基于MRI和深度神经网络的骨龄评估方法、系统技术方案

本发明专利技术属于骨龄评估技术领域，公开了基于MRI和深度神经网络的骨龄评估方法、系统，基于MRI和深度神经网络的骨龄评估方法包括：利用深度学习算法综合分析三种MRI加权像，构建多特征融合的自动化无辐射的骨龄评估模型，利用所述骨龄评估模型对MRI三维图像有效特征进行自动识别、提取、融合，得到骨龄评估结果。本发明专利技术采用人工智能结合多模态MRI三维信息，充分发挥MRI无电离辐射、高分辨率、多层次的优点，充分发挥不同模态间的协同作用，有望发现专家难以关注到的有效特征，提高网络特征学习，提高骨龄评估准确性和精度，有助于实现活体骨龄鉴定实践的绿色健康检查、精准骨龄推断、高效自动评估一体化配置，为法庭审判提供强有力的科学证据。科学证据。科学证据。

【技术实现步骤摘要】
基于MRI和深度神经网络的骨龄评估方法、系统


[0001]本专利技术属于骨龄评估
，尤其涉及一种基于MRI和深度神经网络的骨龄评估方法、系统。

技术介绍

[0002]骨龄在刑事案件侦查、司法量刑、竞技体育资格核查、成人身高预测等方面都具有重要意义。现有骨龄评估方法多基于四肢长骨X线片或CT等放射性检查。但青少年对X射线具有较高敏感性，非诊疗目的地进行放射性检查并不符合现代医学伦理学的要求，基于放射性检查的活体骨龄推断已在国际法庭科学领域持续引发伦理学争议。同时现有方法多依赖专家设计特征，人工阅片评估骨骼发育推断年龄，设计的特征常不能全面反映年龄相关特征，整个阅片过程费时费力，评估结果主观误差大，限制了此类方法在骨龄鉴定实践中的普适性。
[0003]磁共振成像(MRI)具有优越的软骨成像能力，可清晰显示长骨骨骺及骺板的生长发育和骨骺闭合的过程，是评估未成熟骨骼结构较理想的无辐射影像学方法。同时，MRI可在任意平面成像，图像包含三维信息，为骨龄评估提供了新的更具潜力的研究技术与影像策略。膝关节MRI的T1加权像(T1WI)、T2加权像(T2WI)和质子密度加权像(PDWI)等多模态MRI图像包含丰富且多样的年龄相关信息，显示出良好的骨龄评估性能。然而，MRI的多维和多平面特性限制了传统人工方法在骨龄MRI评估中的应用。深度学习方法能够自动学习多层特征，非常适合于解释医学图像及其映射之间的复杂关系。既往自动化MRI骨龄推断研究样本量相对较小，未涉及低龄组，我国此类样本数据更是严重匮乏，且多采用二维卷积核，难以充分利用MRI断层间的数据相关性。三维卷积神经网络(3D
‑
CNN)可对3D数据从(x,y,z)三个方向上进行编码，提取断层间的连续信息，能很好地利用MRI空间和时间特征，提高骨龄评估性能。
[0004]综上，专利技术人基于膝关节多模态MRI和3D
‑
CNN研发了集多模态特征提取、特征融合和骨龄输出为一体的骨龄评估方法，实现绿色、便捷及精准一体化的青少年骨龄评估。
[0005]通过上述分析，现有技术存在的问题及缺陷为：
[0006](1)现有基于CT或X线片影像特征的骨龄评估方法存在辐射暴露风险；
[0007](2)现有的人工特征分级方法，骨龄评估方法工作量大、主观性强、阅片依赖经验及特征规律不清，骨龄评估性能不佳。

