轻量级多尺度卷积网络的功能磁共振成像脑龄预测模型

doi:10.11772/j.issn.1001-9081.2023121764

《计算机应用》唯一官方网站 ›› 2024, Vol. 44 ›› Issue (12): 3949-3957.DOI: 10.11772/j.issn.1001-9081.2023121764

轻量级多尺度卷积网络的功能磁共振成像脑龄预测模型

沈嫣然, 温昕, 张瑾昊, 张帅, 曹锐, 高保禄()

太原理工大学软件学院，山西晋中 030600

收稿日期:2023-12-21 修回日期:2024-04-03 接受日期:2024-04-07 发布日期:2024-04-28 出版日期:2024-12-10
通讯作者: 高保禄
作者简介:沈嫣然（1997—），女，山西长治人，硕士研究生，CCF会员，主要研究方向：脑科学、深度学习
温昕（1989—），男，山西大同人，讲师，博士，主要研究方向：脑科学、深度学习
张瑾昊（1998—），男，山西长治人，硕士研究生，主要研究方向：脑科学、深度学习
张帅（1997—），男，山西吕梁人，硕士研究生，主要研究方向：脑科学、深度学习
曹锐（1982—），男，山西太原人，副教授，博士，主要研究方向：脑科学、人工智能、虚拟现实；
基金资助:
国家自然科学基金资助项目(62206196);山西省自然科学基金资助项目(202103021223035)

fMRI brain age prediction model with lightweight multi-scale convolutional network

Yanran SHEN, Xin WEN, Jinhao ZHANG, Shuai ZHANG, Rui CAO, Baolu GAO()

School of Software，Taiyuan University of Technology，Jinzhong Shanxi 030600，China

Received:2023-12-21 Revised:2024-04-03 Accepted:2024-04-07 Online:2024-04-28 Published:2024-12-10
Contact: Baolu GAO
About author:SHEN Yanran， born in 1997， M. S. candidate. Her research interests include brain science， deep learning.
WEN Xin， born in 1989， Ph. D.， lecturer. His research interests include brain science， deep learning.
ZHANG Jinhao， born in 1998， M. S. candidate. His research interests include brain science， deep learning.
ZHANG Shuai， born in 1997， M. S. candidate. His research interests include brain science， deep learning.
CAO Rui， born in 1982， Ph. D.， associate professor. His research interests include brain science， artificial intelligence， virtual reality.
Supported by:
National Natural Science Foundation of China(62206196);Natural Science Foundation of Shanxi Province(202103021223035)

摘要/Abstract

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，提出一种轻量级多尺度卷积网络的fMRI脑龄预测模型（LMCN）。首先，通过计算fMRI中感兴趣区（ROI）的皮尔逊相关系数（R）得到ROI的功能连接（FC）矩阵，并将该矩阵作为输入；其次，在提升FC通道数保证特征数的同时缩小特征图尺寸，并采用具有人类视觉注意力特点的多尺度空洞卷积模块RFB（Receptive Field Block）提取年龄特征；最后，通过全连接层输出预测脑龄，并计算各脑区的消融预测结果，从而探索对脑龄预测结果产生影响的关键脑区。在E-NKI和Cam-CAN这2个公开数据集上评估，可知LMCN参数所需内存为2.30 MB，比MobileNetV3、ShuffleNetV2分别减少了60.3%、52.0%。预测结果方面，在E-NKI数据集上，LMCN的平均绝对误差（MAE）为5.16，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减小了1.34，R增加了0.037；在Cam-CAN数据集上，LMCN的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提升了0.019，RMSE减小了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脑龄预测的精度，并为评估健康成人的脑部状态提供线索。

关键词: 功能磁共振成像, 功能连接, 轻量级神经网络, 脑龄预测, 深度学习

Abstract:

