基于深度卷积神经网络和特征融合的骨龄评定方法、设备及计算机可读存储介质技术

本发明专利技术提供了一种基于深度卷积神经网络和特征融合的骨龄评定方法、设备及计算机可读存储介质，骨龄评定方法包括如下步骤：收集手腕骨X线片，对手腕骨X线片分类形成手腕骨X射线图像集；随机选取训练图像和测试图像，基于TW评分法标记ROI区域，构建应用YOLO模型的目标检测神经网络，将训练图像和测试图像输入目标检测神经网络，形成深度卷积神经网络；随机选择训练图像输入至深度卷积神经网络，由深度卷积神经网络提取训练图像的全局特征信息，并基于目标检测神经网络提取训练图像的局部特征信息，以融合全局特征信息和局部特征信息得到骨龄评定结果。采用上述技术方案后，可实现骨龄评估的全自动化，提升网络性能，进一步提高骨龄评定的准确率。高骨龄评定的准确率。高骨龄评定的准确率。

【技术实现步骤摘要】
基于深度卷积神经网络和特征融合的骨龄评定方法、设备及计算机可读存储介质


[0001]本专利技术涉及医疗图像处理领域，尤其涉及一种基于深度卷积神经网络和特征融合的骨龄评定方法、设备及计算机可读存储介质。

技术介绍

[0002]骨骼测定年龄简称骨龄，骨龄是评估青少年儿童骨骼发育程度，衡量生物学年龄的客观指标。骨龄评定在青少年儿童的生长发育、疾病诊断、司法鉴定、体育竞技等方面有重要作用。在生长发育方面，骨龄能给出少年儿童的生理年龄，可以预估身高，评估生长发育情况是否正常。在疾病诊断方面，若骨龄高于生活年龄，属于提早发育状态，医生会考虑个体是否患有甲亢、肾上腺皮质增生等疾病，反之属于个体发育状况滞后，考虑是否患有生长激素缺乏、甲状腺功能低下等疾病。在司法鉴定方面，骨龄能确定受害者或犯罪嫌疑人的真实年龄，有助于司法公正。在体育竞技方面，青少年比赛对参赛人的年龄有严格的要求，骨龄评估有助于保证比赛的公平性。
[0003]目前的常用骨龄评定标准是图谱法和评分法，国内骨龄主要通过拍摄骨龄片，然后由骨龄专家人工评定骨龄。而人工判读具有工作量大、测定周期长、主观性强等缺点。同一张骨龄片，不同医生给出的结果可能不同，同一医生在不同时间也可能有不同的判断。现有的医生数目不足以满足庞大的需求，往往缺乏足够的测定时间。因此急需建立好的骨龄自动评定方法。
[0004]现有的全自动方法基于GP图谱法和TW评分法，GP图谱法是一种相对简单的方法，提取的特征骨块与标准骨龄的图谱列表进行比较，以预测骨龄，这种方法的准确性很难保证。相比之下，TW评分法比较客观，更加准确，其评估手和手腕的特定骨骼的成熟度，这些骨骼构成了特定的感兴趣区域(ROI)。预先定义的骨骼成熟度分数根据其成熟度水平分配给单个ROI。最终的骨龄是通过使用一些预先定义的策略将所有的分数结合起来估计出来的。随着计算机视觉技术在图像分析领域的应用，尤其是深度学习方法具有强大的自动特征提取能力，深度学习和骨龄评估技术的结合得到了迅速的发展和完善，取得了优于传统方法的效果。
[0005]骨龄阅片是一项劳动密集型的任务，虽然GP图谱法和TW评分法有各自的特点， GP图谱法简单、TW评分法精确，但这些方法都有几个共同的缺点，它们都严重依赖于放射科医生的领域知识和经验，评估过程需要花费大量的时间和人力，时间效率较低。由于人工判读主观性强，在许多情况下，即使是同一个专家对同一张X射线图像进行评估，其评估结果在不同的时间也会有一定的差异。同时，由于医学图像的采集成本更高，标记需要专业的放射科医生，因此专门用于骨龄预测并具有高质量标签的数据集非常有限。传统的自动化评估方法大多需要人工设计特征作为输入，无法满足自动化的要求，其性能也难以满足实际应用的要求。此外，虽然采用深度学习方法的骨龄评估模型能够自动提取特征，但对骨龄评估中的ROI关注较少，新的深度学习理论还可以进一步完善。
[0006]因此，提出一种新型的基于深度卷积神经网络和特征融合的骨龄评定方法，可提高骨龄评定的准确性。

技术实现思路

[0007]为了克服上述技术缺陷，本专利技术的目的在于提供一种基于深度卷积神经网络和特征融合的骨龄评定方法、设备及计算机可读存储介质，实现骨龄评估的全自动化，提升网络性能，进一步提高骨龄评定的准确率。
[0008]本专利技术公开了一种基于深度卷积神经网络和特征融合的骨龄评定方法，包括如下步骤：
[0009]收集已标定有骨龄信息的手腕骨X线片，基于自然年周期对所有手腕骨X线片分类，形成至少一组手腕骨X射线图像集，并对每一手腕骨X射线图像集预处理，选取手腕骨 X射线图像集中部分图像作为训练集图像，其余图像作为测试集图像；
[0010]从每一手腕骨X射线图像集中随机选取n例训练图像和m例测试图像，基于TW评分法人工标记训练图像和测试图像中的ROI区域，并构建应用有YOLO模型的目标检测神经网络，将标记好的训练图像和测试图像输入目标检测神经网络，形成一深度卷积神经网络，并对深度卷积神经网络的参数进行训练，从而获得经训练的深度卷积神经网络，经训练的深度卷积神经网络具有学习后的网络权重参数；
[0011]随机选择训练集图像中的训练图像输入至深度卷积神经网络，由经训练的深度卷积神经网络提取训练图像的全局特征信息，并基于目标检测神经网络提取训练图像的局部特征信息，以融合全局特征信息和局部特征信息得到受验者的手腕骨X线片的骨龄评定结果。
[0012]优选地，收集已标定有骨龄信息的手腕骨X线片，基于自然年周期对所有手腕骨X 线片分类，形成至少一组手腕骨X射线图像集，并对每一手腕骨X射线图像集预处理，选取手腕骨X射线图像集中部分图像作为训练集图像，其余图像作为测试集图像的步骤包括：
[0013]自一放射检查数据库中收集已标定有骨龄信息的手腕骨X线片，并基于骨龄信息，以自然年周期对手腕骨X线片分类，形成至少一组手腕骨X射线图像集，其中每一手腕骨X射线图像集的骨龄信息为[a，b)区间，a、b为正整数；
[0014]对手腕骨X射线图像集作直方图均衡化处理，对处理后的手腕骨X射线图像集进行图像数字化采样，使得手腕骨X射线图像集内的每一图像的大小呈224
×
224；
[0015]随机选取每一手腕骨X射线图像集的80％的图像作为训练集图像，10％的图像作为验证集图像，对训练集图像和验证集图像作数据增广，将剩余的10％图像作为测试集图像。
[0016]优选地，对训练集图像和验证集图像作数据增广的步骤包括：
[0017]对训练集图像和验证集图像的图像作尺寸变换、位移变换、角度旋转变换中的任意一种或多种，使得增广后的训练集图像和验证集图像的数据量是增广前的训练集图像和验证集图像的数据量的10倍。
[0018]优选地，从每一手腕骨X射线图像集中随机选取n例训练图像和m例测试图像，基于TW评分法人工标记训练图像和测试图像中的ROI区域，并构建应用有YOLO模型的目标检测神经网络，将标记好的训练图像和测试图像输入目标检测神经网络，形成一深度卷积神经
网络，并对深度卷积神经网络的参数进行训练，从而获得经训练的深度卷积神经网络，经训练的深度卷积神经网络具有学习后的网络权重参数的步骤包括：
[0019]从每一手腕骨X射线图像集中随机选取n例训练图像和m例测试图像，其中男性的训练图像的数量为n/2，男性的测试图像的数量为m/2，女性的训练图像的数量为n/2，女性的测试图像的数量为m/2；
[0020]基于TW评分法人工标记训练图像和测试图像中的ROI区域；
