一种骨龄预测方法技术

本发明专利技术公开了一种骨龄预测方法，通过一预设训练集预先训练形成一个骨龄预测模型并使用该种骨龄预测模型进行骨龄预测。本技术方案通过一全新的注意力机制添加方式，根据骨龄预测模型中不同卷积层信息耦合程度针对性地添加注意力机制，改进了传统注意力机制不易收敛的问题；将性别信息直接加入神经网络模型中进行端对端训练，在优化训练过程的同时进一步提升了骨龄预测的准确性；该种骨龄预测方法使用的骨龄预测模型通过注意力机制可视化验证，反映该模型更加关注于集中呈现患者发育程度的手骨部位，具有良好的预测效果。

【技术实现步骤摘要】
一种骨龄预测方法
本专利技术涉及骨龄预测领域，尤其涉及一种骨龄预测方法。
技术介绍
骨龄是表征青少年发育程度的一种生理年龄，在身高预测，运动员选拔，以及医疗健康领域都有广泛的运用，对骨龄进行定量测定的方法称之为骨龄预测。骨龄预测分为传统人工骨龄预测法，基于机器学习的骨龄预测方法，以及近期涌现的关于深度学习的骨龄预测方法。传统的骨龄预测方法一般包括计数法，图谱法(如GP图谱法)以及评分法(如TW，CNH,中华05法)。计数法就是对手掌骨的各个骨化中心以及骨骺成型区域进行计数，不同的数值对应着不同的骨龄值，这种方法简单但是效果较差实用性不强。GP图谱法是最典型的一种图谱法，这类方法主要通过将X光照片与标准骨龄照片进行比对从而判断具体的骨龄值，标准骨龄照片的间隔为一岁，如果比对结果位于两张标准图片的中间，则选择最像的一个，这类方法实现同样容易，而且相较于计数法更加准确。TW系列的骨龄评分法则是对每一个骨骼的发育程度赋予一个权值，然后求和作为评分数值，这个评分数值范围在0到1000，而对应的骨龄取值范围为0岁至15岁，最小精确到0.1年，因此这类方法的精度比前两种方法大大提升，但是此类方法计算效率比较慢，而且经验不足的医生容易混淆权值导致错判。由于传统骨龄预测方法耗时较长，并且对医生的临床经验要求较高，医生们需要一个快速而且较为准确的辅助骨龄预测手段，因此催生出了基于机器学习与传统图像处理结合的自动骨龄预测方法。此类方法最成功的是BoneXpert，该系统被成功搭载在一些医疗设备上并且进行商用。BoneXpert利用活动外观模型(ActiveAppearanceModel，AAM)自动分割手部和腕部的15根骨骼，然后根据各自形状，强度和纹理特征确定GP或TW2骨龄，最终将各个骨骼的骨龄转化为整体骨龄。尽管BoneXpert已经达到了一定程度的准确性，但它有几个关键限制因素。BoneXpert不能直接预测骨龄，它的预测主要由年龄和骨龄的相关性决定。而且该系统非常脆弱，并且会在图片噪声过大时会拒绝此X光片。近些年，随着人工智能特别是深度学习领域的快速发展，出现了一些通过深度学习来进行骨龄预测的方法。(Tajmir等人，2019)提出了一种自动骨龄预测流程，首先对输入图片进行归一化去除图片的对比度差异，然后训练一个有监督的卷积神经网络分割一个覆盖图片感兴趣区域的粗糙掩膜，然后通过最大连通域算法求得正确掩膜，最后求交集得到图片的感兴趣区域最后进行分类。(C.Spampinato等人，2017)考虑到X光照片中手掌位置不固定问题，在模型中加入了空间变换网络(spatialtransformernetwork，STN)无监督地对手掌位置进行配准，但是这样做导致网络训练极其困难，甚至影响了最后预测的精度。(Iglovikov等人，2017)同样提出了一套预处理流程，首先训练分割网络分割出图片中手掌骨的区域，然后训练配准网络对图片感兴趣区域配准到固定位置。