In view of the low accuracy of functional Magnetic Resonance Imaging （fMRI） brain age prediction and the lack of research on the combination of this problem and deep learning， an fMRI brain age prediction model with Lightweight Multi-scale Convolutional Network （LMCN） was proposed. Firstly， the Pearson correlation coefficient （R） of the Region Of Interest （ROI） in fMRI was calculated to obtain the Functional Connectivity （FC） matrix of the ROI as input. Secondly， the number of FC channels was increased to ensure the number of features and the size of the feature map was reduced simultaneously. At the same time， the multi-scale dilated convolution module RFB （Receptive Field Block） with the characteristics of human visual attention was used to extract age features. Finally， the predicted brain age was output by the fully connected layer， and the ablation prediction results of each brain region were calculated to explore the key brain regions influencing the brain age prediction results. Evaluation was carried out on two public datasets， E-NKI and Cam-CAN. It can be seen that the memory required for LMCN parameters is 2.30 MB， which is 60.3% and 52.0% less than those of MobileNetV3 and ShuffleNetV2 respectively. In terms of prediction results， on E-NKI dataset， LMCN has the Mean Absolute Error （MAE） of 5.16， the R of 0.947， and the Root Mean Square Error （RMSE） of 6.40. Compared to the model that combines network-based feature selection with the least angle regression， LMCN has the MAE decreased by 1.34 and the R increased by 0.037； on Cam-CAN dataset， LMCN has the MAE of 5.97， the R of 0.904， and the RMSE of 7.93. Compared to the connectome-based machine learning model， LMCN has the R increased by 0.019， and the RMSE decreased by 0.64. The results show that while LMCN has small number of parameters and is easy to deploy， it can improve the accuracy of fMRI brain age prediction effectively and provide clues for assessing the brain status of healthy adults.

Key words: functional Magnetic Resonance Imaging (fMRI), Functional Connectivity (FC), lightweight neural network, brain age prediction, deep learning

中图分类号:

TP183

沈嫣然, 温昕, 张瑾昊, 张帅, 曹锐, 高保禄. 轻量级多尺度卷积网络的功能磁共振成像脑龄预测模型[J]. 计算机应用, 2024, 44(12): 3949-3957.

Yanran SHEN, Xin WEN, Jinhao ZHANG, Shuai ZHANG, Rui CAO, Baolu GAO. fMRI brain age prediction model with lightweight multi-scale convolutional network[J]. Journal of Computer Applications, 2024, 44(12): 3949-3957.

