基于深度卷积神经网络的骨龄评定方法、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：收集已标定有骨龄信息的手腕骨X线片，基于UNet算法构建第一深度卷积神经网络对手腕骨X线片作图像分割，以获得预处理图像集，并选取部分图像作为训练集图像，其余图像作为测试集图像；基于DenseNet算法构建构建第二深度卷积神经网络，并将训练集图像输入，以对第二深度卷积神经网络的参数进行训练，从而获得经训练的第二深度卷积神经网络，经训练的第二深度卷积神经网络具有学习后的网络权重参数；将测试集图像输入至经训练的第二深度卷积神经网络，由经训练的第二深度卷积神经网络迭代后，输出骨龄评定结果。采用上述技术方案后，使得骨龄评定结果可符合临床应用的要求。的要求。的要求。

【技术实现步骤摘要】
基于深度卷积神经网络的骨龄评定方法、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，骨龄能确定相关人员的真实年龄，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，需要对手腕骨或特征骨块进行提取，通常会出现过分割的情况，可能遗失部分重要特征。目前公开的全自动骨龄评估误差最小能查询到的在一年内的准确率不足95％，而临床上需要把评估误差控制在6个月内。
[0005]因此，提出一种新型的基于深度卷积神经网络的骨龄评定方法，可提高骨龄评定的准确性。

技术实现思路

[0006]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的骨龄评定方法、设备及计算机可读存储介质，使得骨龄评定结果可符合临床应用的要求。
[0007]本专利技术公开了一种基于深度卷积神经网络的骨龄评定方法，包括如下步骤：
[0008]收集已标定有骨龄信息的手腕骨X线片，基于UNet算法构建第一深度卷积神经网络，对手腕骨X线片作图像分割，以去除手腕骨X线片的背景信息而获得预处理图像集，并选取预处理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；
[0009]基于DenseNet算法构建第二深度卷积神经网络，并将训练集图像输入至第二深度卷积神经网络，以对第二深度卷积神经网络的参数进行训练，从而获得经训练的第二深度卷积神经网络，经训练的第二深度卷积神经网络具有学习后的网络权重参数；
[0010]将测试集图像中的部分或所有输入至经训练的第二深度卷积神经网络，由经训练
的第二深度卷积神经网络迭代后，输出测试集图像内受验者的手腕骨X线片的骨龄评定结果。
[0011]优选地，收集已标定有骨龄信息的手腕骨X线片，基于第一深度卷积神经网络对手腕骨X线片作图像分割，以去除手腕骨X线片的背景信息而获得预处理图像集，并选取预处理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：
[0012]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；
[0013]自手腕骨X线片中挑选具有完整数据的左手正位片，并对左手正位片预处理，使得左手正位片的背景区域的亮度低于手腕骨区域的亮度；
[0014]根据骨龄信息对手腕骨X线片以m个月为步长标定类别，其中1≤m≤6；
[0015]对手腕骨X线片作数字化采样，使得手腕骨X线片的大小呈512
×
512，并基于UNet 算法构建第一深度卷积神经网络，对手腕骨X线片作图像分割，以去除手腕骨X线片的背景信息而获得预处理图像集，其中第一深度卷积神经网络包括特征提取区、采样区和跳跃连接区，其中所述特征提取区包括多个交替作动的卷积层和池化层，所述采样区包括多个交替作动的卷积层和反卷积层；
[0016]自预处理图像集中随机选取90％的图像作为训练集图像，对训练集图像作数据增广，将剩余的10％图像作为测试集图像，并自测试集图像中选取部分作为受验者的手腕骨X 线片。
[0017]优选地，根据骨龄信息对手腕骨X线片以m个月为步长标定类别的步骤包括：
[0018]将骨龄信息减去所收集的所有手腕骨X线片中最小月份年纪得到骨龄差；
[0019]将骨龄差除以m得到类别数据。
[0020]优选地，自预处理图像集中随机选取90％的图像作为训练集图像，对训练集图像作数据增广的步骤包括：
[0021]对训练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的数据量是增广前的训练集图像的数据量的4
‑
8倍。
[0022]优选地，基于DenseNet算法构建第二深度卷积神经网络，并将训练集图像输入至第二深度卷积神经网络，以对第二深度卷积神经网络的参数进行训练，从而获得经训练的第二深度卷积神经网络，经训练的第二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：
[0023]基于DenseNet算法构建第二深度卷积神经网络，第二深度卷积神经网络包括交替作动的卷积层、池化层和激活层，建立了卷积层、池化层和激活层的不同层之间的连接；
[0024]将训练集图像输入至第二深度卷积神经网络，以对第二深度卷积神经网络的参数进行训练，以通过Adam优化算法降低第二深度卷积神经网络的损失函数值，并更新第二深度卷积神经网络的网络权重参数；
[0025]反复对第二深度卷积神经网络的参数进行训练后，获得学习后的网络权重参数，其中对训练集图像根据骨龄信息中受验者的性别进行分类。
[0026]优选地，将测试集图像中的部分或所有输入至经训练的第二深度卷积神经网络，由经训练的第二深度卷积神经网络迭代后，输出测试集图像内受验者的手腕骨X线片的骨龄评定结果的步骤包括：
[0027]将测试集图像中的部分或所有输入至经训练的第二深度卷积神经网络，基于经训
练的第二深度卷积神经网络迭代，并应用基于骨龄信息中受验者的性别进行分类的训练集图像训练学习后的网络权重参数，输出类别数据；
[0028]根据类别数据输出受验者的手腕骨X线片的骨龄评定结果。
[0029]本专利技术还公开了一种基于深度卷积神经网络的骨龄评定设备，包括：
[0030]处理模块，收集已标定有骨龄信息的手腕骨X线片，基于UNet算法构建第一深度卷积神经网络，对手腕骨X线片作图像分割，以去除手腕骨X线片的背景信息而获得预处理图像集，并选取预处理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；
[0031]训练模块，基于DenseNet算法构建第二深度卷积神经网络，并将训练集图像输入至第二深度卷积神经网络，以对第二深度卷积神经网络的参数进行训练，从而获得经训练的第二深度卷积神经网络，经训练的第二深度卷积神经网络具有学习后的网络权重参数；
[0032]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UNet算法构建第一深度卷积神经网络，对所述手腕骨X线片作图像分割，以去除手腕骨X线片的背景信息而获得预处理图像集，并选取所述预处理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；基于DenseNet算法构建第二深度卷积神经网络，并将训练集图像输入至所述第二深度卷积神经网络，以对第二深度卷积神经网络的参数进行训练，从而获得经训练的第二深度卷积神经网络，所述经训练的第二深度卷积神经网络具有学习后的网络权重参数；将测试集图像中的部分或所有输入至经训练的第二深度卷积神经网络，由经训练的第二深度卷积神经网络迭代后，输出测试集图像内受验者的手腕骨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UNet算法构建第一深度卷积神经网络，对所述手腕骨X线片作图像分割，以去除手腕骨X线片的背景信息而获得预处理图像集，并选取所述预处理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；自手腕骨X线片中挑选具有完整数据的左手正位片，并对所述左手正位片预处理，使得左手正位片的背景区域的亮度低于手腕骨区域的亮度；根据骨龄信息对所述手腕骨X线片以m个月为步长标定类别，其中1≤m≤6；对所述手腕骨X线片作数字化采样，使得手腕骨X线片的大小呈512
×
512，并基于第一深度卷积神经网络对所述手腕骨X线片作图像分割，以去除手腕骨X线片的背景信息而获得预处理图像集，其中所述第一深度卷积神经网络包括特征提取区、采样区和跳跃连接区，其中所述特征提取区包括多个交替作动的卷积层和池化层，所述采样区包括多个交替作动的卷积层和反卷积层；自预处理图像集中随机选取90％的图像作为训练集图像，对所述训练集图像作数据增广，将剩余的10％图像作为测试集图像，并自所述测试集图像中选取部分作为受验者的手腕骨X线片。3.如权利要求2所述的骨龄评定方法，其特征在于，根据骨龄信息对所述手腕骨X线片以m个月为步长标定类别的步骤包括：将所述骨龄信息减去所收集的所有手腕骨X线片中最小月份年纪得到骨龄差；将所述骨龄差除以m得到类别数据。4.如权利要求2所述的骨龄评定方法，其特征在于，自预处理图像集中随机选取90％的图像作为训练集图像，对所述训练集图像作数据增广的步骤包括：对训练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的数据...

【专利技术属性】
技术研发人员：王春林，孔振岩，蔡祁文，刘倩，孔德兴，
申请(专利权)人：杭州博钊科技有限公司，
类型：发明
国别省市：