基于双空间信息级联校正网络的脑年龄预测方法和系统
本发明属于脑龄预测、医学图像数据处理,具体涉及一种基于双空间信息级联校正网络的脑年龄预测方法和系统。
背景技术:
1、脑网络方法通常将脑区定义为节点,并利用形态学、解剖学、功能连接或影像组学特征之间的关联构建边,从而将脑衰老相关变化表示为脑区间相互作用关系。已有研究表明,基于皮层形态特征构建的脑网络可用于脑年龄预测,并能够揭示与衰老相关的连接模式;基于结构磁共振成像构建的脑区级结构图以及图神经网络方法,也能够利用脑区间关系进行脑年龄估计。此外,功能连接相关研究也提示,脑网络层面的组织模式包含与年龄敏感的关键信息,并可能反映神经退行性疾病中的加速脑衰老过程。
2、然而,现有脑网络或图结构方法仍存在一定局限。一方面,脑网络方法对脑区节点划分方式和边连接构建策略较为敏感,不同脑区模板、特征选择方式或相似性度量方法可能导致预测稳定性下降。另一方面,脑网络方法在建模脑区间关系时,可能丢失体素级细粒度解剖信息,难以充分保留原始结构磁共振图像中的局部形态变化。另一方面,现有方法通常将图特征和图结构特征作为独立预测来源进行脑年龄估计,而较少将脑区间结构关系作为对图像空间预测结果的补充校正信息,从而限制了图像级特征与脑区级关系特征之间的协同利用。此外,脑网络方法虽然具有较高预测精度,但可解释性不足,难以从脑区级或连接级角度说明哪些解剖区域或脑区间关系对预测结果产生贡献。
技术实现思路
1、本发明的目的在于提供一种基于双空间信息级联校正网络的脑年龄预测方法和系统,以解决现有脑网络方法弱化甚至丢失原始结构磁共振图像中的体素级细粒度解剖信息、缺乏图特征和图结构特征两者结合的稳定预测校正机制、可解释性不足等问题。
2、为了实现上述目的,本发明的技术方案如下:
3、本发明提供一种基于双空间信息级联校正网络的脑年龄预测方法,包括以下步骤:
4、s1:基于获取的t1加权成像,对其进行预处理,得到预处理后的图像;对其进行灰质体积图分割和脑区划分后,提取每个脑区内的影像组学特征,对应生成第一脑区节点特征矩阵,基于第一脑区与第二脑区的影像组学特征的相似性,构建脑区间结构关系的邻接矩阵,构建区域影像组学相似性网络;
5、s2:从预处理后的图像中提取脑年龄相关的特征,并映射为初始脑年龄预测值,将初始脑年龄预测值映射得到基础脑年龄估计;
6、s3:将区域影像组学相似性网络通过图卷积和残差校正,得到有界残差校正项;
7、s4:将基础脑年龄估计与有界残差校正项融合,得到最终脑年龄预测值。
8、具体地,s1中所述预处理为对成像进行空间配准、颅骨剥离、脑组织区域提取和强度标准化,得到预处理后的图像。
9、具体地,s1中所述对其进行灰质体积图分割和脑区划分后,提取每个脑区内的影像组学特征,对应生成第一脑区节点特征矩阵,具体操作为:
10、对预处理后的图像进行组织分割和空间调制,生成保留局部体积信息的灰质体积图;
11、利用预设脑区模板将灰质体积图划分为多个脑区;
12、在每个脑区内提取一组定量影像组学特征,形成脑区节点特征矩阵。
13、具体地,s2中所述从预处理后的图像中提取脑年龄相关的特征,并映射为初始脑年龄预测值,具体操作为:从预处理后的图像中提取脑年龄相关的特征,得到特征图,局部卷积分支、频谱域分支和轴向注意力分支三条分支并行,通过局部卷积分支增强局部脑结构特征,通过频谱域分支构建全局结构上下文特征,通过轴向注意力分支提取长程空间特征,三条分支的输出通过拼接融合得到综合特征;将综合特征经全局池化并映射为初始脑年龄预测值
14、具体地,s2中所述将初始脑年龄预测值映射得到基础脑年龄估计,具体操作如下:将综合特征、初始脑年龄预测值和可选协变量通过全连接映射或多层感知机生成基础脑年龄估计。