图/表 10

参考文献 50

1	GRADY C. The cognitive neuroscience of ageing［J］. Nature Reviews Neuroscience， 2012， 13（7）： 491-505.
2	DE LANGE A M G， ANATÜRK M， ROKICKI J， et al. Mind the gap： performance metric evaluation in brain-age prediction［J］. Human Brain Mapping， 2022， 43（10）： 3113-3129.
3	SMITH S M， ELLIOTT L T， ALFARO-ALMAGRO F， et al. Brain aging comprises many modes of structural and functional change with distinct genetic and biophysical associations ［J］. eLife， 2020， 9： No.e52677.
4	FRANKE K， GASER C. Ten years of BrainAGE as a neuroimaging biomarker of brain aging： what insights have we gained？［J］. Frontiers in Neurology， 2019， 10： No.789.
5	COLE J H， FRANKE K. Predicting age using neuroimaging： innovative brain ageing biomarkers ［J］. Trends in Neurosciences， 2017， 40（12）： 681-690.
6	GIANNAKOPOULOS P， MONTANDON M L， HERRMANN F R， et al. Alzheimer resemblance atrophy index， BrainAGE， and normal pressure hydrocephalus score in the prediction of subtle cognitive decline： added value compared to existing MR imaging markers ［J］. European Radiology， 2022， 32（11）： 7833-7842.
7	CHERUBINI A， CALIGIURI M E， PÉRAN P， et al. Importance of multimodal MRI in characterizing brain tissue and its potential application for individual age prediction［J］. IEEE Journal of Biomedical and Health Informatics， 2016， 20（5）： 1232-1239.
8	LOGOTHETIS N K. The neural basis of the blood-oxygen-level-dependent functional magnetic resonance imaging signal［J］. Philosophical Transactions of the Royal Society of London Series B， 2002， 357： 1003-1037.
9	EDLOW B L， CLAASSEN J， SCHIFF N D， et al. Recovery from disorders of consciousness： mechanisms， prognosis and emerging therapies ［J］. Nature Reviews Neurology， 2020， 17（3）： 135-156.
10	黄嘉爽，接标，丁卫平，等. 脑网络分析方法及其应用［J］. 数据采集与处理， 2021， 36（4）： 648-663.
	HUANG J S， JIE B， DING W P， et al. Brain network analysis： method and application［J］. Journal of Data Acquisition and Processing， 2021， 36（4）： 648-663.
11	GREENE A S， GAO S， SCHEINOST D， et al. Task-induced brain state manipulation improves prediction of individual traits［J］. Nature Communications， 2018， 9： No.2807.
12	ANDERSON N D. Cognitive neuroscience of aging［J］. The Journals of Gerontology： Series B， 2019， 74（7）： 1083-1085.
13	范晨雨，李浩正，谢鸿宇，等. 基于功能性近红外光谱技术的健康青年人、老年人皮层脑网络静息态功能连接的特征研究［J］. 中国康复医学杂志， 2021， 36（8）：931-937， 942.
	FAN C Y， LI H Z， XIE H Y， et al. Healthy young and old adults functional connectivity among cortical networks： a resting-state functional near-infrared spectroscopy study ［J］. Chinese Journal of Rehabilitation Medicine， 2021， 36（8）：931-937， 942.
14	GEERLIGS L， RENKEN R J， SALIASI E， et al. A brain-wide study of age-related changes in functional connectivity［J］. Cerebral Cortex， 2015， 25（7）： 1987-1999.
15	刘涵慧，李会杰. 老化认知神经科学：研究现状与未来展望［J］. 中国科学：生命科学， 2021， 51（6）：743-763.
	LIU H H， LI H J. Cognitive neuroscience of aging： present research status and future prospect ［J］. SCIENTIA SINICA Vitae， 2021， 51（6）：743-763.
16	ZONNEVELD H I， PRUIM R H R， BOS D， et al. Patterns of functional connectivity in an aging population： the Rotterdam Study［J］. NeuroImage， 2019， 189： 432-444.
17	MOWINCKEL A M， ESPESETH T， WESTLYE L T. Network-specific effects of age and in-scanner subject motion： a resting-state fMRI study of 238 healthy adults ［J］. NeuroImage， 2012， 63（3）： 1364-1373.
18	YIN W， LI L， WU F X. Deep learning for brain disorder diagnosis based on fMRI images［J］. Neurocomputing， 2022， 469： 332-345.
19	COLE J H， POUDEL R P K， TSAGKRASOULIS D， et al. Predicting brain age with deep learning from raw imaging data results in a reliable and heritable biomarker ［J］. NeuroImage， 2017， 163： 115-124.
20	LUNDERVOLD A S， LUNDERVOLD A. An overview of deep learning in medical imaging focusing on MRI ［J］. Zeitschrift für Medizinische Physik， 2019， 29（2）： 102-127.
21	GONG W， BECKMANN C F， VEDALDI A， et al. Optimising a simple fully convolutional network for accurate brain age prediction in the PAC 2019 challenge ［J］. Frontiers in Psychiatry， 2021， 12： No.627996.
22	KHOSLA M， JAMISON K， KUCEYESKI A， et al. Ensemble learning with 3D convolutional neural networks for functional connectome-based prediction［J］. NeuroImage， 2019， 199： 651-662.
23	GALAZZO I B， CRUCIANI F， BRUSINI L， et al. Explainable artificial intelligence for magnetic resonance imaging aging brainprints： grounds and challenges ［J］. IEEE Signal Processing Magazine， 2022， 39（2）： 99-116.
24	GAO J， LIU J， XU Y， et al. Brain age prediction using the graph neural network based on resting-state functional MRI in Alzheimer's disease ［J］. Frontiers in Neuroscience， 2023， 17： No.1222751.
25	FISCH L， LEENINGS R， WINTER N R， et al. Editorial： predicting chronological age from structural neuroimaging： the Predictive Analytics Competition 2019［J］. Frontiers in Psychiatry， 2021， 12： No.710932.