作者由于考虑到不同的性别可能对骨龄预测产生不同影响因此将模型通过性别区分，作者也考虑到了不同骨骼区域(整个手掌骨，腕骨，掌骨与指骨)可能对预测准确率产生不同影响因此又将模型对不同区域进行区分，同时作者也考虑到了此类问题是分类还是回归的定义问题，最后作者将这些因素进行排列组合一共训练了15个网络。最终发现区分性别效果好于不区分，分类网络效果略好于回归网络，基于整个手掌骨区域的模型大部分情况准确率最高，部分女性的模型中基于腕骨的模型略好于基于整个手掌骨区域，而对所有模型进行集成效果最好。虽然这些方法将深度学习技术运用在了骨龄预测领域中使得模型预测速度以及准确度都有所提升，但是这类方法没有使得模型关注到对于骨龄预测的关键骨骼区域，使得模型鲁棒性以及可解释性较差，并且在准确率上仍然有可以优化空间。
技术实现思路
针对现有技术中存在的上述问题，现提供一种骨龄预测方法，具体技术方案如下所示：一种骨龄预测方法，应用于X光图片骨龄预测，其特征在于，预先通过一预设训练集训练形成一个骨龄预测模型；预设训练集包括多张测骨龄用X光图片、每张测骨龄用X光图片对应的测试者的性别信息和每张测骨龄用X光图片对应的测试者的骨龄确定值；骨龄预测模型通过一基准卷积神经网络训练得到，针对骨龄预测模型的训练过程具体包括：步骤A1，按次序从预设训练集中循环提取一测骨龄用X光图片及对应的性别信息并作为一待训练数据集合；步骤A2，对待训练数据集合进行预处理，输出相应的待训练参数集合；步骤A3，将待训练参数集合输入基准卷积神经网络进行前向传播，得到一骨龄预测值；步骤A4，根据骨龄预测值和对应的骨龄确定值进行误差计算，得到一损失函数；步骤A5，根据损失函数得到一损失函数梯度，基准卷积神经网络根据损失函数梯度进行反向传播以完成一次训练；步骤A6，判断损失函数的波动范围是否属于一预设范围：若否，则返回步骤A1；若是，则将训练后的基准卷积神经网络作为骨龄预测模型进行输出；训练形成骨龄预测模型后，将骨龄预测模型应用于骨龄预测方法中，骨龄预测的过程具体包括：步骤S1，获取待测试者的测骨龄用X光图片和待测试者的性别信息并作为一待预测数据集合；步骤S2，对待预测数据集合进行预处理，输出相应的待预测参数集合；步骤S3，将待预测参数集合输入骨龄预测模型，得到一对应的骨龄预测值并输出。优选的，该种骨龄预测方法，其中基准卷积神经网络包括一特征提取网络和一骨龄计算网络；特征提取网络用于对待训练参数集合进行特征提取，输出一特征向量；骨龄计算网络的输入端连接特征提取网络的输出端，用于根据特征向量进行处理，输出骨龄预测值。优选的，该种骨龄预测方法，其中基准卷积神经网络采用Inception-V3模型实现；特征提取网络包括十个依次连接的卷积层和一全面池化层；于特征提取网络中设置一空间域注意力模块，空间域注意力模块的输入端连接第七个卷积层的输出端，空间域注意力模块的输出端连接全面池化层的输入端，空间域注意力模块用于对第七个卷积层输出的第一特征向量进行空间注意力权重添加，并向全面池化层输出一第一加权特征向量；于特征提取网络中设置一通道域注意力模块，通道域注意力模块的输入端连接第十个卷积层的输出端，通道域注意力模块的输出端连接全面池化层的输入端，通道域注意力模块用于对第十个卷积层输出的第二特征向量进行推导注意力权重添加，并向全面池化层输出一第二加权特征向量；全面池化层用于根据第一加权特征向量和第二加权特征向量进行全局平均池化，输出特征向量。优选的，该种骨龄预测方法，其中步骤A2进一步包括：步骤A21，提取待训练数据集合中的测骨龄用X光图片，并对测骨龄用X光图片进行掌骨图像分割，得到一掌骨图像；步骤A22，对掌骨图像分别进行随机随机数据增强，得到对应的掌骨增强图像；步骤A23，分别对每个掌骨增强图像进行归一化处理；步骤A24，获取归一化掌骨图像的三通道本文档来自技高网...

