一种基于神经网络模型预测人脑早期皮层褶皱发展的方法和系统与流程

本发明属于人工智能与脑科学交叉领域，具体涉及一种基于神经网络模型预测人脑早期皮层褶皱发展的方法和系统。

背景技术：

1、在复杂的皮层表面，脑回（向外凸的部分）和脑沟（向内凹的部分）的形成是一个复杂而精细的发育过程，这一过程在孕期的16至40周内逐渐展开。在16至29周出现的初级脑回和脑沟的位置在人群中较为一致，皮层发育的中后期（29周后），二级和三级脑回和脑沟出现，二级和三级脑回及脑沟在个体间存在显著差异，这与遗传、环境等多种因素有关，这种多样性增加了研究这些结构发育机制的难度。

2、一些与异常褶皱模式相关的神经发育障碍的起源尚未完全理解，最近的研究表明，皮层褶皱的形成受到多种分子和细胞过程的调控，包括神经元的增殖、迁移、分化以及突触的形成等，另外，机械力也在其中起着重要作用，大脑皮层的生长速度差异导致内外层之间的张力不平衡，进而引发褶皱的形成。

3、近年来，国内外团队基于不同力学假设建立了多种机械模型来模拟皮层褶皱的形成。因为这些模型缺乏神经发生现象的空间异质性的信息，如区域差分增长速度等。因此它们无法全面模拟大脑皮层在发育过程中的复杂变化，这些模型的仿真结果均表明它们无法准确反映人类大脑的常见拓扑结构。解刨数据表明，在30至38周内，侧顶叶、颞叶和枕叶区域皮层扩展速度显著高于内侧和岛叶区域，这种区域性的扩展速度差异是导致皮层褶皱模式多样性的重要原因。此外，在快速皮层扩展阶段（29-38周胎龄），不同区域的生长模式会随时间发生显著变化，例如，初级感觉、运动和视觉皮层以及岛叶的扩展速度随时间变慢，而侧颞叶的扩展速度则随时间加快。

4、胎儿大脑皮层褶皱的发育是一个复杂而精细的过程，在神经科学领域，了解胎儿大脑的发育过程，特别是皮层褶皱的动态变化，对于诊断早期神经发育异常具有重要意义，皮层褶皱的动态变化涉及多个层面的调控因素，需要综合运用多种方法和技术手段，以更全面地揭示其发育机制并推动相关领域的进步。然而，由于极早产婴儿（如30周左右）出生时大脑皮层的褶皱极少，直接观察其发育过程存在挑战。

技术实现思路

1、针对现有物理模型在模拟胎儿大脑皮层褶皱发育时，因缺乏神经发生现象的空间异质性信息，并且此类信息在人脑中难以直接获取，导致模拟结果无法准确反映人脑实际拓扑结构的技术问题，本发明旨在于提供一种基于神经网络模型学习和预测人脑早期皮层褶皱发展的方法和系统。

2、为了达到上述目的，本发明采用以下技术方案予以实现：

3、本发明提供一种基于神经网络模型预测人脑早期皮层褶皱发展的方法，包括：

4、s1，获取成人大脑、30周胎龄和40周胎龄的早产儿大脑影像数据；

5、s2，基于大脑负模骨架技术，从s1获取的影像数据中提取皮层褶皱的三维骨架结构；

6、s3，将s2 30周胎龄时的褶皱骨架数据输入预先训练好的β变分自编码器模型预测40周胎龄时的褶皱骨架形态；

7、s4，输出与实际大脑褶皱形态高度相似的40周胎龄皮层褶皱预测结果。

8、所述大脑影像数据极早产婴儿的mri t1w影像数据：

9、所述s2提取皮层褶皱的三维骨架结构包括：

10、s21，使用脑提取算法对s1中影像数据进行预处理，提取大脑皮层区域；

11、s22，基于s21提取大脑皮层区域影像数据，使用三维重建技术重建大脑皮层的三维表面模型；

12、s23，将s22重建大脑皮层的三维表面模型转换为负模；

13、s24，在s23负模模型上应用骨架提取算法提取出皮层褶皱的三维骨架结构；

14、s25，对s24提取的三维骨架结构后处理，优化重建，获得皮层褶皱的三维骨架结构。

15、所述s3预先训练好的β变分自编码器模型包括：

16、s31，将s2提取的皮层褶皱的三维骨架结构输入β变分自编码器模型；

17、s32，构建β-vae模型框架，包括编码器和解码器两部分，编码器负责将输入的三维皮层几何信息映射到潜在空间，而解码器则负责从潜在空间中重构出三维皮层结构；

18、s33，使用预处理后的成人大脑mri数据作为训练集，对β-vae模型进行训练，通过最小化重构误差和潜在变量分布与先验分布之间的kl散度调整模型的参数，训练模型学习成人脑褶皱骨架拓扑结构并实现成人脑褶皱数据重建；重构误差采用交叉熵损失，先验分布采用中心高斯分布；使用验证集对预训练好的模型进行评估，根据模型评估指标，获得预训练机器学习模型；

