑发育是一个在儿童、青少年和成年早期极为复杂的过程，体现为脑不同区域组织发育顺序和模式的异质性。总体而言，在儿童及青少年时期脑白质(wm)体积随着年龄逐渐上升，而脑灰质(gm)体积随着年龄不断下降，不同脑区的发育趋势和速率各不相同。这些脑微结构在发育过程中的潜在模式化改变为脑发育情况的评估提供了基础。

卷积神经网络(convolutionalneuralnetworks,简称cnn)是一类包含卷积计算且具有深度结构的前馈神经网络(feedforwardneuralnetworks)，是深度学习(deeplearning)的代表算法之一，卷积神经网络具有表征学习(representationlearning)能力。

发明人发现，相关技术中的传统机器学习模型在特征选择方面易造成信息丢失从而导致无法准确评估和预测儿童脑龄。

针对相关技术中的传统机器学习模型由于在特征选择方面易造成信息丢失而导致的儿童脑龄预测不够准确的问题，目前尚未提出有效的解决方案。

技术实现要素：

本申请的主要目的在于提供一种基于3d卷积神经网络的脑龄预测方法及装置，以解决相关技术中的传统机器学习模型由于在特征选择方面易造成信息丢失而导致的儿童脑龄预测不够准确的问题。

为了实现上述目的，根据本申请的一个方面，提供了一种基于3d卷积神经网络的脑龄预测方法。

根据本申请的基于3d卷积神经网络的脑龄预测方法包括：对大脑核磁共振成像数据进行分层采样；通过多线程将分层采样后的所述大脑核磁共振成像数据输入3d卷积神经网络进行训练并提取特征数据；根据提取到的所述特征数据构建脑龄预测回归模型；根据所述脑龄预测回归模型输出脑龄预测结果。

进一步地，所述对大脑核磁共振成像数据进行分层采样之前包括：提取所述大脑核磁共振成像数据中的脑颅数据；将所述脑颅数据进行数据配准；通过对配准后的所述脑颅数据进行分割得到脑灰质和脑白质分割数据。

进一步地，所述对大脑核磁共振成像数据进行分层采样包括：对与所述大脑核磁共振成像数据对应的不同年龄段数据设置相同的数据量阈值；判断所述年龄段数据的数据量是否高于所述数据量阈值；如果所述年龄段数据的数据量高于所述数据量阈值，则将所述年龄段数据进行编号并存储；如果所述年龄段数据的数据量低于所述数据量阈值，则对所述年龄段数据进行有放回抽样。

进一步地，如果所述年龄段数据的数据量低于所述数据量阈值，则对所述年龄段数据中的数据进行有放回抽样之后还包括：当所述有放回抽样的次数达到抽样阈值时，停止所述有放回抽样；将所述有放回抽样后得到的所述年龄段数据进行编号并存储。

进一步地，所述通过多线程将分层采样后的所述大脑核磁共振成像数据输入3d卷积神经网络进行训练并提取特征数据包括：按照所述大脑核磁共振成像数据的对象列表将所述大脑核磁共振成像数据依次输入数据生成器；调用keras预处理接口对所述大脑核磁共振成像数据进行预处理；对预处理后的所述大脑核磁共振成像数据匹配对应的年龄标签。

为了实现上述目的，根据本申请的另一方面，提供了一种基于3d卷积神经网络的脑龄预测装置。

根据本申请的基于3d卷积神经网络的脑龄预测装置包括：采样模块，用于对大脑核磁共振成像数据进行分层采样；训练模块，用于通过多线程将分层采样后的所述大脑核磁共振成像数据输入3d卷积神经网络进行训练并提取特征数据；构建模块，用于根据提取到的所述特征数据构建脑龄预测回归模型；输出模块，用于根据所述脑龄预测回归模型输出脑龄预测结果。

进一步地，还包括：提取模块，用于提取所述大脑核磁共振成像数据中的脑颅数据；配准模块，用于将所述脑颅数据进行数据配准；分割模块，用于通过对配准后的所述脑颅数据进行分割得到脑灰质和脑白质分割数据。