【技术保护点】
1.一种骨龄预测方法，应用于X光图片骨龄预测，其特征在于，预先通过一预设训练集训练形成一个骨龄预测模型；/n所述预设训练集包括多张测骨龄用X光图片、每张所述测骨龄用X光图片对应的测试者的性别信息和每张所述测骨龄用X光图片对应的测试者的骨龄确定值；/n所述骨龄预测模型通过一基准卷积神经网络训练得到，针对所述骨龄预测模型的训练过程具体包括：/n步骤A1，按次序从所述预设训练集中循环提取一所述测骨龄用X光图片及对应的所述性别信息并作为一待训练数据集合；/n步骤A2，对所述待训练数据集合进行预处理，输出相应的待训练参数集合；/n步骤A3，将所述待训练参数集合输入所述基准卷积神经网络进行前向传播，得到一骨龄预测值；/n步骤A4，根据所述骨龄预测值和对应的所述骨龄确定值进行误差计算，得到一损失函数；/n步骤A5，根据所述损失函数得到一损失函数梯度，所述基准卷积神经网络根据所述损失函数梯度进行反向传播以完成一次训练；/n步骤A6，判断所述损失函数的波动范围是否属于一预设范围：/n若否，则返回所述步骤A1；/n若是，则将训练后的所述基准卷积神经网络作为所述骨龄预测模型进行输出；/n训练形成所述骨龄预测模型后，将所述骨龄预测模型应用于所述骨龄预测方法中，所述骨龄预测的过程具体包括：/n步骤S1，获取所述待测试者的所述测骨龄用X光图片和所述待测试者的性别信息并作为一待预测数据集合；/n步骤S2，对所述待预测数据集合进行所述预处理，输出相应的待预测参数集合；/n步骤S3，将所述待预测参数集合输入所述骨龄预测模型，得到一对应的所述骨龄预测值并输出。/n...

【技术特征摘要】
1.一种骨龄预测方法，应用于X光图片骨龄预测，其特征在于，预先通过一预设训练集训练形成一个骨龄预测模型；
所述预设训练集包括多张测骨龄用X光图片、每张所述测骨龄用X光图片对应的测试者的性别信息和每张所述测骨龄用X光图片对应的测试者的骨龄确定值；
所述骨龄预测模型通过一基准卷积神经网络训练得到，针对所述骨龄预测模型的训练过程具体包括：
步骤A1，按次序从所述预设训练集中循环提取一所述测骨龄用X光图片及对应的所述性别信息并作为一待训练数据集合；
步骤A2，对所述待训练数据集合进行预处理，输出相应的待训练参数集合；
步骤A3，将所述待训练参数集合输入所述基准卷积神经网络进行前向传播，得到一骨龄预测值；
步骤A4，根据所述骨龄预测值和对应的所述骨龄确定值进行误差计算，得到一损失函数；
步骤A5，根据所述损失函数得到一损失函数梯度，所述基准卷积神经网络根据所述损失函数梯度进行反向传播以完成一次训练；
步骤A6，判断所述损失函数的波动范围是否属于一预设范围：
若否，则返回所述步骤A1；
若是，则将训练后的所述基准卷积神经网络作为所述骨龄预测模型进行输出；
训练形成所述骨龄预测模型后，将所述骨龄预测模型应用于所述骨龄预测方法中，所述骨龄预测的过程具体包括：
步骤S1，获取所述待测试者的所述测骨龄用X光图片和所述待测试者的性别信息并作为一待预测数据集合；
步骤S2，对所述待预测数据集合进行所述预处理，输出相应的待预测参数集合；
步骤S3，将所述待预测参数集合输入所述骨龄预测模型，得到一对应的所述骨龄预测值并输出。


2.如权利要求1所述的骨龄预测方法，其特征在于，所述基准卷积神经网络包括一特征提取网络和一骨龄计算网络；
所述特征提取网络用于对所述待训练参数集合进行特征提取，输出一特征向量；
所述骨龄计算网络的输入端连接所述特征提取网络的输出端，用于根据所述特征向量进行处理，输出所述骨龄预测值。


3.如权利要求2所述的骨龄预测方法，其特征在于，所述基准卷积神经网络采用Inception-V3模型实现；
所述特征提取网络包括十个依次连接的卷积层和一全面池化层；
于所述特征提取网络中设置一空间域注意力模块，所述空间域注意力模块的输入端连接第七个所述卷积层的输出端，所述空间域注意力模块的输出端连接所述全面池化层的输入端，所述空间域注意力模块用于对第七个所述卷积层输出的第一特征向量进行空间注意力权重添加，并向所述全面池化层输出一第一加权特征向量；
于所述特征提取网络中设置一通道域注意力模块，所述通道域注意力模块的输入端连接第十个所述卷积层的输出端，所述通道域注意力模块的输出端连接所述全面池化层的输入端，所述通道域注意力模块用于对第十个所述卷积层输出的第二特征向量进行推导注意力权重添加，并向所述全面池化层输出一第二加权特征向量；
所述...

【专利技术属性】
技术研发人员：蔡广，周水庚，黄志超，潘其乐，景晨，朱镕鑫，
申请(专利权)人：上海体育科学研究所，
类型：发明
国别省市：上海;31