26	NOONER K B， COLCOMBE S J， TOBE R H， et al. The NKI-Rockland sample： a model for accelerating the pace of discovery science in psychiatry ［J］. Frontiers in Neuroscience， 2012， 6： No.152.
27	SHAFTO M A， TYLER L K， DIXON M， et al. The Cambridge Centre for Ageing and Neuroscience （Cam-CAN） study protocol： a cross-sectional， lifespan， multidisciplinary examination of healthy cognitive ageing ［J］. BMC Neurology， 2014， 14： No.204.
28	YAN C G， WANG X D， ZUO X N， et al. DPABI： data processing & analysis for （resting-state） brain imaging ［J］. Neuroinformatics， 2016， 14（3）： 339-351.
29	SHEN H， WANG L， LIU Y， et al. Discriminative analysis of resting-state functional connectivity patterns of schizophrenia using low dimensional embedding of fMRI ［J］. NeuroImage， 2010， 49（4）： 3110-3121.
30	LIU S， HUANG D， WANG Y. Receptive field block bet for accurate and fast object detection ［C］// Proceedings of the 2018 European Conference on Computer Vision， LNCS 11215. Cham： Springer， 2018： 404-419.
31	WANG P， CHEN P， YUAN Y， et al. Understanding convolution for semantic segmentation［C］// Proceedings of the 18th IEEE Winter Conference on Applications of Computer Vision. Piscataway： IEEE， 2018： 1451-1460.
32	HE K， ZHANG X， REN S， et al. Deep residual learning for image recognition ［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2016： 770-778.
33	FRANKE K， BUBLAK P， HOYER D， et al. In vivo biomarkers of structural and functional brain development and aging in humans［J］. Neuroscience and Biobehavioral Reviews， 2020， 117： 142-164.
34	SZEGEDY C， LIU W， JIA Y， et al. Going deeper with convolutions ［C］// Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2015： 1-9.
35	HOWARD A， SANDLER M， CHEN B， et al. Searching for MobileNetV3［C］// Proceedings of the 2019 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2019：1314-1324.
36	YE L. AugShuffleNet： communicate more， compute less［EB/OL］. ［2023-12-01］..
37	HAN H， GE S， WANG H. Prediction of brain age based on the community structure of functional networks ［J］. Biomedical Signal Processing and Control， 2023， 79（Pt 2）： No.104151.
38	ZHAI J， LI K. Predicting brain age based on spatial and temporal features of human brain functional networks［J］. Frontiers in Human Neuroscience， 2019， 13： No.62.
39	JIANG R， SCHEINOST D， ZUO N， et al. A neuroimaging signature of cognitive aging from whole-brain functional connectivity ［J］. Advanced Science， 2022， 9（24）： No.2201621.
40	MILLAR P R， LUCKETT P H， GORDON B A， et al. Predicting brain age from functional connectivity in symptomatic and preclinical Alzheimer disease［J］. NeuroImage， 2022， 256： No.119228.
41	吕书悦，孙文悦，吴凡，等. 海马亚区在阿尔茨海默病中的研究进展［J］. 重庆医科大学学报， 2021， 46（11）：1391-1394.
	LYU S Y， SUN W Y， WU F， et al. Advances in the study of hippocampal subregion in Alzheimer's disease ［J］. Journal of Chongqing Medical University， 2021， 46（11）： 1391-1394.
42	HISCOX L V， SCHWARB H， McGARRY M D J， et al. Aging brain mechanics： progress and promise of magnetic resonance elastography ［J］. NeuroImage， 2021， 232： No.117889.
43	徐家华，周莹，罗文波，等. 人类情绪发展认知神经科学：面向未来心理健康与教育［J］. 中国科学：生命科学， 2021， 51（6）：663-678.
	XU J H， ZHOU Y， LUO W B， et al. Human developmental cognitive and affective neuroscience： future-oriented mental health and education［J］. SCIENTIA SINICA Vitae， 2021， 51（6）：663-678.
44	WASCHKE L， KLOOSTERMAN N A， OBLESER J， et al. Behavior needs neural variability ［J］. Neuron， 2021， 109（5）： 751-766.
45	NAKAGAWA S， TAKEUCHI H， TAKI Y， et al. Lenticular nucleus correlates of general self-efficacy in young adults ［J］. Brain Structure and Function， 2017， 222（7）： 3309-3318.
46	KONDO K， KIKUTA S， UEHA R， et al. Age-related olfactory dysfunction： epidemiology， pathophysiology， and clinical management ［J］. Frontiers in Aging Neuroscience， 2020， 12： No.208.
47	MAREK S， DOSENBACH U F. The frontoparietal network： function， electrophysiology， and importance of individual precision mapping ［J］. Dialogues in Clinical Neuroscience， 2018， 20（2）： 133-140.
48	CASSADY K， RUITENBERG M F L， REUTER-LORENZ P A， et al. Neural dedifferentiation across the lifespan in the motor and somatosensory systems ［J］. Cerebral Cortex， 2020， 30（6）： 3704-3716.
49	XUE C， SUN H， YUE Y， et al. Structural and functional disruption of salience network in distinguishing subjective cognitive decline and amnestic mild cognitive impairment［J］. ACS Chemical Neuroscience， 2021， 12（8）： 1384-1394.
50	PAN N， WANG S， QIN K， et al. Common and distinct neural patterns of attention-deficit/hyperactivity disorder and borderline personality disorder： a multimodal functional and structural meta-analysis ［J］. Biological Psychiatry： Cognitive Neuroscience and Neuroimaging， 2023， 8（6）： 640-650.

