计算机应用

作者：沈嫣然, 温昕, 张瑾昊, 张帅, 曹锐, 高保禄

单位：太原理工大学 软件学院，山西 晋中 030600

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

基金：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)

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。

来源：2024年第12期

《计算机应用》期刊编辑部

查看计算机应用杂志2024年第12期