骨龄在线数字化测算及身高数据库管理系统技术方案

本发明专利技术提供一种骨龄在线数字化测算及身高数据库管理系统，通过骨龄标准样板图数据库，人工智能识别软件，设立在线网站，接收用户信息及图片，预测儿童未来身高，将最终数据通过微信、APP、网站反馈用户，并在线储存信息为用户保留数据。本发明专利技术是中国乃至全球均可在线使用该系统，实现骨龄图片的TW3及TW3‑C的快速简洁计算评分，使原有人工识别的20分钟，提速到5秒钟。标准化、模块化、统一化分类管理功能，避免人工识别时由于主观因素产生的误差，同时具备的数据库反馈功能，该功能将建立反馈机制验证输出结果，再次提升准确率，是骨龄测算最精准的使用方式。

On-line Digital Measurement and Height Database Management System for Bone Age

【技术实现步骤摘要】
骨龄在线数字化测算及身高数据库管理系统
本专利技术属于健康咨询领域，涉及一种骨龄在线数字化测算及身高数据库管理系统。
技术介绍
骨龄是骨骼年龄的简称，人的生长发育可用两个“年龄”来表示，即生活年龄(日历年龄)和生物年龄(骨龄)。骨龄直接代表生长发育潜力以及性成熟的趋势，和儿童的成年身高相关，最常用的骨龄计算方法是G-P图谱法、TW3、TW2、中华-05法(又称TW3-C)等，目前TW2法国际上已经被TW3代替，G-P法准确度不高；TW3-C法是TW3法在对应的TW骨龄函数曲线使用了中国儿童的数据，就是说TW3数值在TW3及TW3-C中是一致的，但是对应的骨龄是国际和中国有不同的数值，目前国内骨龄判读现状是大部分医院无法完成骨龄的精准判读，部分能判读的医院使用的也是G-P图片比对法，该种方法的有效值只能精确到“0.5岁”，G-P图片对照法准确度在“0.5年”，TW3准确度在“月”，而且比G-P法减少主观的干扰，但对于中国目前广阔的地区G-P法的使用也没有普及，更不用说TW3、TW3-C法，TW3法的主要缺点是掌握熟悉的医生少，精通的更加少，而且TW3法运算过程复杂，耗时长，也有人为主观因素干扰。骨龄在线数字化测算及身高数据库管理系统能解决以上问题的同时能建立数据库进行随访。
技术实现思路
本专利技术的目的是提供一种骨龄在线数字化测算及身高数据库管理系统，通过以下方案实现：1.核心操作系统包括两部分，(a)骨龄标准样板图数据库，系统收集15000份儿童腕关节x片子，经TW3评分测出骨龄，按月份归到样板库，样本图片库区分男女，在2-15岁间每个月份建立标准图片的数据库，每个级别的数据库就对应一个骨龄分级和TW3函数，(b)开源人工智能识别软件—卷积神级网络软件，要测试图片在人工智能识别软件中与标准图片数据库内图片对比，找到形态最相近图片，对应的图库骨龄数据就是测定值；2运作方式为设立在线网站，该网站作为系统服务器，使用者通过扫二维码、登录网站或下载APP进入系统，登陆后上传图片的、输入儿童身高、体重、性别、出生年月日、其父母身高；3.在线网站系统接收用户信息及图片后，系统将对图片处理调整图片方向、曝光度、大小；处理后图片与标准图库里的图片，进行图片比对。图片对比使用开源人工智能识别软件—卷积神经网络CNN完成。卷积神经网络(ConvolutionalNeuralNetworks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(FeedforwardNeuralNetworks)，是医疗图片识别常规使用软件。卷积神经网络仿造生物的视知觉(visualperception)机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化(grid-liketopology)特征，可对像素进行学习在样本库的支持下可实现快速识别新的骨龄片。4.将骨龄，用户身高等数据代入骨龄身高数据函数则可以预测儿童未来身高；5.将最终数据通过微信、APP、网站反馈用户，在线储存信息体系，同时为用户保留数据。本专利技术管理系统的有益之处是中国乃至全球均可在线使用该系统，实现骨龄图片的TW3及TW3-C的快速简洁计算评分，使原有人工识别的20分钟，提速到5秒钟。标准化、模块化、统一化分类管理功能，避免人工识别时由于主观因素产生的误差，同时具备的数据库反馈功能，该功能将建立反馈机制验证输出结果，再次提升准确率，是骨龄测算最精准的使用方式。附图说明图1是本专利技术管理系统示意图。图210岁的样本图。图3用户的拟测算图片。图4卷积神经网络人工识别软件测算工作图。具体实施方式本专利技术结合附图和实施例作进一步的说明。实施例1参见图1，本专利技术提供的一种骨龄在线数字化测算及身高数据库管理系统，通过以下步骤实现：1.骨龄标准样板图数据库，336个级别数据库对应相应岁、月的骨龄；2.用户登录在线网站或下载APP进入系统，登陆后上传图片的、输入儿童身高、体重、性别、出生年月日、其父母身高；3.接收用户信息及图片后，系统将对图片处理后将图片与标准图库里的图片对比，图片对比使用开源人工智能软件—卷积神经网络CNN完成。卷积神经网络(ConvolutionalNeuralNetworks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(FeedforwardNeuralNetworks)，是医疗图片识别常规使用软件。卷积神经网络仿造生物的视知觉(visualperception)机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化(grid-liketopology)特征，可对像素进行学习在样本库的支持下可实现快速识别新的骨龄片。4.将骨龄，用户身高等数据代入骨龄身高数据函数则可以预测儿童未来身高；5.将最终数据通过微信、APP、网站反馈用户。在线储存信息为用户保留数据。实施例2数据库建立标准样板图如图1所示。如图2所示，根据TW3评分270，结合中国人TW骨龄曲线，这是10岁的样板图。这样图片每个月份对应的图库内有多张，此时向系统发送一张图片，如图3，系统内部将图3与各个样板图库的图片进行比对。运算过程如图4。结论，图3与图2的10岁的样板图最接近，其骨龄时间也等同于10岁骨龄。本文档来自技高网...