技术实现思路

[0008]针对现有技术存在的问题，本专利技术提供了一种基于MRI和深度神经网络的骨龄评估方法、系统。
[0009]本专利技术是这样实现的，一种基于MRI和深度神经网络的骨龄评估方法，所述基于MRI和深度神经网络的骨龄评估方法包括：
[0010]利用深度学习算法综合分析三种MRI加权像，构建集多模态特征识别、提取、融合
和骨龄输出的自动化无辐射的骨龄评估模型。
[0011]进一步，所述基于MRI和深度神经网络的骨龄评估方法包括以下步骤：
[0012]步骤一，对待评估骨龄的用户MRI进行重采样、偏置场校正以及归一化处理；
[0013]步骤二，利用三个特征提取网络分别自动提取T1WI、T2WI和PDWI图像特征；
[0014]步骤三，利用多模态多尺度特征融合模块自动融合T1WI、T2WI和PDWI图像特征；
[0015]步骤四，利用骨龄评估子网络基于融合的特征图进行骨龄评估。
[0016]进一步，所述多特征融合的自动化无辐射的骨龄评估模型包括：
[0017]特征提取网络，对MRI的T1WI、T2WI和PDWI分别设计特征提取网络，每个特征提取网络设有1个1
×7×
7卷积层和4个R
‑
P3D模块，每个卷积层后有一个归一化层和CELU激活函数，每个R
‑
P3D模块后有一个最大池化层(maxpooling)；用于获取每个模态的特征图。
[0018]多模态多尺度特征融合模块，包括2个选择性特征融合(SFF)模块，第一个SFF模块用于融合三个特征提取网络中倒数第二个maxpooling层的特征图，第二个SFF模块用于融合第一个SFF特征和三个特征提取网络中最后一个maxpooling层的特征图，输出最终的多模态、多尺度融合特征图；
[0019]骨龄评估子网络，由平均池化层、全连接层、CELU、Dropout层和全连接层层组成，损失函数采用Softmax
‑
Mean
‑
Variane损失函数；用于从T1WI、T2WI和PDWI的融合特征中生成最终预测年龄。
[0020]本专利技术的另一目的在于提供一种实施所述基于MRI的骨龄评估方法的基于MRI的骨龄评估系统，所述基于MRI的骨龄评估系统包括：
[0021]图像预处理模块，用于对待评估骨龄的用户MRI的T1WI、T2WI和PDWI进行重采样、偏置场校正以及归一化处理；
[0022]骨龄评估模块，用于利用训练好的多特征融合的自动化无辐射的骨龄评估模型基于处理后的待评估骨龄的用户MRI的T1WI、T2WI和PDWI图像进行骨龄评估。
[0023]结合上述的技术方案和解决的技术问题，本专利技术所要保护的技术方案所具备的优点及积极效果为：
[0024]第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本专利技术的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本专利技术技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：
[0025]本专利技术采用人工智能结合多模态MRI三维信息，优化骨龄推断策略：MRI包含骨骺发育的三维信息，多模态MRI包含更丰富的骨骺发育特征，因此是较好的骨骺发育信息载体。本专利技术采用三维卷积神经网络直接对输入MRI三维图像有效特征进行自动识别、提取，并对多模态多尺度特征进行自动融合，实现了自动化无辐射骨龄评估，提高了骨龄推断的准确性，显著缩短评估时间，方法更易普及。
[0026]第二，把技术方案看做一个整体或者从产品的角度，本专利技术所要保护的技术方案具备的技术效果和优点，具体描述如下：
[0027]本专利技术采用多模态膝关节MRI观测指标，构建自动化青少年骨龄推断MRI方法，突破活体年龄推断的伦理学困境。所用的深度学习模型突破传统骨龄评估深度学习方法的特征表示不足、仅学习局部特征的瓶颈，可全面提取三维MRI的局部特征、全局特征和层间信息，有望发现专家难以关注到的有效特征，提高网络特征学习能力。SFF模块可自适应、有权
重地融合多模态、多尺度的MRI特征，充分发挥不同模态间的协同作用，结合Softmax
‑
Mean
‑
Variance损失函数提高骨龄评估准确性和精度。
[0028]第三，作为本专利技术的权利要求的创造性辅助证据，还体现在以下几个重要方面：
[0029]本专利技术的技术方案解决了人们一直渴望解决、但始终未能获得成功的技术难题：
[0030]本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于MRI和深度神经网络的骨龄评估方法，其特征在于，所述基于MRI和深度神经网络的骨龄评估方法包括：利用深度学习算法综合分析三种MRI加权像，构建多特征融合的自动化无辐射的骨龄评估模型，利用所述骨龄评估模型对MRI三维图像有效特征进行自动识别、提取、融合，得到骨龄评估结果。2.如权利要求1所述基于MRI和深度神经网络的骨龄评估方法，其特征在于，所述基于MRI的骨龄评估方法包括以下步骤：步骤一，对待评估骨龄的用户MRI进行重采样、偏置场校正以及归一化处理；步骤二，利用三个特征提取网络分别自动提取T1WI、T2WI和PDWI图像特征；步骤三，利用多模态多尺度特征融合模块自动融合T1WI、T2WI和PDWI图像特征；步骤四，利用骨龄评估子网络基于融合的特征图进行骨龄评估。3.如权利要求2所述基于MRI和深度神经网络的骨龄评估方法，其特征在于，所述多特征融合的自动化无辐射的骨龄评估模型包括：特征提取网络，对MRI的T1WI、T2WI和PDWI分别设计特征提取网络，每个特征提取网络设有1个1
×7×
7卷积层和4个R
‑
P3D模...

【专利技术属性】
技术研发人员：范飞，占梦军，邓振华，陈虎，刘涵，戴鑫华，鲁婷，施蕾，邱丽蓉，薛冶，
申请(专利权)人：四川大学，
类型：发明
国别省市：