[0021]构建应用有YOLO模型的目标检测神经网络，以检测手腕骨X射线图像集的图像的局部特征信息；
[0022]将n例训练图像和已标定的骨龄信息输入目标检测神经网络，以获得深度卷积神经网络并训练，通过降低深度卷积神经网络的损失函数值更新深度卷积神经网络具有的网络权重参数。
[0023]优选地，随机选择训练集图像中的训练图像输入至深度卷积神经网络，由经训练的深度卷积本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度卷积神经网络和特征融合的骨龄评定方法，其特征在于，包括如下步骤：收集已标定有骨龄信息的手腕骨X线片，基于自然年周期对所有手腕骨X线片分类，形成至少一组手腕骨X射线图像集，并对每一手腕骨X射线图像集预处理，选取所述手腕骨X射线图像集中部分图像作为训练集图像，其余图像作为测试集图像；从每一手腕骨X射线图像集中随机选取n例训练图像和m例测试图像，基于TW评分法人工标记训练图像和测试图像中的ROI区域，并构建应用有YOLO模型的目标检测神经网络，将标记好的训练图像和测试图像输入目标检测神经网络，形成一深度卷积神经网络，并对深度卷积神经网络的参数进行训练，从而获得经训练的深度卷积神经网络，所述经训练的深度卷积神经网络具有学习后的网络权重参数；随机选择训练集图像中的训练图像输入至深度卷积神经网络，由经训练的深度卷积神经网络提取训练图像的全局特征信息，并基于目标检测神经网络提取训练图像的局部特征信息，以融合全局特征信息和局部特征信息得到受验者的手腕骨X线片的骨龄评定结果。2.如权利要求1所述的骨龄评定方法，其特征在于，收集已标定有骨龄信息的手腕骨X线片，基于自然年周期对所有手腕骨X线片分类，形成至少一组手腕骨X射线图像集，并对每一手腕骨X射线图像集预处理，选取所述手腕骨X射线图像集中部分图像作为训练集图像，其余图像作为测试集图像的步骤包括：自一放射检查数据库中收集已标定有骨龄信息的手腕骨X线片，并基于所述骨龄信息，以自然年周期对手腕骨X线片分类，形成至少一组手腕骨X射线图像集，其中每一手腕骨X射线图像集的骨龄信息为[a，b)区间，a、b为正整数；对手腕骨X射线图像集作直方图均衡化处理，对处理后的手腕骨X射线图像集进行图像数字化采样，使得手腕骨X射线图像集内的每一图像的大小呈224
×
224；随机选取每一手腕骨X射线图像集的80％的图像作为训练集图像，10％的图像作为验证集图像，对所述训练集图像和验证集图像作数据增广，将剩余的10％图像作为测试集图像。3.如权利要求2所述的骨龄评定方法，其特征在于，对所述训练集图像和验证集图像作数据增广的步骤包括：对训练集图像和验证集图像的图像作尺寸变换、位移变换、角度旋转变换中的任意一种或多种，使得增广后的训练集图像和验证集图像的数据量是增广前的训练集图像和验证集图像的数据量的10倍。4.如权利要求2所述的骨龄评定方法，其特征在于，从每一手腕骨X射线图像集中随机选取n例训练图像和m例测试图像，基于TW评分法人工标记训练图像和测试图像中的ROI区域，并构建应用有YOLO模型的目标检测神经网络，将标记好的训练图像和测试图像输入目标检测神经网络，形成一深度卷积神经网络，并对深度卷积神经网络的参数进行训练，从而获得经训练的深度卷积神经网络，所述经训练的深度卷积神经网络具有学习后的网络权重参数的步...

【专利技术属性】
技术研发人员：惠庆磊，洪源，孔德兴，
申请(专利权)人：海盐县南北湖医学人工智能研究院，
类型：发明
国别省市：