摘要: 摘 要: 针对功能磁共振成像(fMRI)脑龄预测精度较低、以及该问题与深度学习结合研究较少的现状,提出了一种轻量级多尺度卷积网络的功能磁共振成像脑龄预测模型(LMCN)。首先,通过计算fMRI中感兴趣区域(ROI)的皮尔逊相关系数得到ROI的功能连接矩阵(FC),作为输入;其次,提升FC通道数保证特征数量的同时缩小特征图尺寸,采用具有人类视觉注意力特点的多尺度空洞卷积模块(RFB)对年龄特征进行提取;最后,通过全连接层输出预测脑龄,并且计算各脑区的消融预测结果,探索对脑龄预测结果产生影响的关键脑区。在E-NKI和Cam-CAN两个公开数据集上进行评估,LMCN参数所需内存为2.30MB,比MobileNetV3、ShuffleNetV2减少60.3%、43.5%。预测结果上,在E-NKI数据集,平均绝对误差(MAE)为5.16,皮尔逊相关系数(R)为0.947,均方根误差(RMSE)为6.40,与基于网络的特征选择结合最小角回归模型相比,MAE减少1.34,R增加0.037;在Cam-CAN数据集,MAE为5.97,R为0.904,RMSE为7.93,与基于连接组的机器学习模型相比,R提升0.019,RMSE减少0.64。结果表明,LMCN在参数量较小易于部署的同时,能够有效提高fMRI脑龄预测精度,为评估健康成人脑部状态提供线索。
中图分类号: