wwu-ki_brainage 使用卷积神经网络（CNN）进行大脑年龄预测的教程 培训和评估是使用fastai_scans（ ）完成的，fastai是与3d医学图像配合使用的fastai扩展。 安装 1.）创建一个新的conda环境，安装Python 3.6并激活它 conda create -n wwuki_brainage python=3.6; conda activate wwuki_brainage 2.）在环境中安装pip conda install pip 3.）使用pip在该conda环境中安装软件包（将USER替换为您的用户名，将CONDA_DIR替换为.conda替换为Anaconda，将miniconda替换为miniconda）。 /home/USER/CONDA_DIR/envs/wwuki_brainage/bin/pip install git+git

脑年龄预测 最后一年的项目-深度学习CNN预测大脑年龄

matlab代码保密脑龄 评估各种机器学习模型性能的研究，这些模型用于通过基于功能磁共振成像的多种生物标记和认知行为表现来预测一个人的大脑年龄。 结果概述： 先决条件 所有功能都是用matlab编写的。 分析说明 使用一系列认知测试对行为测度进行了预测，预测了各个年龄段的约100名健康成年人的大脑年龄，使用了各自的功能磁共振成像数据计算了他们的功能连通性概况，并使用，计算了每个人的fMRI数据，这也是从每个人的功能磁共振成像数据得出的。 创建并比较了许多回归模型，以查看它们如何处理少量主题和许多功能。 这些包括： 二次模型回归 一般线性模型回归 偏最小二乘回归 森林随机回归 支持向量回归 通过使用嵌套的交叉验证结构来防止过度拟合，从而实现了预测。 结果发现，支持向量回归和偏最小二乘回归能够胜过其他方法，在受试者实际年龄和预测年龄之间平均误差为7.4年。 出于患者机密原因，此处未包含数据 档案文件 age_predict_master.m-运行所有模型的脚本 / model_functions-每种模型类型的脚本 - nested_fcn_quadratic_model_February

brain-amri-age-classifier-master:-深度学习CNN预测大脑年龄-源码