一种基于人工智能模型的大脑健康评估方法

技术领域

本发明属于人工智能深度学习领域和医学影像处理领域。

背景技术

脑部核磁共振成像是一种常规的医学检查手段，丰富的常用序列可以对大脑灰质白质和脑脊液进行高精度成像。核磁共振成像技术生成脑部组织的三维影像数据，影像数据中体素的亮度变化反映脑组织差异，因此包含丰富的脑部形态结构信息。基于脑部磁共振结构成像数据进行脑龄估计是一个热门研究领域。brainAgeR是基于高斯过程回归的脑龄预测模型。Cole等人构建的基于三维卷积神经网络的脑龄预测模型性能已经超越了传统方法。基于大规模数据，利用人工神经网络模型，实现大脑年龄评估，以及特定疾病预警是当前研究的热点问题。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的目的在于提出一种基于人工智能模型的大脑健康评估方法，用于退行性疾病风险评估。

为达上述目的，本发明第一方面实施例提出了一种基于人工智能模型的大脑健康评估方法，包括：

获取健康大脑结构的磁共振成像数据集，所述磁共振成像数据集包括被试的年龄、性别信息，以及T1加权成像；

通过使用深度学习中的卷积网络构建基础脑龄预测模型，使用所述磁共振成像数据集对所述基础脑龄预测模型进行预测，得到脑龄预测模型；

获取不同类型的脑组织数据集，使用所述脑组织数据集对所述脑龄预测模型进行训练，得到脑龄预测综合模型；所述脑组织数据集包括灰质、白质和脑脊液数据；

通过迁移学习技术，将所述脑龄预测综合模型迁移至脑疾病分类模型中；通过所述脑疾病分类模型进行脑疾病分类。

另外，根据本发明上述实施例的一种基于人工智能模型的大脑健康评估方法，包括：

方法还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，在获取健康大脑结构的磁共振成像数据集之后，还包括：

对所述磁共振成像数据集进行预处理，包括：

对所述磁共振成像数据集配准到标准MNI152模板中；

在配准之后的图像上进行分割，得到灰质、白质、脑脊液的图像，并进行去头颅、偏差矫正、去噪、平滑、的工作。

进一步地，在本发明的一个实施例中，所述通过使用深度学习中的卷积网络构建基础脑龄预测模型，包括：

采用卷积神经网络作为基础脑龄预测模型的框架，并引了短时傅里叶变换层来替代部分传统的卷积层。

进一步地，在本发明的一个实施例中，所述使用所述磁共振成像数据集对所述基础脑龄预测模型进行预测，包括：

通过使用反向传播将预测值与真实年龄值之间计算损失函数，所述损失函数为分类交叉熵。

进一步地，在本发明的一个实施例中，所述获取不同类型的脑组织数据集，使用所述脑组织数据集对所述脑龄预测模型进行训练，得到脑龄预测综合模型，包括：

采用了Stacking方法，通过整合灰质、白质以及脑脊液的数据集，构建基础脑龄预测综合模型。

为达上述目的，本发明第二方面实施例提出了一种基于人工智能模型的大脑健康评估装置，包括以下模块：

获取模块，用于获取健康大脑结构的磁共振成像数据集，所述磁共振成像数据集包括被试的年龄、性别信息，以及T1加权成像；

第一训练模块，用于通过使用深度学习中的卷积网络构建基础脑龄预测模型，使用所述磁共振成像数据集对所述基础脑龄预测模型进行预测，得到脑龄预测模型；

第二训练模块，用于获取不同类型的脑组织数据集，使用所述脑组织数据集对所述脑龄预测模型进行训练，得到脑龄预测综合模型；所述脑组织数据集包括灰质、白质和脑脊液数据；

迁移学习模块，用于通过迁移学习技术，将所述脑龄预测综合模型迁移至脑疾病分类模型中；通过所述脑疾病分类模型进行脑疾病分类。

进一步地，在本发明的一个实施例中，所述获取模块，还用于：

对所述磁共振成像数据集进行预处理，包括：

对所述磁共振成像数据集配准到标准MNI152模板中；

在配准之后的图像上进行分割，得到灰质、白质、脑脊液的图像，并进行去头颅、偏差矫正、去噪、平滑、的工作。

进一步地，在本发明的一个实施例中，所述第一训练模块，还用于：

采用卷积神经网络作为基础脑龄预测模型的框架，并引了短时傅里叶变换层来替代部分传统的卷积层。

进一步地，在本发明的一个实施例中，所述第一训练模块，还用于：

通过使用反向传播将预测值与真实年龄值之间计算损失函数，所述损失函数为分类交叉熵。

进一步地，在本发明的一个实施例中，所述第二训练模块，还用于：

采用了Stacking方法，通过整合灰质、白质以及脑脊液的数据集，构建基础脑龄预测综合模型。

本发明实施例提出的基于人工智能模型的大脑健康评估方法，通过深度学习技术和短时傅里叶变换构建脑龄预测模型，降低模型参数减少过拟合。使用集成学习，融合多个预测模型，提高模型精度。使用迁移学习将训练好的脑龄预测模型应用于神经退行性疾病分类。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明实施例所提供的一种基于人工智能模型的大脑健康评估方法的流程示意图；