进一步地，所述采样模块包括：设置单元，用于对与所述大脑核磁共振成像数据对应的不同年龄段数据设置相同的数据量阈值；判断单元，用于判断所述年龄段数据的数据量是否高于所述数据量阈值；第一存储单元，用于如果所述年龄段数据的数据量高于所述数据量阈值，则将所述年龄段数据进行编号并存储；抽样单元，用于如果所述年龄段数据的数据量低于所述数据量阈值，则对所述年龄段数据进行有放回抽样。

进一步地，所述采样模块还包括：终止单元，用于当所述有放回抽样的次数达到抽样阈值时，停止所述有放回抽样；第二存储单元，用于将所述有放回抽样后得到的所述年龄段数据进行编号并存储。

进一步地，所述训练模块还包括：输入单元，用于按照所述大脑核磁共振成像数据的对象列表将所述大脑核磁共振成像数据依次输入数据生成器；处理单元，用于调用keras预处理接口对所述大脑核磁共振成像数据进行预处理；匹配单元，用于对预处理后的所述大脑核磁共振成像数据匹配对应的年龄标签。

在本申请实施例中，采用对大脑核磁共振成像数据进行分层采样的方式，通过多线程将分层采样后的所述大脑核磁共振成像数据输入3d卷积神经网络进行训练并提取特征数据，根据提取到的所述特征数据构建脑龄预测回归模型，达到了根据所述脑龄预测回归模型准确输出脑龄预测结果的目的，从而实现了提高儿童脑龄预测的准确度的技术效果，进而解决了相关技术中的传统机器学习模型由于在特征选择方面易造成信息丢失而导致的儿童脑龄预测不够准确的技术问题。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请第一实施例的基于3d卷积神经网络的脑龄预测方法流程示意图；

图2是根据本申请第二实施例的基于3d卷积神经网络的脑龄预测方法流程示意图；

图3是根据本申请第三实施例的基于3d卷积神经网络的脑龄预测方法流程示意图；

图4是根据本申请第四实施例的基于3d卷积神经网络的脑龄预测方法流程示意图；

图5是根据本申请第五实施例的基于3d卷积神经网络的脑龄预测方法流程示意图；

图6是根据本申请第一实施例的基于3d卷积神经网络的脑龄预测装置组成结构示意图；

图7是根据本申请第二实施例的基于3d卷积神经网络的脑龄预测装置组成结构示意图；

图8是根据本申请第三实施例的基于3d卷积神经网络的脑龄预测装置组成结构示意图；以及

图9是根据本申请第四实施例的基于3d卷积神经网络的脑龄预测装置组成结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

根据本申请实施例，提供了一种基于3d卷积神经网络的脑龄预测方法，如图1所示，该方法包括如下的步骤s101至步骤s104：

步骤s101，对大脑核磁共振成像数据进行分层采样。

具体实施时，对于儿童脑龄模型的训练，既需要做到数据量足够丰富，又需要每个年龄段数据的分布尽可能均匀，因此，首先需要对大脑核磁共振成像数据进行分层采样，尽可能确保每个年龄段的数据分布足够均匀，保证不同年龄段的数据输入模型概率的权重相当，提高后续输出模型的可靠性。

步骤s102，通过多线程将分层采样后的所述大脑核磁共振成像数据输入3d卷积神经网络进行训练并提取特征数据。

具体实施时，核磁共振成像(mri)扫描能够提供特定身体部位的3d图像，扫描从各个角度生成高度详细的图像，由此导致3dmri数据像素点的数量十分庞大。相关技术中的机器学习在训练模型时，一般会将所有的训练数据加载到内存中，然后传递给网络，但是当内存有限，且数据量过大时，此方法则不可再用。因此本申请实施例改变了一次性将全部数据载入内存，而是通过多线程处理，实时生成数据，并立即输入到模型进行训练。

