大脑核磁共振成像因其高空间分辨率及高密度分辨率为脑发育成熟度的评估提供了可能。然而少儿大脑发育的状况难以由放射科影像医生根据其临床经验进行评估与分析,需要使用计算机辅助测量的方法计算得到少儿大脑的成熟度情况。健康人脑在少儿时期的发育是一个非常复杂的过程,主要体现为不同脑区发育先后和发育趋势的不同。经研究发现,在少儿时期大脑的白质体积占比随着年龄的增加逐渐上升,而大脑的灰质体积占比随着年龄的增加而不断下降,不同大脑区域的发育顺序和速率存在异质性。少儿大脑解剖学结构在发育过程中的潜在模式变化为设计人工智能模型来预测大脑年龄提供了科学理论依据。随着年龄的增长,大脑的解剖学结构也会随之发生变化,这些变化可能与功能恶化和神经衰弱性疾病有关。为了更加有效的治疗疾病,研究人员必须充分了解大脑衰老过程中的个体差异。近些年来,已经有一些基于机器学习个性化预测脑衰老的技术。最近的研究表明,大脑的衰老与生理、认知的老化以及更高的死亡风险有关。随着深度学习(DL)技术的快速发展,深度学习技术已经广泛应用于医学图像配准、医学图像分割、超分辨率重建等医学图像领域。同样,深度学习也可应用于脑龄预测任务。在本文中,我们使用儿童、青少年大脑MRI的三个公开数据集进行实验:CMI-HBN、ABIDE以及ADHD200。由多名影像科医生对这些数据进行了质量控制,并通过严格有效的数据预处理流程对这些数据进行预处理,最后使用这些高质量数据来训练本文提出的基于深度学习的儿童及青少年脑龄预测模型。实验表明,本文提出的深度学习模型在脑龄预测任务中取得了很好的效果,可以辅助医生工作,减轻医生的工作负担。本脑龄预测研究具体的贡献包含以下几个方面:1.本文提出了一个带有跳层连接的端到端的3D卷积神经网络脑龄预测模型,3D模型可以有效的利用T1加权大脑MRI空间的上下文信息,跳层连接增加了网络的深度,可以使网络学习到更加深层次的特征。2.本文提出了关于深度学习脑龄预测任务的两个训练策略。1)性别学习,处于青春期的青少年儿童,男女脑发育趋势有所不同,所以本文提出了性别学习策略来强化性别特征对模型的影响,使模型学到更加具有针对性的特征;2)分层采样,因为数据年龄分布的不均匀,针对有些年龄段收集到的数据量相对较少,为了保障各个年龄段均可以取得不错的预测效果,本文提出了分层采样策略,保障不同年龄段的数据被模型抽到的概率相当。3.在前人的研究中,脑龄预测模型基本上均使用MSE作为损失函数,因为其容易求解且平滑。但由于MSE本身的局限性,导致脑龄预测的结果易产生奇异值。为了减少模型在预测过程中的奇异值,增强模型的鲁棒性,本文提出了一种针对脑龄预测任务的异常值限制损失。经实验验证,使用该异常值限制损失训练的模型,其预测结果的离群点显著减少。综上所述,本研究基于少儿大脑灰质、白质随年龄变化发育趋势不同这一先验知识,使用灰质脑图和白质脑图搭建了深度学习模型对脑龄进行评估。在本文中提出的网络体系结构和策略能够有效地训练更加深层次的网络。我们在两个公共脑成像数据集上测试了本研究脑龄预测模型的有效性,研究结果表明,与现有的脑龄预测方法相比,我们的方法对正常少儿的脑龄预测结果更加精确。我们的方法对患有自闭症或多动症少儿的脑龄预测结果和正常少儿对照组的脑龄预测结果相比有显著的统计学差异,本研究发现患有精神性疾病少儿的大脑发育落后正常对照组约0.5岁。