[发明专利]一种双模态影像的脑龄预测方法

权利要求书

1.一种双模态特征融合方法，所述双模态为MRI与PET两种医学影像；所述特征融合是基于3D卷积神经网络方法获得，包括如下步骤：

S01使用两个浅层3D卷积神经网络作为骨干网络来提取PET和MRI图像的浅层特征；

S02将S01两条骨干网络提取出的MRI与PET影像的特征在通道维度拼接，然后输入到压缩激励模块(Squeeze-and-ExcitationNetworks)；

S03将激励部分的输出结果和原始的特征图相乘，得到融合通道注意力信息的特征，获得双模态特征的融合特征图。

2.如权利要求1所述一种双模态特征融合方法，其特征在于，所述骨干网络基于VGG网络(VGGNet)，由至少3个基本模块组成；每一个模块都包含3D卷积层、批归一化层、最大池化层和ReLU激活层。

3.如权利要求1所述一种双模态特征融合方法，其特征在于，所述压缩激励模块由一个全局平均池化层和两个全连接层组成，压缩部分的输入是H×W×C(H是高度(Height)，W是宽度(width)，C是通道数(channel))的特征图，激励部分的输入是压缩部分的输出，将激励部分后的输出结果1×1×C和原始的特征图H×W×C相乘，得到融合通道注意力信息的融合特征图。

4.一种脑龄预测方法，所述预测方法是基于MRI与PET双模态影像特征融合技术的脑龄预测方法，所述方法包括以下步骤：

S1获取训练样本集：所述训练样本集包括公开数据库中健康人的大脑MRI与PET影像、性别标签和真实年龄；

S2：数据预处理：将健康人的MRI与PET影像进行预处理，对MRI与PET影像进行原点校正，将原点校正后的PET影像与对应的MRI影像进行空间标准化，统一全部影像的坐标空间；接着对PET与MRI影像进行平滑处理和归一化处理，或归一化处理和平滑处理；

S3采用如权利要求1所述的双模态特征融合技术，获得经步骤S2处理的MRI与PET影像的融合特征图；

S4通过至少2个3D卷积神经网络模块进一步提取自步骤S3输出的融合特征图进行训练，通过平均池化层(Average Pool)、Dropout层(Dropout)、卷积层和Softmax激活函数输出脑龄预测结果(PredictedAge)，得到初步脑龄预测模型；

S5对所述脑龄初步预测模型进行评估，所述评估方法选自健康人实际年龄与模型输出的脑龄预测结果之间的均方根误差(root mean squared error，RMSE)、平均绝对误差(mean absolute error，MAE)或/和决定系数(coefficient of determination，R2)进行模型效能评估；

S6脑龄预测模型的优化，可对上述脑龄预测模型采用回归校正，对基于健康人群的脑龄偏差(模型预测年龄与实际年龄之间的差值)与实际年龄之间进行拟合；使用实际年龄作为协变量对预测年龄进行校正，获得优化的脑龄预测模型；

S7将待测者的MRI及PET影像输入至上述获得的脑龄预测模型，获得待测者的脑龄预测结果，为预测的脑龄和/或脑龄偏差。

5.如权利要求4所述的脑龄预测方法，其中选择加权MRI图像与18F-FDG PET图像。

6.如权利要求4所述的脑龄预测方法，所述空间标准化是将校正后的图像依次配准到蒙特利尔神经病学研究所(Montreal Neurological Institute,MNI)研发的标准脑模板空间中，以统一全部图像的坐标空间。