优选地，由于2d卷积神经网络不能捕获大脑图像结构的上下文信息，本申请实施例为了提取大脑结构的空间特征使用3d卷积神经网络(cnn)进行特征提取。3dcnn通过加强神经网络中相邻层之间节点的局部连接模式来挖掘大脑mri图像的空间局部关联信息，从而有效提取图像重要信息。第m层节点的输入只是第m-1层节点的一部分，这些节点具有空间相邻的视觉感受野。此外，3dcnn还具有共享卷积核的优点，对高维数据处理无压力。本申请优选使用3dmaxpooling对输入的特征进行压缩，提取主要特征，降低了数据的空间特征维度。

步骤s103，根据提取到的所述特征数据构建脑龄预测回归模型。

具体实施时，基于上述对3d卷积神经网络训练后提取出的特征数据构建脑龄预测回归模型。优选地，带有年龄标签的监督学习可以使3d卷积神经网络在学习过程中尽早提取具有显著区分脑龄的特征，模型收敛速度快。该网络在均方误差(mse)损失的基础上，添加了平滑性损失，使模型对离群点不敏感，从而提高了模型的鲁棒性，使其不确定性变得更小，并且使得模型预测的概率分布，其均值更接近真实值。

步骤s104，根据所述脑龄预测回归模型输出脑龄预测结果。

具体实施时，在得到脑龄预测回归模型之后可以对儿童的脑龄进行预测，将儿童的大脑核磁共振成像数据输入预测回归模型即可以得到儿童的脑龄预测结果，进而可以辅助医生的进行脑龄评估，减轻医生的工作负担。

根据本申请实施例的一种优选实施方式，如图2所示，对大脑核磁共振成像数据进行分层采样之前包括如下的步骤s201至步骤s203：

步骤s201，提取所述大脑核磁共振成像数据中的脑颅数据。

具体实施时，在对大脑核磁共振成像数据进行分层采样之前，需要对大脑核磁共振成像数据进行一定的预处理。优选地，由于原始的大脑核磁共振数据中包含头骨、颈部、小脑等结构的数据，这些结构的数据对脑龄预测没有贡献，反而会对模型增加额外的噪声，因此首先应该去除这些结构的数据，仅提取出大脑核磁共振成像数据中的脑颅数据作为后续分析的基础数据。

步骤s202，将所述脑颅数据进行数据配准。

具体实施时，由于不同人在生理上的差异性，导致大脑解剖学结构的大小，形状，位置都有所不同，因此优选地，对上述提取到的脑颅数据进行严格的对齐，通过配准使数据达到空间上的一致，保证数据的可靠性和准确性。

步骤s203，通过对配准后的所述脑颅数据进行分割得到脑灰质和脑白质分割数据。

具体实施时，分析灰质和白质的体积大小是预测脑龄的主要方法之一，随着年龄的增长灰质(gm)和白质(wm)体积占比呈现不同趋势，总体而言，在儿童及青少年时期脑wm体积随着年龄逐渐上升，而脑gm体积随着年龄不断下降，不同脑区的发育趋势和速率各不相同。因此本申请实施例通过概率分割分别获取大脑核磁共振成像中的灰质、白质分割图，并计算得到脑灰质和脑白质的分割数据。上述所有的数据预处理过程均可以通过spm(statisticalparametricmapping)12软件实现。

根据本申请实施例的一种优选实施方式，如图3所示，对大脑核磁共振成像数据进行分层采样包括如下的步骤s301至步骤s304：

步骤s301，对与所述大脑核磁共振成像数据对应的不同年龄段数据设置相同的数据量阈值。

具体实施时，在对大脑核磁共振成像数据进行分层采样时，首先需要为各个年龄段设置相同的数据量阈值，目的为了保证每个年龄段数据进入模型训练的概率相当。

步骤s302，判断所述年龄段数据的数据量是否高于所述数据量阈值。

具体实施时，将各个年龄段中的数据量分别与预设的数据量阈值进行比较，以确定各个年龄段的数据量是否达到预设要求，进而确保不同年龄段的数据进入模型训练的概率相当。

步骤s303，如果所述年龄段数据的数据量高于所述数据量阈值，则将所述年龄段数据进行编号并存储。

具体实施时，如果上述年龄段数据中的数据量高于预设的数据量阈值时，说明该年龄段的数据量达到了预设要求，则对该年龄段中实际的数据量逐一进行编号并存储至文件中。例如，上述预设的数据量阈值为100，1-3岁这一年龄段中的数据量实际为120，则将1-3岁这一年龄段中的120个数据逐一编号后存储。

