【技术实现步骤摘要】
一种人工智能骨龄检测方法
本专利技术涉医疗影像处理领域,特别涉及一种人工智能骨龄检测方法。
技术介绍
骨龄分析作为生长发育程度的一项重要指标,在医学、体育及司法鉴定风领域中发挥着重要作用。骨龄是由儿童的骨骼钙化程度所决定的。骨龄能较准确地反映人从出生到完全成熟的过程中各年龄阶段的发育水平。放射科医生通过对比儿童手部的X光片和他们对应年龄的标准状态,来测量儿童的骨龄。青少年骨龄评测在儿科内分泌问题和儿童成长障碍诊断方面有重要作用,常用于青少年内分泌紊乱、生长发育延迟、先天性肾上腺皮质增生等症状的筛查,也可以对技术使用的干预效果进行评价,另外,骨龄也可用于鉴定未成年人的真实年龄,在青少年犯罪案件和体育比赛中确认选手年龄中都得到应用。目前国际上较为常用的骨骼发育成熟度评价方法包括基于欧美骨骼发育特点提出G-P图谱法和TW计分法。而由于各国人骨骼发育情况存在较大差异,G-P图谱法和TW计分法不能适用于东亚人种。我国常用的人工智能骨龄检测方法有百分计数法、顾氏图谱法、中国人手腕骨发育标准CHN法等。但这些人工评估骨龄方法繁琐时且易受主观影响,随机误差大,骨发育等级标准的文字描述实际应用起来比较复杂、系统误差较大。随着GPU加速的深度学习技术,通过人工智能来完成对于骨龄的自动检测已经成为了可能。并且医学成像技术不断提升,医院具有众多高端成像设备,可以更快地获取高质量的医学影像。但是对于医学影像的判断一般还是由医生完成,这不但费时费力,而且存在很多主管因素。并且医院每天有大数据级别的医学影像需要处理。因此,急需提出一种运用人工智能的方法来进行骨龄检测并且可以批量化同步进 ...
【技术保护点】
1.一种人工智能骨龄检测方法,其特征在于,包括如下步骤:影像获取步骤,采用X光机拍摄两个以上相同性别的青少年的手骨影像图,记录每一青少年的年龄;预处理步骤,将每一手骨影像图分成两个以上特征区域,从所述特征区域选择两个以上有效区域;对每一有效区域进行卷积池化处理,提取每一有效区域的特征数据;所有有效区域的特征数据的集合即为手骨影像图对应的影像数据;样本生成步骤,生成两个以上数据化样本,每一数据化样本包括一青少年的年龄及该青少年的手骨影像被数据化处理后获得的一组影像数据;样本分类步骤,将两个以上所述数据化样本分成训练样本及测试样本两类;样本分组步骤,将所述训练样本被分成两个以上组别,同一组别的训练样本标识有相同的组别标签,所述组别标签代表青少年的年龄;数据模型构建步骤,利用两个以上训练样本的影像数据及组别标签构建并训练初级数据模型;验证步骤,根据至少一测试样本的影像数据对所述初级数据模型进行验证处理;数据模型优化步骤,根据验证的结果构建优化数据模型;被检测样本采集步骤,采集一被检测样本,其为一被检测人的手骨影像的数据化样本,包括该被检测人的手骨影像被数据化处理后获得的一组影像数据;以及骨龄 ...
【技术特征摘要】
1.一种人工智能骨龄检测方法,其特征在于,包括如下步骤:影像获取步骤,采用X光机拍摄两个以上相同性别的青少年的手骨影像图,记录每一青少年的年龄;预处理步骤,将每一手骨影像图分成两个以上特征区域,从所述特征区域选择两个以上有效区域;对每一有效区域进行卷积池化处理,提取每一有效区域的特征数据;所有有效区域的特征数据的集合即为手骨影像图对应的影像数据;样本生成步骤,生成两个以上数据化样本,每一数据化样本包括一青少年的年龄及该青少年的手骨影像被数据化处理后获得的一组影像数据;样本分类步骤,将两个以上所述数据化样本分成训练样本及测试样本两类;样本分组步骤,将所述训练样本被分成两个以上组别,同一组别的训练样本标识有相同的组别标签,所述组别标签代表青少年的年龄;数据模型构建步骤,利用两个以上训练样本的影像数据及组别标签构建并训练初级数据模型;验证步骤,根据至少一测试样本的影像数据对所述初级数据模型进行验证处理;数据模型优化步骤,根据验证的结果构建优化数据模型;被检测样本采集步骤,采集一被检测样本,其为一被检测人的手骨影像的数据化样本,包括该被检测人的手骨影像被数据化处理后获得的一组影像数据;以及骨龄判断步骤,将所述待检测样本录入至所述优化数据模型,所述优化数据模型获取所述待检测样本的组别标签,判断所述被检测人的骨龄。2.如权利要求1所述的人工智能骨龄检测方法,其特征在于,所述青少年手骨影像包括青少年在手掌平展状态下的指骨和/或掌骨和/或腕骨的影像;所述被检测人手骨影像包括被检测人在手掌平展状态下的指骨和/或掌骨和/或腕骨的影像。3.如权利要求1所述的人工智能骨龄检测方法,其特征在于,在所述预处理步骤中,包括:特征筛选步骤,从所述已经划分好的特征区域选择17个有效区域;和/或,每一有效区域包括至少一骨骼连接处影像或至少一骨骼的全部或部分影像。4.如权利要求1所述的人工智能骨龄检测方法,其特征在于,所述初级数据模型包括RPN网络与FastR-CNN网络,所述RPN网络与FastR-CNN网络共享底层卷积层,底层卷积层包括五层卷积层,底层卷积层后包括第六卷积层,第六卷积层连接两个卷积分支,通过两个卷积分支分别输出初始区域分类得分与边界框,构成RPN网络,通过RPN网络提取目标骨骼的初始兴趣区域;所述底层卷积层通过ROI...
【专利技术属性】
技术研发人员:杨秀军,李莉红,王乾,陈旭,
申请(专利权)人:上海市儿童医院,
类型:发明
国别省市:上海,31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。