本發明涉及醫學影像分析,具體是涉及一種適用于不等時間點長度腦影像的腦齡預測方法。
背景技術:
1、在神經科學領域,大腦年齡可以作為評估大腦健康的重要指標,其與實際年齡之間的差值,即腦齡差距,能夠反映出個體大腦偏離正常發育軌跡的程度。正腦齡差距可能意味著個體的大腦在加速衰老,而負腦齡差距則可能表明大腦存在發育遲緩的情況。隨著神經影像技術的快速發展,靜息態功能磁共振成像(fmri)技術為大腦年齡的預測提供了新的可能性。fmri是一種非侵入式的腦功能成像技術,通過利用受試者自然休息狀態下的血氧水平依賴(bold)信號測量大腦不同區域之間的神經活動。現有技術中使用支持向量機的多變量模式分析靜息態fmri數據,成功預測了兒童和青少年大腦成熟度。現有技術中還提出了一種基于殘差的稀疏學習方法從靜息態和任務態fmri提取有效特征后用機器學習來預測青少年的大腦年齡。又有使用彈性網建立腦齡預測模型探究了任務和靜息態fmri數據在預測個體大腦年齡方面的相似性和差異性。
2、隨著深度學習技術的興起,多層感知器(mlp)、卷積神經網絡(cnn)和循環神經網絡(rnn)等深度學習模型在特征提取和模式識別方面展現出了強大的能力。因此,將這些深度學習模型應用于基于fmri的大腦年齡預測中,有望進一步提高預測的準確性和魯棒性。現有技術中利用基于協同非負矩陣分解的算法,從靜息態fmri中提取個體特異性的內在連接網絡,并計算全腦范圍內的體素級功能連接度量,將其堆疊為多通道4d圖像輸入到深度cnn模型中來提高大腦年齡預測的性能。又有一種基于圖卷積網絡(bc-gcn)的新方法,用于預測嬰兒大腦年齡。該方法利用靜息態fmri數據,通過圖路徑卷積和兩階段粗到細框架,引入殘差和注意力模塊增強模型性能,顯著提高了預測精度。又有提出的基于gru的深度學習模型能夠從fmri數據估計年齡,模型輸入使用aal圖譜以減少輸入維度。
3、然而,由于各種原因,如患者合作程度和生理狀態、掃描時間或技術限制、數據采集策略和數據預處理步驟差異等,實際獲取的fmri數據可能具有不同的時間點長度,在具體的實驗和研究中可能會增加數據預處理的復雜性,影響模型訓練和數據分析,增加跨研究整合比較的難度。為了統一時間點長度,研究人員可能需要采用特定的數據預處理技術,例如截斷、補全等。截斷較長的數據可能導致有價值的信息丟失,尤其是在數據的末尾包含重要信息時。補全較短的數據可能需要依賴于外部信息或假設,這可能會引入額外的不確定性。盡管功能連接可以在一定程度上解決時間點不一致的問題,但它更關注于大腦不同區域之間的協調性和相關性,忽略了神經活動的動態變化。
技術實現思路
1、發明目的:針對以上缺點,本發明提供一種提高預測精度的適用于不等時間點長度腦影像的腦齡預測方法。
2、技術方案:為解決上述問題,本發明采用一種適用于不等時間點長度腦影像的腦齡預測方法,包括以下步驟:
3、(1)獲取歷史腦影像數據,并進行預處理,得到預處理后的腦影像數據;
4、(2)對預處理后的腦影像數據進行腦區劃分,并提取腦區的時間序列特征;
5、(3)通過提取的時間序列特征擬合高斯過程回歸模型,并預測預設觀察時間點范圍內的腦區特征;
6、(4)通過神經網絡提取預測的腦區特征的高階表示,得到高階特征;
7、(5)應用注意力機制處理高階特征得到注意力特征,通過注意力特征與高階特征進行腦齡預測。
8、進一步的,所述腦影像數據為靜息態功能磁共振成像,所述步驟(2)中根據腦圖譜對預處理后的腦影像數據進行腦區劃分,采用不同腦圖譜將腦影像數據中的每個體素點根據規則映射至感興趣區域,腦圖譜包括aal圖譜、yeo圖譜、schaefer100圖譜、schaefer300圖譜和schaefer500圖譜。