图2为本发明实施例所提供的一种用于计算3DSTFT的频率点示意图；

图3为本发明实施例所提供的一种集成学习流程示意图；

图4为本发明实施例所提供的一种迁移学习流程示意图；

图5为本发明实施例所提供的一种基于人工智能模型的大脑健康评估装置的流程示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参考附图描述本发明实施例的基于人工智能模型的大脑健康评估方法。

图1为本发明实施例所提供的一种基于人工智能模型的大脑健康评估方法的流程示意图。

如图1所示，该基于人工智能模型的大脑健康评估方法包括以下步骤：

S101：获取健康大脑结构的磁共振成像数据集，所述磁共振成像数据集包括被试的年龄、性别信息，以及T1加权成像；

进一步地，在本发明的一个实施例中，在获取健康大脑结构的磁共振成像数据集之后，还包括：

对所述磁共振成像数据集进行预处理，包括：

对所述磁共振成像数据集配准到标准MNI152模板中；

在配准之后的图像上进行分割，得到灰质、白质、脑脊液的图像，并进行去头颅、偏差矫正、去噪、平滑、的工作。

具体实施软件是使用freesurfer进行去头颅操作，其余操作使用FSL进行。

S102：通过使用深度学习中的卷积网络构建基础脑龄预测模型，使用所述磁共振成像数据集对所述基础脑龄预测模型进行预测，得到脑龄预测模型；

进一步地，在本发明的一个实施例中，所述通过使用深度学习中的卷积网络构建基础脑龄预测模型，包括：

采用卷积神经网络作为基础脑龄预测模型的框架，并引了短时傅里叶变换层来替代部分传统的卷积层。

进一步地，在本发明的一个实施例中，所述使用所述磁共振成像数据集对所述基础脑龄预测模型进行预测，包括：

通过使用反向传播将预测值与真实年龄值之间计算损失函数，所述损失函数为分类交叉熵。

本发明的脑龄预测模型是由三部分构成。第一部分称为 "Block1"，由两个并行的处理链路组成，通过通道连接。第一条链路包括一个1x1x1大小的滤波器、一个边节点为3的STFT块以及ReLu激活函数。第二条链路包括一个1x1x1大小的滤波器、一个边节点为5的STFT块以及ReLu激活函数。

第二部分称为 "Block2"，由四个并行的处理链路组成，通过通道连接。第一条链路包括一个1x1x1大小的滤波器、一个边节点为3的STFT块、ReLu激活函数以及128个1x1x1大小的滤波器。第二条链路包括一个1x1x1大小的滤波器、一个边节点为5的STFT块、ReLu激活函数以及128个1x1x1大小的滤波器。第三条链路包括128个1x1x1大小的滤波器。这三条链路通过通道连接，并连接到平均池化层。第四条链路从Block2输入直接连接到平均池化层，形成短路。边节点数和最后一层滤波器的数量都是超参数，可通过消融实验进行超参数的选择，本实验发现节点数为3和5，滤波器数量为128效果较好。

第三部分由256个1x1x1大小的滤波器的卷积层、平均池化层以及线性层组成。这个模型的结构通过不同的部分和链路组合，以满足轻量化脑龄预测的需求，并采用了STFT块、滤波器和池化层等技术元素，以有效地提取和处理特征。

Block1和Block2的第一层卷积层使用单个1x1x1的滤波器对数据进行卷积操作，目的是使其通道数转换为1，便于后续的STFT层操作。在Block2的第三条线路中仅使用一层卷积层，无需进行STFT层操作。因此，使用具有128个1x1x1的滤波器对图像进行卷积操作，以便与前面的链路中的最后一层进行通道连接。

短时傅里叶变换（Short-Time Fourier Transform，STFT）是将信号分为多个短时间窗口，并在每个窗口内执行傅里叶变换，从而获得信号在不同时间段内的频域表示。在磁共振图像中，将图像的部分邻域看作窗口，在每个窗口内使用短时傅里叶变换提取特征可以显著降低参数量。傅里叶变换的核心思想是任何复杂的周期性信号都可以看作是许多不同频率的简单正弦和余弦波的叠加。

