【技术实现步骤摘要】
一种基于图卷积神经网络的骨龄评测方法、系统、终端及存储介质
本申请涉及骨龄评测
,尤其是涉及一种基于图卷积神经网络的骨龄评测方法、系统、终端及存储介质。
技术介绍
骨龄是评价青少年及儿童生物年龄的主要方法,应用于临床医学、法医学和运动学等领域。计分法骨龄标准(如《中华-05》骨龄标准、TW3骨龄标准)规定对手腕骨的桡骨、尺骨以及其他短指骨分别进行发育等级评测。骨龄片拍摄质控要求取左手正位,五指舒展,避免关节弯曲;拍摄后,分别对每处骨化中心进行发育等级评分,并将算出相应分数总和,查表得出最终骨龄。需要注意的是,对于每处骨化中心,其成熟等级类别数存在差异。比如中华05标准中,发育等级最少的是远节指骨,只有11个等级;最多的是桡骨,有15个等级。而且发育等级与分数之间不是线性关系,一般而言,发育等级越高,相邻等级对应分数差别越大,医生错判带来的误差也会越大。骨龄评测的第一个难点是非规范的骨龄拍摄。实际操作中,作为骨龄评测的主要受众,青少年儿童可能会不配合、不听从医嘱,手掌姿势不合规范或生长异常,导致对应部位的骨骺形态发生变化(比如旋转、形变、被遮挡),对精确骨龄评测造成困难。另一个难点是现有标准下内生的“等级二义性”。无论是国际TW3标准,还是国内CHN05标准,发育等级都是离散的。但实际上,骨骼发育具有时间连续性,其真实发育程度落在现有标准的两个离散等级之间,导致医生难以准确评判。对于上述问题,医学专家通常难以直接给该部位的成熟等级给出准确评测,而采取借鉴邻近部位的骨化中心的生长程度来进行综
【技术保护点】
1.一种基于图卷积神经网络的骨龄评测方法,其特征在于,包括:/n获取手腕骨影像的N个目标骨骺,其中,N是等于或大于2的整数;/n采用特征提取网络模型,提取手腕骨影像的N个目标骨骺及其附近区域的初始特征X;/n采用基于图卷积网络的上下文特征融合网络模型,将初始特征X和经过多层图卷积后的上下文特征相加,得到最终的融合特征
【技术特征摘要】
1.一种基于图卷积神经网络的骨龄评测方法,其特征在于,包括:
获取手腕骨影像的N个目标骨骺,其中,N是等于或大于2的整数;
采用特征提取网络模型,提取手腕骨影像的N个目标骨骺及其附近区域的初始特征X;
采用基于图卷积网络的上下文特征融合网络模型,将初始特征X和经过多层图卷积后的上下文特征相加,得到最终的融合特征
将所述融合特征输入至预测分布网络模型,预测得到N个目标骨骺的发育等级分布,并相应计算发育等级期望和方差、发育分数期望、骨成熟度总分;
利用预测的发育等级和计算的骨成熟度总分,根据骨龄标准计算得到最终骨龄预测值。
2.根据权利要求1所述的基于图卷积神经网络的骨龄评测方法,其特征在于,所述获取手腕骨影像的N个目标骨骺,包括:
获取X线手腕骨正位片;
采用基于关键点检测、目标检测或实例分割的定位网络模型,定位出X线手腕骨正位片中的N个目标骨骺位置。
3.根据权利要求1所述的基于图卷积神经网络的骨龄评测方法,其特征在于,所述采用基于图卷积网络的上下文特征融合网络模型,将初始特征X和经过多层图卷积后的上下文特征相加,得到最终的融合特征包括:
构建手腕骨N个目标骨骺的特征融合拓扑图;
将特征融合拓扑图的图邻接矩阵进行归一化处理,构建图卷积网络模型;
采用图卷积网络模型对初始特征进行图卷积,得到上下文特征;
采用目标特征融合网络模型,以残差学习的方式将初始特征X和上下文特征相加,得到最终的融合特征
4.根据权利要求3所述的基于图卷积神经网络的骨龄评测方法,其特征在于,所述将特征融合拓扑图的图邻接矩阵进行归一化处理,构建图卷积网络模型,包括:
构建手腕骨N个目标骨骺的特征融合拓扑图,记为G(V,E,A),其中,V是势为N的顶点集,E是边集,A∈RN×N是邻接矩阵;
将特征融合拓扑图的图邻接矩阵A∈RN×N加自连接得到其中,IN为单位阵,对线元素为1;
计算出度矩阵
计算得到邻接矩阵
根据邻接矩阵构建图卷积网络模型,其中,图卷积的函数定义为:其中,Xl∈RN×C是作为输入的骨骺特征矩阵,Θ∈RC×F是GCN需要学习的卷积核参数,f表示非线性的激活函数。
5.根据权利要求1所述的基于图卷积神经网络的骨龄评测方法,其特征在于,所述将所述融合特征输入至预测分布网络模型,预测得到N个目标骨骺的发育等级分布,并相应计算发育等级期望和方差、发育分数期望、骨成熟度总分,包括:
将基于医生标注的N个样本骨骺的发育等级进行标签平滑处理,生成高斯分布作为医生标注分布;
将所述N个样本骨骺的融合特征输入至预测分布网络模型获取模型预测分布;
根据所述模型预测分布和医生标注分布,利用骨成熟度总分损失函数训练所述分布网络模型;
将所述N个目标骨骺的融合特征输入至预测分布网络模型,预测得到N个目标骨骺的发育等级分布,并相应计算发育等级期望和方差、发育分数期望、骨成熟度总分。
6.根据权利要求1所述的基于图卷积神经网络的骨龄评测方法,其特征在于,利用预测的发育等级和计算的骨成熟度总分,采用计分法得到最终骨龄预测值。
7.一种基于图卷积神经网络的骨龄评测系统,其特征在于,包括:
获取单元,配置用于获取手腕骨影像的N个目标骨骺,其中,N是等于或大于2的整数;
特征提...
【专利技术属性】
技术研发人员:宫平,尹子昊,俞益洲,
申请(专利权)人:杭州深睿博联科技有限公司,北京深睿博联科技有限责任公司,
类型:发明
国别省市:浙江;33
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。