9、進一步的,所述步驟(3)中將提取的時間序列特征按照原始掃描時間點長度排列形成特征矩陣d,所述高斯過程回歸模型采用徑向基函數rbf作為高斯核來衡量特征矩陣d不同時間點數據之間的距離,距離公式為:
10、
11、其中,xi為特征矩陣d的第i個時間點,xj為特征矩陣d的第j個時間點,σ2為信號方差,exp()為指數函數,l為控制核函數的寬度。
12、進一步的,所述步驟(3)中通過最大化對數邊際似然函數優化高斯過程回歸模型的超參數,優化的目標函數為:
13、
14、其中,y為目標值向量,x為輸入的特征矩陣d,θ為核函數的超參數,k為特征矩陣d構建的協方差矩陣,n為時間點的總數。
15、進一步的,所述步驟(4)中通過分割通道部分殘差連接的混合卷積神經網絡提取預測的腦區特征的高階表示,所述混合卷積神經網絡包括初始卷積塊、分割通道殘差連接卷積塊和特征拼接塊,所述腦區特征先通過初始卷積塊提取初步特征,初步特征經分割通道殘差連接卷積塊進行分通道處理得到各通道特征,各通道特征經特征拼接塊拼接后得到高階特征。
16、進一步的,所述分割通道殘差連接卷積塊將初始卷積塊提取的初步特征按通道劃分為若干組,每組獨立進行操作。
17、進一步的,所述分割通道殘差連接卷積塊將初始卷積塊提取的初步特征按通道劃分為兩組,其中一組通道特征進行卷積后直接傳遞到下一階段,另一組進行殘差連接,每個殘差連接包含一個主分支和一個殘差分支,主分支的通道特征依次通過卷積層、批量歸一化層和激活函數層進行處理,殘差分支的通道特征通過跳躍連接將輸入直接加到主分支的輸出上,實現恒等映射。
18、進一步的,所述步驟(5)中的注意力機制將高階特征映射到三個不同的表示子空間,分別為查詢q、鍵k和值v,映射公式為:
19、q=wqx+bq
20、k=wkx+bk
21、v=wvx+bv
22、其中,x為輸入的高階特征,wq、wk、wv為權重矩陣,bq、bk、bv為對應的偏置項;
23、使用查詢q和鍵k的映射計算注意力權重,注意力權重加權值v的映射,具體公式為:
24、
25、其中,dk為鍵k的維度,kt為鍵k的轉置,softmax()為激活函數。
26、進一步的,所述步驟(5)中將注意力特征與高階特征進行融合,融合后的特征作為新的特征再次通過自注意力機制進行處理,得到新的注意力特征,注意力特征通過多次融合更新,得到最后一層注意力特征。所述通過注意力特征與高階特征進行腦齡預測具體為:將原始的高階特征與最后一層注意力特征分別展平成特征向量,將展平后的特征向量分別通過全連接層回歸得到初步的腦齡預測結果;最后將原始的高階特征與最后一層注意力特征的腦齡預測結果進行平均,得到最終腦齡預測結果。
27、有益效果:本發明相對于現有技術,其顯著優點是通過原始fmri數據擬合高斯過程回歸模型來預測在預設觀察時間點長度上的特征,最大化地利用每個fmri數據的動態信息,減輕噪音對fmri數據的影響,預設觀察時間點長度上的特征可以直接作為預測特征或者再次計算功能連接進行后續的預測分析。采用分割通道部分殘差連接卷積塊將初始卷積層的特征分組,并分別處理,減少了在當前階段需要處理的特征數量,使得模型能夠同時利用原始特征和殘差特征,提高了特征的利用率和模型的表示能力。自注意力機制能夠捕獲特征之間的高階交互,卷積塊特征和自注意力特征的融合使得模型能夠學習到更豐富的特征信息,提高了模型的學習能力和泛化能力,取得了較好的預測精度,并在不同的圖譜下都具有較好的魯棒性。