步骤s304，如果所述年龄段数据的数据量低于所述数据量阈值，则对所述年龄段数据进行有放回抽样。

具体实施时，如果上述年龄段数据中的数据量低于预设的数据量阈值时，说明该年龄段的数据量未达到预设要求，此时则优选对该年龄段数据进行有放回抽样以确保后续不同年龄段的数据进入模型训练的概率相当。

根据本申请实施例的一种优选实施方式，如图4所示，如果所述年龄段数据的数据量低于所述数据量阈值，则对所述年龄段数据中的数据进行有放回抽样之后还包括如下的步骤s401至步骤s402：

步骤s401，当所述有放回抽样的次数达到抽样阈值时，停止所述有放回抽样。

具体实施时，当有放回抽样的次数达到预设的抽样阈值时，则终止有放回抽样，优选地，有放回抽样的抽样阈值由进行有放回抽样的年龄段数据的数据量与上述预设的数据量阈值之间的差值来决定。例如，3-5岁这一年龄段数据的数据量为80，低于上述预设的数据量阈值100，则对3-5岁年龄段数据进行有放回抽样，有放回抽样的抽样阈值或抽样次数即为100-80＝20次，当有放回抽样的次数打达到20次时，则抽样结束。

步骤s402，将所述有放回抽样后得到的所述年龄段数据进行编号并存储。

具体实施时，当有放回抽样的次数达到抽样阈值时，说明进行有放回抽样的年龄段数据的数据量达到了预设要求，基本能够确保不同年龄段的数据进入模型训练的概率相当，此时，和其它年龄段数据的处理方式一样，对有放回抽样后得到的年龄段数据逐一进行编号并存储至文件中。

根据本申请实施例的一种优选实施方式，如图5所示，所述通过多线程将分层采样后的所述大脑核磁共振成像数据输入3d卷积神经网络进行训练并提取特征数据包括如下的步骤s501至步骤s503：

步骤s501，按照所述大脑核磁共振成像数据的对象列表将所述大脑核磁共振成像数据依次输入数据生成器。

具体实施时，在将分层采样后的所述大脑核磁共振成像数据输入3d卷积神经网络进行多线程处理时，优选地按照大脑核磁共振成像数据的对象列表将数据依次传入数据生成器。

步骤s502，调用keras预处理接口对所述大脑核磁共振成像数据进行预处理。

具体实施时，通过调用keras预处理接口(keras.preprocessing)接口对上述数据进行白化(zca)等预处理，以去除输入数据中的冗余信息，达到降维的目的。

步骤s503，对预处理后的所述大脑核磁共振成像数据匹配对应的年龄标签。

具体实施时，为上述预处理后的所述大脑核磁共振成像数据匹配对应的年龄标签，之后将数据顺序打乱，在模型训练的循环过程中不断提供数据流。

从以上的描述中，可以看出，本发明实现了如下技术效果：采用对大脑核磁共振成像数据进行分层采样的方式，通过多线程将分层采样后的所述大脑核磁共振成像数据输入3d卷积神经网络进行训练并提取特征数据，根据提取到的所述特征数据构建脑龄预测回归模型，达到了根据所述脑龄预测回归模型准确输出脑龄预测结果的目的，解决了相关技术中的传统机器学习模型由于在特征选择方面易造成信息丢失而导致的儿童脑龄预测不够准确的技术问题，从而实现了提高儿童脑龄预测的准确度的技术效果。

根据本发明实施例，还提供了一种用于实施上述基于3d卷积神经网络的脑龄预测方法的脑龄预测装置，如图6所示，该装置包括：采样模块1、训练模块2、构建模块3以及输出模块4。

