(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211027772.5 (22)申请日 2022.08.25 (71)申请人 西安交通大 学 地址 710049 陕西省西安市碑林区咸宁西 路28号 (72)发明人 白丽君　刘玉玲　赵文璞　姬秋雨　 (74)专利代理 机构 西安通大专利代理有限责任 公司 6120 0 专利代理师 高博 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01)G16H 50/20(2018.01) A61B 5/00(2006.01) A61B 5/055(2006.01) (54)发明名称 基于弥散张量成像及卷积神经网络的脑龄 预测方法及系统 (57)摘要 本发明公开了一种基于弥散张量成像及卷 积神经网络的脑龄预测方法及系统， 利用公开数 据集中健康人群的弥散张量成像数据及对应被 试的实际年龄形成初始样本集； 对初始样本集中 的弥散张量成像数据进行数据预处理， 得到对应 的处理后图像； 将所述处理后图像划分为训练样 本集及测试样本集； 将训练样 本集的处理后图像 及对应测试者的实际年龄作为输入对三维卷积 神经网络进行训练， 构建脑龄预测回归模型； 根 据所述脑龄预测回归模型对测试样本集进行脑 龄预测。 节省了时间， 并减少了脑龄预测误差， 利 用平均绝对误差作为模型精确度的衡量指标， 结 果具有一定的可靠性。 权利要求书2页 说明书8页 附图2页 CN 115359013 A 2022.11.18 CN 115359013 A 1.基于弥散张量成像及卷积神经网络的脑龄预测方法， 其特 征在于， 包括以下步骤： S1、 利用公开数据集中的弥散张量成像数据及对应测试者的实际年龄形成初始样本 集； S2、 对步骤S1得到的初始样本集中的弥散张量成像数据进行数据预处理， 得到处理后 的图像； S3、 将步骤S2处理后的图像按对应测试者的实际年龄划分为年龄分布均匀的训练样本 集及测试样本集； S4、 将步骤S3得到的训练样本集及对应测试者的实际年龄作为输入训练三维卷积神经 网络， 构建脑龄预测模型； S5、 将步骤S3得到的测试样本集输入步骤S4构建的脑龄预测模型中， 实现脑龄预测。 2.根据权利要求1所述的基于弥散张量成像及卷积神经网络的脑龄预测方法， 其特征 在于， 步骤S2具体为： S201、 对初始样本集中的弥散张量成像数据进行格式转换； S202、 对步骤S201格式转换后的图像进行提取b0图像， 剥脑， 涡流校正和计算弥散张量 成像指标处 理， 得到所有被试个 体空间下的FA图像； S203、 对步骤S202得到的FA图像进行TBSS处理， 得到每个被试在标准MNI152空间下的 3D FA图像。 3.根据权利要求2所述的基于弥散张量成像及卷积神经网络的脑龄预测方法， 其特征 在于， 步骤S202中， 弥散张量成像指标处 理包括各向异性分数 FA和平均弥散率MD。 4.根据权利要求2所述的基于弥散张量成像及卷积神经网络的脑龄预测方法， 其特征 在于， 步骤S20 3中， TBSS处理包括数据准备、 非线性配准及创建平均FA图像和骨架。 5.根据权利要求1所述的基于弥散张量成像及卷积神经网络的脑龄预测方法， 其特征 在于， 步骤S4具体为： S401、 将训练样本集中的弥散张量成像图像数据输入三维卷积神经网络模型； S402、 使用ReLu函数作为激活函数， 均方误差作为损失函数， 使用Adam算法对步骤S401 生成的脑龄预测模型参数进行优化； S403、 选择步骤S402优化后平均绝对误差MAE最低的脑龄预测模型作为最终的脑龄预 测模型； S404、 依据构建的脑龄预测模型， 生成训练样本集预测脑龄 。 6.根据权利要求5所述的基于弥散张量成像及卷积神经网络的脑龄预测方法， 其特征 在于， 步骤S401中， 三维卷积神经网络模 型包括五个特征提取模块及三个全连接层， 每个特 征提取模块包含两个卷积核大小为3 ×3×3， 步长为 1×1×1的三维卷积层、 一个大小为2 × 2×2， 步长为2 ×2×2的最大池化层、 批归一 化层及ReLU激活函数。 7.根据权利要求6所述的基于弥散张量成像及卷积神经网络的脑龄预测方法， 其特征 在于， 第一个特征提取模块中使用了8个特征图， 第二个特征提取模块中的特征图数量为 16， 第三个特征提取模块中特征图数量为32， 第四个特征提取模块中特征图数量为64， 第五 个特征提取模块中特 征图数量 为128。 8.根据权利要求6或7所述的基于弥散张量成像及卷积神经网络的脑龄预测方法， 其特 征在于， 五个特征提取模块的参数总数分别为1992、 10,464、 41,664、 166,272及663,808， 最权　利　要　求　书 1/2 页 2 CN 115359013 A 2后一个全连接层具有576 0个参数， 三维卷积神经网络模型的总参数为8 89,960。 9.根据权利要求6所述的基于弥散张量成像及卷积神经网络的脑龄预测方法， 其特征 在于， 三个全连接层的输出通道数分别为128， 64， 1。 10.一种基于弥散张量成像及卷积神经网络的脑龄预测系统， 其特 征在于， 包括： 数据模块， 利用公开数据集中的弥散张量成像数据及对应测试者的实际年龄形成初始 样本集； 处理模块， 对步数据模块得到的初始样本集中的弥散张量成像数据进行数据预处理， 得到处理后的图像； 划分模块， 将处理模块处理后的图像按对应测试者的实际年龄划分为年龄分布均匀的 训练样本集及测试样本集； 训练模块， 将划分模块得到的训练样本集及对应测试者的实际年龄作为输入训练三维 卷积神经网络， 构建脑龄预测模型； 预测模块， 将划分模块得到的测试样本集输入训练模块构建的脑龄预测模型中， 实现 脑龄预测。权　利　要　求　书 2/2 页 3 CN 115359013 A 3