于结构磁共振图像是具有长宽高的立体图形，可以使用局部块对输入图像进行遍历，通过短时傅里叶变换对每个局部块的边节点进行特征提取，本发明将局部块的边节点定为3和5，边节点数量可根据模型大小进行调整。局部块中三位局部邻域如图2所示，用于计算STFT的频率点被标出，选择的频率点被标记为红色，绿色的频率点是红色点的复杂共轭。通过使用三维局部邻域进行短时傅里叶变换提取到局部频域的信息进行特征提取。使用三维邻域对整个磁共振图像进行遍历后可以得到整个磁共振图像的特征。使用低频变量是因为低频变量通常包含大部分信息且其具有比高频分量更好的信噪比。

短时傅立叶变换（STFT）用于局部频域的定义，对于任意位置的x用三维局部邻域来定义三维局部频域，如公式所示:

，

其中，

通过对上述公式进行重写，表示为以下形式：

，

其中，

,

表示包含邻域/>

，

以每边节点数为3为例，考虑13个最低的非零频率变量，其局部频域可表示为如下公式：

，

在每个位置x的都具有实部和虚部两个分量，将其分离出来后可以得到共26个分量，因此，

其中，

,

由此可知，每边节点数为3的13个频率点的STFT矢量化形式可写为：

传统卷积层的参数量为

使用ReLu激活函数来提高效率和收敛速度，避免梯度消失问题。

在脑龄预测模型的训练过程中，使用通过使用反向传播将预测值与真实年龄值之间计算损失函数，损失函数为分类交叉熵，动量设置为0.9，学习率从0.008开始，如果验证损失稳定，将学习率降低两倍。

将数据集按比例7：3随机划分为训练集和测试集，随后初始化模型参数。在每个训练周期中，通过前向传播计算模型的预测结果，使用损失函数脑龄预测值与实际年龄之间的误差。然后利用反向传播算法计算梯度信息，更新模型的权重和参数。这个过程在多个训练周期中重复进行，同时周期性地使用验证数据来评估模型的性能，以便在需要时进行早期停止或超参数调整。在最后一次训练完成后保存模型以便后续使用。

S103：获取不同类型的脑组织数据集，使用所述脑组织数据集对所述脑龄预测模型进行训练，得到脑龄预测综合模型；所述脑组织数据集包括灰质、白质和脑脊液数据；

进一步地，在本发明的一个实施例中，所述获取不同类型的脑组织数据集，使用所述脑组织数据集对所述脑龄预测模型进行训练，得到脑龄预测综合模型，包括：

采用了Stacking方法，通过整合灰质、白质以及脑脊液的数据集，构建基础脑龄预测综合模型。

集成学习的基本思想在于将多个弱分类器或回归器组合，以生成一个强大的分类器或回归器。这些弱分类器或回归器可以是同一算法的不同实例，也可以来自不同算法。在实际应用中，集成学习方法，如Bagging、Boosting、Stacking等，被广泛应用于解决分类、回归以及特征选择等问题，因其卓越的准确性和鲁棒性备受青睐。本发明主要采用了Stacking方法，通过整合灰质、白质以及脑脊液的数据集，构建了用于脑龄预测的模型。

本发明使用集成学习的创新点主要体现在两个方面。首先，我们采用了Stacking方法，这一方法被用于整合多个模型或数据集，以提高脑龄预测的准确性和性能，为脑龄预测领域带来了一种创新的方法论。其次，我们将不同类型的脑组织数据集，包括灰质、白质和脑脊液，进行了整合，构建了一个用于脑龄预测的综合模型。这一数据整合方法有望提供更全面的信息，从而提高了预测的精确性，为医学图像处理领域带来了新的可能性和进步。

大部分的脑龄预测模型使用灰质作为输入图像，这必将损失白质及脑脊液相关信息，本发明为了可以从原始图像中尽可能多的提取特征，选择将灰质、白质和脑脊液的图像都进行预处理后得到三种类型的图像数据：灰质、白质和脑脊液。使用这三种数据脑龄预测模型进行训练，可以得到三种训练后的模型。通过集成学习将这三种模型集成到一起，输出集合三种模型的脑龄预测结果。

Stacking是一种集成学习方法，其核心思想是通过将多个基模型的预测结果用作新的训练数据，然后将这些数据输入到另一个模型中，以进行模型融合和预测。具体而言，Stacking首先将原始数据划分为训练集和测试集，接着训练多个基模型在训练集上进行训练，并利用它们对测试集进行预测。然后，基模型的预测结果被视为新的训练数据，输入到一个称为元模型（Meta-Model）的模型中。元模型通常选择线性回归或逻辑回归等模型，用于融合基模型的多样性预测结果。最终，Stacking将元模型的输出作为最终的预测结果。Stacking的优势在于能够充分利用不同基模型之间的互补性，从而提升了模型的预测性能和稳定性。然而，Stacking也存在一些缺点，包括对更多的计算资源和时间的需求，以及需要进行交叉验证和参数调整，以获得更好的性能表现。

具体而言，本发明中集成学习使用Stacking分层训练，使用Stacking第一层基础模型，基于使用VBM分割得到的灰质、白质、脑脊液数据训练出三个模型，Stacking的第二层训练通过选择简单的线性回归模型，最终得到集成三个基础模型后的脑龄预测值。其集成流程如图3所示。

S104：通过迁移学习技术，将所述脑龄预测综合模型迁移至脑疾病分类模型中；通过所述脑疾病分类模型进行脑疾病分类。

迁移学习为解决脑疾病分类等实际问题提供了强大的工具和技术。该方法利用健康人的实际年龄数据来建立和训练模型，然后通过微调脑龄预测模型的最后一层，将从脑龄预测任务中学到的知识传递到脑疾病分类任务中，以提升目标任务的性能。这一方法在迁移学习的应用领域中具有重要意义，为医学和健康领域的研究和实践提供了有力支持。

首要步骤是建立一个基于健康人实际年龄数据的模型，采用深度学习神经网络，经过大规模数据集的训练，能够学习到年龄与各种特征之间的关联，以准确预测个体的年龄。

一旦建立了脑龄预测模型，接下来的关键步骤是进行迁移学习。在这个过程中，我们充分利用已经训练好的脑龄预测模型，并对其最后一层进行微调，以使其适应脑疾病分类任务的需求。这个迁移学习的过程可以将先前模型的知识有效地转化为解决新任务的能力。具体的迁移学习流程图如图4所示。

通过借助迁移学习技术，在保持既有知识的基础上，通过微调模型的最后一层，将从脑龄预测任务中积累的宝贵知识有力地传递至脑疾病分类任务中的能力。这一创新方法旨在提升分类任务的性能水平，通过充分利用之前模型学到的信息，使脑疾病分类更为精准和高效。

微调后的模型将保留了从脑龄预测任务中学到的有用特征，这些特征对脑疾病分类任务也有帮助。通过这种方式，模型能够更好地识别脑疾病相关的模式和特征，从而提高了在脑疾病分类中的性能。

利用迁移学习方法，将健康人实际的年龄数据用于构建和微调模型，可以有效地提高脑疾病分类等实际问题的解决能力。这种方法充分利用了预训练模型的知识，为医学和健康领域的研究和实践带来了新的希望和机遇。通过不断改进和验证，我们可以期待更好地应用这一方法来改善脑疾病的诊断和治疗。

本发明实施例提出的基于人工智能模型的大脑健康评估方法，通过深度学习技术和短时傅里叶变换构建脑龄预测模型，降低模型参数减少过拟合。使用集成学习，融合多个预测模型，提高模型精度。使用迁移学习将训练好的脑龄预测模型应用于神经退行性疾病分类。

为了实现上述实施例，本发明还提出基于人工智能模型的大脑健康评估装置。

图5为本发明实施例提供的一种基于人工智能模型的大脑健康评估装置的结构示意图。

如图5所示，该基于人工智能模型的大脑健康评估装置包括：获取模块100，第一训练模块200，第二训练模块300，迁移学习模块400，其中，

获取模块，用于获取健康大脑结构的磁共振成像数据集，所述磁共振成像数据集包括被试的年龄、性别信息，以及T1加权成像；

第一训练模块，用于通过使用深度学习中的卷积网络构建基础脑龄预测模型，使用所述磁共振成像数据集对所述基础脑龄预测模型进行预测，得到脑龄预测模型；

第二训练模块，用于获取不同类型的脑组织数据集，使用所述脑组织数据集对所述脑龄预测模型进行训练，得到脑龄预测综合模型；所述脑组织数据集包括灰质、白质和脑脊液数据；

迁移学习模块，用于通过迁移学习技术，将所述脑龄预测综合模型迁移至脑疾病分类模型中；通过所述脑疾病分类模型进行脑疾病分类。

进一步地，在本发明的一个实施例中，所述获取模块，还用于：

对所述磁共振成像数据集进行预处理，包括：

对所述磁共振成像数据集配准到标准MNI152模板中；

在配准之后的图像上进行分割，得到灰质、白质、脑脊液的图像，并进行去头颅、偏差矫正、去噪、平滑、的工作。

进一步地，在本发明的一个实施例中，所述第一训练模块，还用于：

采用卷积神经网络作为基础脑龄预测模型的框架，并引了短时傅里叶变换层来替代部分传统的卷积层。

进一步地，在本发明的一个实施例中，所述第一训练模块，还用于：

通过使用反向传播将预测值与真实年龄值之间计算损失函数，所述损失函数为分类交叉熵。

进一步地，在本发明的一个实施例中，所述第二训练模块，还用于：

采用了Stacking方法，通过整合灰质、白质以及脑脊液的数据集，构建基础脑龄预测综合模型。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

尽管上面已经示出和描述了本发明的实施例，可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。