基于人工智能的骨龄确定方法、装置以及电子设备制造方法及图纸

本申请提供了一种基于人工智能的骨龄确定方法、装置、电子设备及计算机可读存储介质；所述方法包括：确定数字化X射线(DR)图像中的感兴趣区域，所述DR图像包括肢体的骨骼图像；获取所述感兴趣区域的等级评价值；基于所述感兴趣区域的等级评价值，确定所述骨骼图像对应的骨龄。通过本申请，能够快速、准确地确定骨龄。龄。龄。

【技术实现步骤摘要】
基于人工智能的骨龄确定方法、装置以及电子设备


[0001]本申请涉及人工智能技术，尤其涉及一种基于人工智能的骨龄确定方法、装置、电子设备及计算机可读存储介质。

技术介绍

[0002]骨骼年龄(也称为骨龄)比实际年龄更能够反映人们的实际生长发育状况，骨龄可用于表征骨骼发育的不同阶段。骨龄评估在内分泌疾病的诊断、预测成人身高以及评估治疗效果等方面具有关键作用。
[0003]相关技术中，骨龄评估的方法至少存在评估准确性差和评估所需时间长的问题。

技术实现思路

[0004]本申请实施例提供一种基于人工智能的骨龄确定方法、装置、电子设备及计算机可读存储介质，能够提高骨龄评估的准确性，减少骨龄评估所需时间。
[0005]本申请实施例的技术方案是这样实现的：
[0006]第一方面，本申请实施例提供一种基于人工智能的骨龄确定方法，包括：
[0007]确定数字化X射线(Digital Radiography，DR)图像中的感兴趣区域，所述DR图像包括肢体的骨骼图像；获取所述感兴趣区域的等级评价值；基于所述感兴趣区域的等级评价值，确定所述骨骼图像对应的骨龄。
[0008]在上述方案中，所述确定DR图像中的感兴趣区域，包括：
[0009]将所述DR图像输入至第一神经网络模型，利用所述第一神经网络模型对所述骨骼图像中的掌指骨关节进行检测，得到所述掌指骨关节对应的第一感兴趣区域。
[0010]在上述方案中，所述确定DR图像中的感兴趣区域之前，所述方法还包括：
[0011]生成用于训练所述第一神经网络模型的第一训练样本集合；
[0012]获取所述第一训练样本集合中的每个样本的掌指骨关节特征；
[0013]以所述掌指骨关节特征为粒度训练所述第一神经网络模型，使得所述第一神经网络模型能够预测掌指骨关节对应的第一感兴趣区域。
[0014]在上述方案中，所述确定DR图像中的感兴趣区域，包括：
[0015]将所述DR图像输入至第二神经网络模型，利用所述第二神经网络模型对所述骨骼图像中的腕部关节进行分割，得到所述腕部关节对应的第二感兴趣区域。
[0016]在上述方案中，所述利用所述第二神经网络模型对所述骨骼图像中的腕部关节进行分割，得到所述腕部关节对应的第二感兴趣区域，包括：
[0017]利用所述第二神经网络模型对所述骨骼图像中的腕部关节进行分割，确定包括所述腕部关节的轮廓线；
[0018]确定所述轮廓线对应的第一形状最小包围框内的区域为所述第二感兴趣区域。
[0019]在上述方案中，所述基于所述骨骼图像确定所述DR图像中的感兴趣区域之前，所述方法还包括：
[0020]生成用于训练所述第二神经网络模型的第二训练样本集合；
[0021]获取所述第二训练样本集合中的每个样本的腕部关节特征；
[0022]以所述腕部关节特征为粒度训练所述第二神经网络模型，使得所述第二神经网络模型能够预测腕部关节对应的第二感兴趣区域。
[0023]在上述方案中，所述获取所述感兴趣区域的等级评价值，包括：
[0024]将所述感兴趣区域输入至第三神经网络模型，利用所述第三神经网络模型获取所述感兴趣区域对应的掌指骨关节和/或腕部关节的等级评价值；所述等级评价值用于表征所述骨骼图像对应的骨龄。
[0025]在上述方案中，所述获取所述感兴趣区域的等级评价值之前，所述方法还包括：
[0026]生成用于训练所述第三神经网络模型的第三训练样本集合；
[0027]获取所述第三训练样本集合中的每个样本中掌指骨关节和/或腕部关节对应的感兴趣区域；
[0028]以所述掌指骨关节和/或腕部关节对应的感兴趣区域的特征为粒度训练第三神经网络模型，使得所述第二神经网络模型能够预测掌指骨关节和/或腕部关节对应的等级评价值。
[0029]在上述方案中，所述基于所述感兴趣区域的等级评价值，确定所述骨骼图像对应的骨龄，包括：
[0030]计算全部所述感兴趣区域的等级评价值之和；
[0031]基于所述等级评价值之和确定所骨骼图像对应的骨龄。
[0032]第二方面，本申请实施例提供一种骨龄确定模型训练方法，所述方法包括：
[0033]生成历史DR图像样本集合，所述历史DR图像包括肢体的骨骼图像；
[0034]获取所述样本集合中每个样本的关节特征；
[0035]以所述关节特征为粒度，训练感兴趣区域神经网络模型，使得所述感兴趣区域神经网络模型能够预测关节对应的感兴趣区域；
[0036]获取所述每个样本中关节对应的感兴趣区域；
[0037]以所述关节的感兴趣区域的特征为粒度训练等级评价模型，使得所述等级评价模型能够预测所述关节对应的等级评价值；所述等级评价值用于表征所述骨骼图像对应的骨龄。