本申请实施例中的采样模块1，用于对大脑核磁共振成像数据进行分层采样。

具体实施时，对于儿童脑龄模型的训练，既需要做到数据量足够丰富，又需要每个年龄段数据的分布尽可能均匀，因此，首先需要通过采样模块1对大脑核磁共振成像数据进行分层采样，尽可能确保每个年龄段的数据分布足够均匀，保证不同年龄段的数据输入模型概率的权重相当，提高后续输出模型的可靠性。

本申请实施例中的训练模块2，用于通过多线程将分层采样后的所述大脑核磁共振成像数据输入3d卷积神经网络进行训练并提取特征数据。

具体实施时，核磁共振成像(mri)扫描能够提供特定身体部位的3d图像，扫描从各个角度生成高度详细的图像，由此导致3dmri数据像素点的数量十分庞大。相关技术中的机器学习在训练模型时，一般会将所有的训练数据加载到内存中，然后传递给网络，但是当内存有限，且数据量过大时，此方法则不可再用。因此本申请实施例改变了一次性将全部数据载入内存，而是通过多线程处理，实时生成数据，并通过训练模块2立即将数据输入到模型进行训练。

优选地，本申请优选使用3dmaxpooling对输入的特征进行压缩，提取主要特征，降低了数据的空间特征维度。

本申请实施例中的构建模块3，用于根据提取到的所述特征数据构建脑龄预测回归模型。

具体实施时，基于上述对3d卷积神经网络训练后提取出的特征数据通过构建模块3构建脑龄预测回归模型。优选地，带有年龄标签的监督学习可以使3d卷积神经网络在学习过程中尽早提取具有显著区分脑龄的特征，模型收敛速度快。该网络在均方误差(mse)损失的基础上，添加了平滑性损失，使模型对离群点不敏感，从而提高了模型的鲁棒性，使其不确定性变得更小，并且使得模型预测的概率分布，其均值更接近真实值。

本申请实施例中的输出模块4，用于根据所述脑龄预测回归模型输出脑龄预测结果。

具体实施时，在得到脑龄预测回归模型之后可以对儿童的脑龄进行预测，将儿童的大脑核磁共振成像数据输入预测回归模型即可以通过输出模块4得到儿童的脑龄预测结果，进而可以辅助医生的进行脑龄评估，减轻医生的工作负担。

根据本申请实施例的一种优选实施方式，如图7所示，所述装置还包括：提取模块5、配准模块6以及分割模块7。

本申请实施例中的提取模块5，用于提取所述大脑核磁共振成像数据中的脑颅数据。

具体实施时，在对大脑核磁共振成像数据进行分层采样之前，需要对大脑核磁共振成像数据进行一定的预处理。优选地，由于原始的大脑核磁共振数据中包含头骨、颈部、小脑等结构的数据，这些结构的数据对脑龄预测没有贡献，反而会对模型增加额外的噪声，因此首先应该去除这些结构的数据，通过提取模块5提取出大脑核磁共振成像数据中的脑颅数据作为后续分析的基础数据。

本申请实施例中的配准模块6，用于将所述脑颅数据进行数据配准。

具体实施时，由于不同人在生理上的差异性，导致大脑解剖学结构的大小，形状，位置都有所不同，因此优选地，对上述提取到的脑颅数据进行严格的对齐，通过配准模块6配准使数据达到空间上的一致，保证数据的可靠性和准确性。

本申请实施例中的分割模块7，用于通过对配准后的所述脑颅数据进行分割得到脑灰质和脑白质分割数据。

具体实施时，分析灰质和白质的体积大小是预测脑龄的主要方法之一，随着年龄的增长灰质(gm)和白质(wm)体积占比呈现不同趋势，总体而言，在儿童及青少年时期脑wm体积随着年龄逐渐上升，而脑gm体积随着年龄不断下降，不同脑区的发育趋势和速率各不相同。因此本申请实施例通过分割模块7进行概率分割分别获取大脑核磁共振成像中的灰质、白质分割图，并计算得到脑灰质和脑白质的分割数据。

