申请/专利权人：中国科学院自动化研究所

申请日：2019-12-11

公开（公告）日：2024-03-29

公开（公告）号：CN110969614B

主分类号：G06T7/00

分类号：G06T7/00;G06N3/0464;G06N3/045;G06N3/084;A61B5/00;A61B5/055

优先权：

专利状态码：有效-授权

法律状态：2024.03.29#授权;2020.05.01#实质审查的生效;2020.04.07#公开

摘要：本发明涉及一种基于三维卷积神经网络的脑龄预测方法及系统，所述预测方法包括：采集历史样本集，所述历史样本集包括多对历史结构磁共振影像数据及对应测试者的生理年龄，所述历史样本集分为训练样本集及测试样本集；对所述训练样本集中的各所述历史结构磁共振影像数据预处理，得到对应的处理图像；根据各处理图像及对应测试者的生理年龄，对三维卷积神经网络进行训练，得到训练后的三维卷积神经网络；获取当前测试者的当前结构磁共振影像数据；基于训练后的三维卷积神经网络，根据所述当前结构磁共振影像数据，可确定当前测试者的脑龄情况，实现端到端的检测，准确度高。

主权项：1.一种基于三维卷积神经网络的脑龄预测方法，其特征在于，所述预测方法包括：采集历史样本集，所述历史样本集包括多对历史结构磁共振影像数据及对应测试者的生理年龄，所述历史样本集分为训练样本集及测试样本集；对所述训练样本集中的各所述历史结构磁共振影像数据预处理，得到对应的处理图像；根据各处理图像及对应测试者的生理年龄，对三维卷积神经网络进行训练，得到训练后的三维卷积神经网络；所述三维卷积神经网络包括第一三维卷积神经网络模块、第一多尺度卷积神经模块、第二多尺度卷积神经模块、第三多尺度卷积神经模块、第二三维卷积神经网络模块、第三三维卷积神经网络模块、第一全局均值池化模块、第二全局均值池化模块及全连接模块；其中，所述第一三维卷积神经网络模块依次串联连接第一多尺度卷积神经模块、第二多尺度卷积神经模块、第三多尺度卷积神经模块；所述第三多尺度卷积神经模块依次串联连接第二三维卷积神经网络模块、第三三维卷积神经网络模块；所述第一全局均值池化模块与第一多尺度卷积神经模块连接，所述第二全局均值池化模块与第三多尺度卷积神经模块连接；所述全连接模块分别与所述第一全局均值池化模块、第二全局均值池化模块及第三多尺度卷积神经模块连接；所述第一三维卷积神经网络模块的卷积核大小为3×3×3，卷积步长为2×2×2，特征图数量为32，填充类型为全0填充，输出特征图大小为50×55×50；第一多尺度卷积神经模块、第二多尺度卷积神经模块、第三多尺度卷积神经模块均由三个分支构成，每个分支的第一层为卷积核大小为1×1×1的卷积层，输出的特征图数量为N3，N为输入的通道数量；第一多尺度卷积神经模块的第一分支的第二层为一个最大池化层，池化核大小为2×2×2，池化步长为2×2×2，填充类型为全0填充，输出特征图数量为32；第一多尺度卷积模块的第二分支的第二层为三维卷积网络层，卷积核大小为3×3×3，卷积步长为2×2×2，填充类型为全0填充，输出特征图数量为32；第一多尺度卷积模块的第三分支的第二层和第三层均为三维卷积网络层，卷积核大小为3×3×3，卷积步长为2×2×2，填充类型为全0填充，输出特征图数量为32；所述第一多尺度卷积神经模块的第一分支、第二分支及第三分支并联在一起输出，特征图数量为96；第二多尺度卷积模块的第一分支的第二层为一个最大池化层，池化核大小为2×2×2，池化步长为2×2×2，填充类型为全0填充，输出特征图数量为64；第二多尺度卷积模块的第二分支的第二层为三维卷积网络层，卷积核大小为3×3×3，卷积步长为2×2×2，填充类型为全0填充，输出特征图数量为64；第二多尺度卷积模块的第三分支的第二层和第三层都为三维卷积网络层，卷积核大小为3×3×3，卷积步长为2×2×2，填充类型为全0填充，输出特征图数量为64；所述第二多尺度卷积神经模块的第一分支、第二分支及第三分支并联在一起输出，特征图数量为192；第三多尺度卷积模块的第一分支的第二层为一个最大池化层，池化核大小为2×2×2，池化步长为2×2×2，填充类型为全0填充，输出特征图数量为128；第三多尺度卷积模块的第二分支的第二层为三维卷积网络层，卷积核大小为3×3×3，卷积步长为2×2×2，填充类型为全0填充，输出特征图数量为128；第三多尺度卷积模块的第三分支的第二层和第三层都为三维卷积网络层，卷积核大小为3×3×3，卷积步长为2×2×2，填充类型为全0填充，输出特征图数量为128；所述第二多尺度卷积神经模块的第一分支、第二分支及第三分支并联在一起输出，特征图数量为384；第二三维卷积神经网络模块的卷积核大小为1×1×1，步长为1×1×1，输出特征图数量为64；第三三维卷积神经网络模块的卷积层的卷积核大小为3×3×3，卷积步长为2×2×2，填充类型为全0填充，输出特征图数量为128，并将输出变换为1维向量；第一全局均值池化模块用于输出第一多尺度卷积神经模块的每个特征图的输出值的均值，输出大小为96；第二全局均值池化模块用于输出第三多尺度卷积神经模块的每个特征图的输出值的均值，输出大小为384；所述全连接模块的节点数量为256个；获取当前测试者的当前结构磁共振影像数据；基于训练后的三维卷积神经网络，根据所述当前结构磁共振影像数据，确定当前测试者的脑龄情况。

全文数据：

权利要求：

百度查询： 中国科学院自动化研究所 基于三维卷积神经网络的脑龄预测方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD