【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...
【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：
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。