【技术保护点】
1.一种骨龄在线数字化测算及身高数据库管理系统，其特征在于，通过以下方案实现：(1)核心操作系统包括两部分，(a)骨龄标准样板图数据库，区分男女，在2‑15岁间每个月份建立标准图片的数据库，每个级别的数据库就对应一个骨龄及TW3函数，(b)开源人工智能识别软件；(2)运作方式为设立在线网站，该网站为系统服务器，用户通过扫二维码、登录网站或下载APP进入系统，设立用户登陆后上传图片的端口、用户输入儿童身高、体重、性别、出生年月日、父母身高；(3)接收用户图片后，系统将对图片处理调整图片方向、曝光度、大小；处理后图片与标准图库里的图片，进行图片比对，图片对比使用开源人工智能识别软件完成；(4)根据骨龄、身高代入骨龄身高数据函数预测未来身高；(5)将最终数据通过微信、APP、网站反馈用户，在线储存信息体系，同时为用户保留数据。

【技术特征摘要】
1.一种骨龄在线数字化测算及身高数据库管理系统，其特征在于，通过以下方案实现：(1)核心操作系统包括两部分，(a)骨龄标准样板图数据库，区分男女，在2-15岁间每个月份建立标准图片的数据库，每个级别的数据库就对应一个骨龄及TW3函数，(b)开源人工智能识别软件；(2)运作方式为设立在线网站，该网站为系统服务器，用户通过扫二维码、登录网站或下载APP进入系统，设立用户登陆后上传图片的端口、用户输入儿童身高、体重、性别、出生年月日、父...

【专利技术属性】
技术研发人员：李博，张颂明，王鹏，
申请(专利权)人：杭州津禾生物科技有限公司，
类型：发明
国别省市：浙江,33