根据本申请实施例的一种优选实施方式，如图8所示，所述采样模块1包括：

本申请实施例中的设置单元11，用于对与所述大脑核磁共振成像数据对应的不同年龄段数据设置相同的数据量阈值。

具体实施时，在对大脑核磁共振成像数据进行分层采样时，首先需要通过设置单元11为各个年龄段设置相同的数据量阈值，目的为了保证每个年龄段数据进入模型训练的概率相当。

本申请实施例中的判断单元12，用于判断所述年龄段数据的数据量是否高于所述数据量阈值。

具体实施时，通过判断单元12将各个年龄段中的数据量分别与预设的数据量阈值进行比较，以确定各个年龄段的数据量是否达到预设要求，进而确保不同年龄段的数据进入模型训练的概率相当。

本申请实施例中的第一存储单元13，用于如果所述年龄段数据的数据量高于所述数据量阈值，则将所述年龄段数据进行编号并存储。

具体实施时，如果上述年龄段数据中的数据量高于预设的数据量阈值时，说明该年龄段的数据量达到了预设要求，则对该年龄段中实际的数据量逐一进行编号并存储至文件中。例如，上述预设的数据量阈值为100，1-3岁这一年龄段中的数据量实际为120，则将1-3岁这一年龄段中的120个数据逐一编号后通过第一存储单元13存储。

本申请实施例中的抽样单元14，用于如果所述年龄段数据的数据量低于所述数据量阈值，则对所述年龄段数据进行有放回抽样。

具体实施时，如果上述年龄段数据中的数据量低于预设的数据量阈值时，说明该年龄段的数据量未达到预设要求，此时则优选通过抽样单元14对该年龄段数据进行有放回抽样以确保后续不同年龄段的数据进入模型训练的概率相当。

根据本申请实施例的一种优选实施方式，如图8所示，所述采样模块1还包括：终止单元15和第二存储单元16。

本申请实施例中的终止单元15，用于当所述有放回抽样的次数达到抽样阈值时，停止所述有放回抽样。

具体实施时，当有放回抽样的次数达到预设的抽样阈值时，则通过终止单元15终止有放回抽样，优选地，有放回抽样的抽样阈值由进行有放回抽样的年龄段数据的数据量与上述预设的数据量阈值之间的差值来决定。例如，3-5岁这一年龄段数据的数据量为80，低于上述预设的数据量阈值100，则对3-5岁年龄段数据进行有放回抽样，有放回抽样的抽样阈值或抽样次数即为100-80＝20次，当有放回抽样的次数打达到20次时，则抽样结束。

本申请实施例中的第二存储单元16，用于将所述有放回抽样后得到的所述年龄段数据进行编号并存储。

具体实施时，当有放回抽样的次数达到抽样阈值时，说明进行有放回抽样的年龄段数据的数据量达到了预设要求，基本能够确保不同年龄段的数据进入模型训练的概率相当，此时，和其它年龄段数据的处理方式一样，通过第二存储单元16对有放回抽样后得到的年龄段数据逐一进行编号并存储至文件中。

根据本申请实施例的一种优选实施方式，如图9所示，所述训练模块2还包括：输入单元21、处理单元22以及匹配单元23。

本申请实施例中的输入单元21，用于按照所述大脑核磁共振成像数据的对象列表将所述大脑核磁共振成像数据依次输入数据生成器。

具体实施时，在将分层采样后的所述大脑核磁共振成像数据输入3d卷积神经网络进行多线程处理时，优选地通过输入单元21按照大脑核磁共振成像数据的对象列表将数据依次传入数据生成器。

本申请实施例中的处理单元22，用于调用keras预处理接口对所述大脑核磁共振成像数据进行预处理。

具体实施时，通过处理单元22调用keras预处理接口(keras.preprocessing)接口对上述数据进行白化(zca)等预处理，以去除输入数据中的冗余信息，达到降维的目的。

本申请实施例中的匹配单元23，用于对预处理后的所述大脑核磁共振成像数据匹配对应的年龄标签。

具体实施时，通过匹配单元23为上述预处理后的所述大脑核磁共振成像数据匹配对应的年龄标签，之后将数据顺序打乱，在模型训练的循环过程中不断提供数据流。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。