15、具体地,s3中所述将区域影像组学相似性网络通过图卷积和残差校正,得到有界残差校正项,具体操作如下:
16、将区域影像组学相似性网络中的脑区间结构关系的邻接矩阵加入自连接,进行对称归一化后,通过图卷积层进行脑区间信息传播和聚合,得到节点级表示,通过全局平均池化汇聚得到级图嵌入,通过轻量级映射函数生成原始残差,采用双曲正切函数对原始残差进行幅度约束,并乘以预设缩放系数,得到图结构诱导的有界残差校正项。
17、具体地,s4中所述将基础脑年龄估计与有界残差校正项融合,得到最终脑年龄预测值,其公式为:
18、 (16)
19、其中,表示最终脑年龄预测值,表示图结构诱导的有界残差校正项,表示预设最大校正幅度,利用将输出范围限制在至之间,表示校正头,表示校正头的可学习参数,表示图级嵌入,表示基础校正映射函数,表示其可学习参数,表示基础脑年龄估计,表示校正输入向量。
20、具体地,通过实际年龄与初始脑年龄预测值计算得到图像空间预测损失,进行图像空间预测训练;通过实际年龄与最终脑年龄预测值计算得到最终预测损失,通过最终预测损失与图像空间预测损失计算得到图引导残差校正损失,进行图引导残差校正训练。
21、具体地,通过实际年龄与初始脑年龄预测值计算得到图像空间预测损失,进行图像空间预测训练,其公式为:
22、 (17)
23、其中,表示图像空间预测损失,表示批量大小,表示实际年龄,表示图像空间初始预测脑年龄;
24、通过实际年龄与最终脑年龄预测值计算得到最终预测损失,通过最终预测损失与图像空间预测损失计算得到图引导残差校正损失,进行图引导残差校正训练,其公式为:
25、 (18)
26、其中,表示图引导残差校正损失,表示校正规则项权重,表示最终脑年龄预测值。
27、本发明还提供一种基于双空间信息级联校正网络的脑年龄预测系统,包括以下模块:
28、区域图构建模块:基于获取的t1加权成像,对其进行预处理,得到预处理后的图像;对其进行灰质体积图分割和脑区划分后,提取每个脑区内的影像组学特征,对应生成第一脑区节点特征矩阵,基于第一脑区与第二脑区的影像组学特征的相似性,构建脑区间结构关系的邻接矩阵,构建区域影像组学相似性网络;
29、图像空间预测模块:从预处理后的图像中提取脑年龄相关的特征,并映射为初始脑年龄预测值,将初始脑年龄预测值映射得到基础脑年龄估计;
30、图引导残差校正模块:将区域影像组学相似性网络通过图卷积和残差校正,得到有界残差校正项;
31、结果输出模块:将基础脑年龄估计与有界残差校正项融合,得到最终脑年龄预测值。
32、采用本发明提供的技术方案,与现有技术相比,具有如下有益效果:
33、1.本发明通过图像空间预测模块,使得该方法能够在同一特征单元中同时提取局部形态特征、全局上下文和长程空间依赖关系,提高三维结构磁共振图像的年龄相关特征表达能力。通过区域图构建模块,使脑区间结构关联能够以图结构形式参与脑年龄预测,有助于反映脑衰老的分布式和网络化变化。
34、2.本发明通过图像空间预测模块和图引导残差校正模块,同时利用体素级解剖信息和脑区级结构关系信息,克服单一图像空间预测对脑区间结构关系表达不足的问题。
35、3.本发明采用有界残差校正策略,将图结构信息作为稳定校正信号引入最终预测过程,避免图分支产生过大校正或替代图像空间预测,提高预测结果的稳定性和可控性。
36、4.本发明的图引导残差校正模块和结果输出模块支持脑区级和连接级解释分析,能够输出与脑年龄预测相关的重要脑区和脑区间关系,提高深度学习脑年龄预测模型的可解释性。
37、5.本发明可通过软件系统、电子设备和存储介质实现,便于集成至医学影像分析平台或脑健康科研分析流程中。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com