19、s34，使用预处理后的早产婴儿影像数据作为训练集，对s33预训练好的β-vae模型进行再训练，通过输入30周胎龄婴儿的皮层褶皱骨架数据，模型学习并预测这些区域在40周胎龄时的褶皱形态；

20、s35，数据划分与模型优化，训练过程中数据集划分为训练集、验证集和测试集调整和优化模型参数，评估模型的性能，最终获得最优机器学习模型；确定最佳的模型超参数组合，所述超参数组合包括β值、潜在空间大小，批次大小，训练轮数和学习率。

21、进一步地，所述s35超参数组合为：β值范围为1~8、潜在空间大小范围为2~500、批次大小范围为为4~16、训练轮数范围为500~2000、学习率范围为1e-4~1e-2。

22、更进一步地，所述超参数最优组合为：β值为2、潜在空间大小为300、批次大小为8、训练轮数1000、学习率1e-3。

23、所述优化模型的超参数组合，采用网格搜索、随机搜索或贝叶斯优化中的任意一项。

24、实现上述基于神经网络模型预测人脑早期皮层褶皱发展的方法的系统，包括：

25、数据获取与处理模块，用于获取30周胎龄和成人大脑的影像数据,对影像数据进行预处理；

26、三维骨架提取模块，用于提取皮层褶皱的三维骨架结构；

27、模型训练与预测模块，用于将30周胎龄时的褶皱骨架数据输入到训练好的模型中，预测40周胎龄时的褶皱骨架形态；

28、超参数优化模块，用于获取最佳的超参数组合；

29、结果评估与验证模块，用于验证模型在预测40周胎龄皮层褶皱形态方面的准确性和在实际应用中的有效性；

30、用户交互与输出模块，用于将预测结果以图形化或表格化的形式输出给用户。

31、本发明提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行计算机程序时实现上述基于神经网络模型预测人脑早期皮层褶皱发展的方法的步骤。

32、本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于神经网络模型预测人脑早期皮层褶皱发展的方法的步骤。

33、与现有技术相比，本发明具有以下有益效果：

34、本发明提供的基于神经网络模型预测人脑早期皮层褶皱发展的方法，该方法通过大脑负模骨架技术，能够从复杂的影像数据中有效提取出皮层褶皱的三维骨架结构，不仅简化了数据处理的复杂性，还保留了关键的结构信息，为后续的模型训练和预测提供了坚实的基础；利用β变分自编码器（β-vae）模型，通过深度学习捕捉大脑皮层褶皱的复杂几何特征和随胎龄变化的模式，该模型能够准确地从30周胎龄的褶皱骨架数据中预测出40周胎龄时的褶皱形态，预测结果与实际大脑褶皱形态高度相似，提高了预测的准确性；本发明的方法在神经科学、医学影像学和临床医学等领域具有广泛的应用前景，它不仅可以用于评估早产婴儿的神经发育状况，还可以为相关疾病的早期诊断和干预提供重要的参考信息。此外，该方法还可以扩展到其他与大脑发育相关的研究领域，如认知科学、心理学等。

35、进一步地，本发明方法依赖于大量的mri影像数据，包括30周胎龄和成人大脑的mri数据，以及早产婴儿的mri数据。这些数据为模型提供了丰富的训练样本，使得模型能够学习到大脑皮层褶皱随胎龄变化的普遍规律和个体差异；在模型训练过程中，采用了数据划分、模型评估和超参数优化等策略。通过调整β值、潜在空间维度和批次大小等超参数，可以进一步优化模型的性能，使其更加适应于特定的预测任务。这种灵活性使得模型在不同数据集和应用场景中都能保持较高的预测精度。

36、本发明提供的系统，包括数据获取与处理、三维骨架提取、模型训练与预测、超参数优化、结果评估与验证以及用户交互与输出等多个模块。这些模块相互独立又紧密协作，共同实现了基于神经网络模型预测人脑早期皮层褶皱发展的功能。这种设计提高了系统的可扩展性和可维护性。通过将本发明的方法实现为计算机程序，并存储在计算机可读存储介质上，可以在计算机设备上快速部署和运行。计算机设备的强大计算能力和高效的算法实现保证了预测结果的实时性和准确性。