[发明专利]一种基于全卷积神经网络的可解释脑龄预测方法

说明书

本发明属于深度学习技术领域，具体涉及一种基于全卷积神经网络的可解释脑龄预测方法，包括数据预处理，运用全卷积神经网络构建脑龄预测模型，进行模型训练和评估，采用网络遮挡敏感度分析和人类脑网络组图谱对脑龄预测过程中相关的大脑区域进行可解释性分析，定位与脑龄预测最相关的脑区位置。本发明的预测方法能够针对特定的大脑区域进行解释，并精确地定位到与脑龄预测最相关的脑区位置，使得到的脑区贡献信息更加准确，不会带有先验偏见。

技术领域

本发明属于深度学习技术领域，具体涉及一种基于全卷积神经网络的可解释脑龄预测方法。

背景技术

目前，基于卷积神经网络对大脑年龄进行预测逐渐成为主流，但是，卷积神经网络中的全连接层的层数过深，往往会导致参数规模异常庞大，使得训练成本过高。除此之外，尽管深度学习提供了相应的年龄预测，但它通常很难识别出对预测有重要影响的特征。

可见，现有技术不能针对特定的大脑区域进行解释，并且，现有的脑龄预测方法产生的结果通常是模糊的或带有先验偏见的。因此，亟需一种新型预测方法以解决上述问题。

发明内容

本发明的目的在于：针对现有技术的不足，提供一种基于全卷积神经网络的可解释脑龄预测方法，其有效地降低了参数规模，提升了训练效率，保障了预测结果精准可靠。

为了实现上述目的，本发明采用如下技术方案：

一种基于全卷积神经网络的可解释脑龄预测方法，包括以下步骤：

S1、数据预处理，获得所需的灰质图像；

S2、运用全卷积神经网络构建脑龄预测模型；

S3、对所述脑龄预测模型进行模型训练和评估；

S4、采用网络遮挡敏感度分析和人类脑网络组图谱对脑龄预测过程中相关的大脑区域进行可解释性分析，定位与脑龄预测最相关的脑区位置。

进一步地，所述S1中包括：

S1-1、采用结构磁共振成像数据作为数据源；

S1-2、提取所述数据源中的灰质图像，使用DARTEL算法将灰质图像的空间归一化，将所有灰质图像映射到标准空间；

S1-3、构建一个分布均匀的训练集，构建一个独立的测试集。

进一步地，所述S1-2中还包括：采用4毫米全宽半高的高斯滤波器对映射到标准空间的所有灰质图像进行平滑处理，以提高图像数据的信噪比。

进一步地，所述S2中包括：

S2-1、将灰质图像输入三维全卷积神经网络模型；

S2-2、依据构建的脑龄预测模型，生成预测年龄的概率分布，将每个年龄和每个年龄的预测概率相乘，得到所需的年龄预测情况。

进一步地，所述三维全卷积神经网络模型包括卷积层、归一化层、ReLU激活函数和最大池化层。

进一步地，所述S3中包括：

S3-1、使用Cross-Entropy Loss作为损失函数，使用SGD对所述脑龄预测模型进行优化；

S3-2、使用十折交叉验证来评估所述脑龄预测模型，并选择平均绝对误差MAE最低的模型作为最终的最佳模型。

进一步地，所述S4中还包括：采用网络遮挡敏感度分析方法得到各个脑区的对预测产生的贡献度值，并对各个贡献度值进行排序，获得贡献度值的分布情况。