数据集	人数	年龄范围	年龄均值±方差	性别（男/女）
E-NKI	350	18~85	49.75±19.21	130/220
Cam-CAN	640	18~87	54.29±18.52	315/325

数据集	人数	年龄范围	年龄均值±方差	性别（男/女）
E-NKI	350	18~85	49.75±19.21	130/220
Cam-CAN	640	18~87	54.29±18.52	315/325

模型	参数文件大小/MB	MAE
模型	参数文件大小/MB	E-NKI	Cam-CAN
ResNet18^［32］	42.61	8.70	13.56
GoogLeNet^［34］	23.98	7.46	11.72
MobileNetV3^［35］	5.79	12.26	16.56
ShuffleNetV2^［36］	4.79	11.93	15.18
LMCN	2.30	5.16	5.97

模型	参数文件大小/MB	MAE
模型	参数文件大小/MB	E-NKI	Cam-CAN
ResNet18^［32］	42.61	8.70	13.56
GoogLeNet^［34］	23.98	7.46	11.72
MobileNetV3^［35］	5.79	12.26	16.56
ShuffleNetV2^［36］	4.79	11.93	15.18
LMCN	2.30	5.16	5.97

模型	数据集	人数	年龄范围	MAE	R	RMSE
文献［24］模型	ADNI	471	51~95	5.92		7.56
文献［37］模型	NKI	125	12~85	5.14	0.875
文献［39］模型	Cam-CAN	567	19~89		0.885	8.57
文献［38］模型	E-NKI	496	6~85	6.50	0.910
文献［40］模型		391	18~89	8.59	0.826	10.44
本文模型	E-NKI	350	18~85	5.16	0.947	6.40
本文模型	Cam-CAN	640	18~87	5.97	0.904	7.93

轻量级多尺度卷积网络的功能磁共振成像脑龄预测模型

fMRI brain age prediction model with lightweight multi-scale convolutional network

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 50

相关文章 15

编辑推荐

Metrics

消融后性能情况	中文名	英文名
预测性能变差	颞级：颞中回	Temporal pole： middle temporal gyrus
	楔前叶	Precuneus
	豆状苍白球	Lenticular nucleus， pallidum
	颞横回	Heschl gyrus
	嗅皮质	Olfactory cortex
	海马	Hippocampus
	角回	Angular gyrus
	岛盖部额下回	Inferior frontal gyrus， opercular part
	顶下缘角回	Inferior parietal， but supramarginal and angular gyri
	中央前回	Precentral gyrus
	杏仁核	Amygdala
预测性能变好	缘上回	Supramarginal gyrus
	内侧额上回	Superior frontal gyrus， medial
	枕中回	Middle occipital gyrus

[1]	秦璟, 秦志光, 李发礼, 彭悦恒. 基于概率稀疏自注意力神经网络的重性抑郁疾患诊断[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2970-2974.
[2]	王熙源, 张战成, 徐少康, 张宝成, 罗晓清, 胡伏原. 面向手术导航3D/2D配准的无监督跨域迁移网络[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2911-2918.
[3]	潘烨新, 杨哲. 基于多级特征双向融合的小目标检测优化模型[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2871-2877.
[4]	李顺勇, 李师毅, 胥瑞, 赵兴旺. 基于自注意力融合的不完整多视图聚类算法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2696-2703.
[5]	黄云川, 江永全, 黄骏涛, 杨燕. 基于元图同构网络的分子毒性预测[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2964-2969.
[6]	刘禹含, 吉根林, 张红苹. 基于骨架图与混合注意力的视频行人异常检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2551-2557.
[7]	顾焰杰, 张英俊, 刘晓倩, 周围, 孙威. 基于时空多图融合的交通流量预测[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2618-2625.
[8]	石乾宏, 杨燕, 江永全, 欧阳小草, 范武波, 陈强, 姜涛, 李媛. 面向空气质量预测的多粒度突变拟合网络[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2643-2650.
[9]	赵亦群, 张志禹, 董雪. 基于密集残差物理信息神经网络的各向异性旅行时计算方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2310-2318.
[10]	徐松, 张文博, 王一帆. 基于时空信息的轻量视频显著性目标检测网络[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2192-2199.
[11]	孙逊, 冯睿锋, 陈彦如. 基于深度与实例分割融合的单目3D目标检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2208-2215.
[12]	吴筝, 程志友, 汪真天, 汪传建, 王胜, 许辉. 基于深度学习的患者麻醉复苏过程中的头部运动幅度分类方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2258-2263.
[13]	李欢欢, 黄添强, 丁雪梅, 罗海峰, 黄丽清. 基于多尺度时空图卷积网络的交通出行需求预测[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2065-2072.
[14]	张郅, 李欣, 叶乃夫, 胡凯茜. 基于暗知识保护的模型窃取防御技术DKP[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2080-2086.
[15]	赵雅娟, 孟繁军, 徐行健. 在线教育学习者知识追踪综述[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1683-1698.