[0038]在上述方案中，所述以所述关节特征为粒度，训练感兴趣区域神经网络模型，包括：
[0039]以所述关节特征中的掌指骨关节特征为粒度训练第一神经网络模型，使得所述第一神经网络模型能够预测掌指骨关节对应的第一感兴趣区域；
[0040]和/或，以所述关节特征中的腕部关节特征为粒度训练第二神经网络模型，使得所述第二神经网络模型能够预测腕部关节对应的第二感兴趣区域。
[0041]第三方面，本申请实施例提供一种基于人工智能的骨龄确定装置，所述装置包括：
[0042]感兴趣区域确定模块，用于确定DR图像中的感兴趣区域，所述DR图像包括肢体的骨骼图像；
[0043]等级评价值获取模块，用于获取所述感兴趣区域的等级评价值；
[0044]骨龄确定模块，用于基于所述感兴趣区域的等级评价值，确定所述骨骼图像对应
的骨龄。
[0045]第四方面，本申请实施例提供一种骨龄确定模型训练装置，所述装置包括：
[0046]生成模块，用于生成历史DR图像样本集合，所述历史DR图像包括肢体的骨骼图像；
[0047]关节特征获取模块，用于获取所述样本集合中每个样本的关节特征；
[0048]第一训练模块，用于以所述关节特征为粒度，训练感兴趣区域神经网络模型，使得所述感兴趣区域神经网络模型能够预测关节对应的感兴趣区域；
[0049]感兴趣区域获取模块，用于获取所述每个样本中关节对应的感兴趣区域
[0050]第二训练模块，用于以所述关节的感兴趣区域的特征为粒度训练等级评价模型，使得所述等级评价模型能够预测所述关节对应的等级评价值；所述等级评价值用于表征所述骨骼图像对应的骨龄。
[0051]第五方面，本申请实施例提供一种电子设备，包括：
[0052]存储器，用于存储可执行指令；
[0053]处理器，用于执行所述存储器中存储的可执行指令时，实现本申请实施例提供的基于人工智能的骨龄确定方法，或实现本申请实施例提供的骨龄确定模型训练方法。
[0054]第六方面，本申请实施例提供一种计算机可读存储介本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的骨龄确定方法，其特征在于，所述方法包括：确定数字化X射线DR图像中的感兴趣区域，所述DR图像包括肢体的骨骼图像；获取所述感兴趣区域的等级评价值；基于所述感兴趣区域的等级评价值，确定所述骨骼图像对应的骨龄。2.根据权利要求1所述的方法，其特征在于，所述确定DR图像中的感兴趣区域，包括：将所述DR图像输入至第一神经网络模型，利用所述第一神经网络模型对所述骨骼图像中的掌指骨关节进行检测，得到所述掌指骨关节对应的第一感兴趣区域。3.根据权利要求2所述的方法，其特征在于，所述确定DR图像中的感兴趣区域之前，所述方法还包括：生成用于训练所述第一神经网络模型的第一训练样本集合；获取所述第一训练样本集合中的每个样本的掌指骨关节特征；以所述掌指骨关节特征为粒度训练所述第一神经网络模型，使得所述第一神经网络模型能够预测掌指骨关节对应的第一感兴趣区域。4.根据权利要求1所述的方法，其特征在于，所述确定DR图像中的感兴趣区域，包括：将所述DR图像输入至第二神经网络模型，利用所述第二神经网络模型对所述骨骼图像中的腕部关节进行分割，得到所述腕部关节对应的第二感兴趣区域。5.根据权利要求4所述的方法，其特征在于，所述利用所述第二神经网络模型对所述骨骼图像中的腕部关节进行分割，得到所述腕部关节对应的第二感兴趣区域，包括：利用所述第二神经网络模型对所述骨骼图像中的腕部关节进行分割，确定包括所述腕部关节的轮廓线；确定所述轮廓线对应的第一形状最小包围框内的区域为所述第二感兴趣区域。6.根据权利要求4或5所述的方法，其特征在于，所述基于所述骨骼图像确定所述DR图像中的感兴趣区域之前，所述方法还包括：生成用于训练所述第二神经网络模型的第二训练样本集合；获取所述第二训练样本集合中的每个样本的腕部关节特征；以所述腕部关节特征为粒度训练所述第二神经网络模型，使得所述第二神经网络模型能够预测腕部关节对应的第二感兴趣区域。7.根据权利要求1所述的方法，其特征在于，所述获取所述感兴趣区域的等级评价值，包括：将所述感兴趣区域输入至第三神经网络模型，利用所述第三神经网络模型获取所述感兴趣区域对应的掌指骨关节和/或腕部关节的等级评价值；所述等级评价值用于表征所述骨骼图像对应的骨龄。8.根据权利要求7所述的方法，其特征在于，所述获取所述感兴趣区域的等级评价值之前，所述方法还包括：生成用于训练所述第三神经网络模型的第三训练样本集合；获取所述第三训练样本集合中的每个样本中掌指骨关节和/或腕部关节对应的感兴趣区域；以所述掌指骨关节和/或腕部关节对应的感兴趣区域的特征为粒度训练第三神经网络模型，使得所述第二神经网络模型能够预测掌指骨关节和/或腕部关节对应的等级评价值。
9.根据权利要求1所述的方法，其特征在于，所述基于所述感...

【专利技术属性】
技术研发人员：李铁成，贾潇，王子腾，王东，王立威，丁佳，吕晨翀，
申请(专利权)人：北京医准智能科技有限公司，
类型：发明
国别省市：