System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于自适应和骨龄预测领域,具体涉及一种基于风格迁移的自动骨龄预测方法。
技术介绍
1、骨龄评估在了解孩子的生长发育情况上扮演着重要角色,它是由儿科医生和儿科内分泌学家进行的一项医学检查。该评估方法通过比较儿童的骨骼骨龄与实际年龄的差异,用于诊断和治疗儿童和青少年的生长和内分泌失调,并预测他们的最终成人身高。此外,它还可应用于涉及脊柱矫正、下肢均衡等外科手术的诊治,以及体育和司法鉴定领域。然而,传统的人工骨龄评估存在一些缺点。首先,它具有较强的主观性和不一致性,不同医生评估同一张x光片的骨龄结果往往不同,即使是同一医生在不同时期评估同一张x光片的骨龄结果也可能不同。其次,骨龄评估需要具备专业知识,并经过长时间的严格培训,评估过程耗时较长。
2、深度神经网络在医学领域得到了广泛的应用,因为使用深度学习方法自动估计骨龄比人工判断骨龄快得多,同时准确率也远远超过传统方法。
3、hyunkwanglee等人使用googlenet作为主干,通过显示g&p地图集的三到五个参考图像来确定最终骨龄。toanducbui等人分别使用faster-rcnn和inception-v4网络进行感兴趣区域(roi)的检测和分类。chuanbinliu等人引入了一个注意代理和一个识别代理分别用于提出有区别的骨骼部分和特征学习和年龄评估。
4、目前骨龄预测存在以下问题:1、数据缺乏,由于手骨图像数据集相对较小,造成模型训练的准确度差,导致最终骨龄预测的准确率低;2、模型在不同个体之间的泛化能力较差,即模型在
技术实现思路
1、为解决以上现有技术存在的问题,本专利技术提出了一种基于风格迁移的自动骨龄预测方法,包括:获取源域图像集和目标域图像集;采用骨龄预测模型对源域图像处理;根据源域图像的处理结果将目标域图像输入到骨龄预测模型中,得到骨龄预测结果;
2、采用骨龄预测模型对源域图像处理包括:计算源域图像的像素直方图,并对图像进行增强处理;采用注意力机制对增强后的图像进行感兴趣区域特征提取,得到源域注意力热图和注意力权重;对源域注意力热图进行裁剪,得到手骨特征图、指骨特征图以及掌骨特征图;将手骨特征图、指骨特征图以及掌骨特征图进行融合并添加性别特征后输入到骨龄预测网络中,得到源域骨龄预测结果;根据源域骨龄预测结果确定各个特征图的权重;
3、采用骨龄预测模型对目标域图像处理包括:根据源域图像的像素直方图对目标域图像进行增强处理;采用风格迁移网络将目标域图像转换为源域风格图像,并对转换后的图像进行平滑滤波处理;根据注意力权重对滤波后的图像进行感兴趣区域特征提取,得到目标域注意力热图;对目标域注意力热图进行裁剪,得到手骨特征图、指骨特征图以及掌骨特征图;根据源域特征图的权重将所有的特征图进行融合,将融合后的特征图输入到骨龄预测网络中,得到最终的骨龄预测结果。
4、优选的,得到目标域风格的源域图像包括:将源域图像和目标域图像进行二值化处理,得到边框和sober算子提取轮廓;根据边框和sober算子提取轮廓对源域图像和目标域图像进行裁剪,得到手骨图;根据目标域的像素直方图采用ahe对源域图像进行处理,将处理后的图像输入到cyclegan网络中进行滤波处理,得到目标域风格的源域图像。
5、本专利技术的有益效果:
6、本专利技术通过源域对目标域的风格迁移,在不添加额外标签的情况下实现数据风格和像素分布的统一,提升了热图定位的能力和骨龄预测的准确度。本专利技术通过共同模型的迁移学习,降低了重复训练的时间成本。本专利技术在源域的预处理和特征提取方式取决于目标域的图像分布和学习模型,不需要额外的预处理,操作更简单,大大减轻了医生的工作量。
本文档来自技高网...【技术保护点】
1.一种基于风格迁移的自动骨龄预测方法,其特征在于,包括:获取源域图像集和目标域图像集;采用骨龄预测模型对源域图像处理;根据源域图像的处理结果将目标域图像输入到骨龄预测模型中,得到骨龄预测结果;
2.根据权利要求1所述的一种基于风格迁移的自动骨龄预测方法,其特征在于,采用风格迁移网络将目标域图像转换为源域风格图像包括:将源域图像和目标域图像进行二值化处理,得到边框和Sober算子提取轮廓;根据边框和Sober算子提取轮廓对源域图像和目标域图像进行裁剪,得到手骨图;根据目标域的像素直方图采用AHE对源域图像进行处理,将处理后的图像输入到Cyclegan网络中进行滤波处理,得到源域风格图像。
3.根据权利要求2所述的一种基于风格迁移的自动骨龄预测方法,其特征在于,采用AHE对源域图像进行处理包括:设置阈值;根据设置的阈值对源域图像进行修正;采用自适应直方图均衡化算法对修正后的源域图像进行亮度增强和对比度增强处理。
4.根据权利要求2所述的一种基于风格迁移的自动骨龄预测方法,其特征在于,Cyclegan网络对处理后的图像进行滤波处理的过程包括:
>5.根据权利要求1所述的一种基于风格迁移的自动骨龄预测方法,其特征在于,采用注意力机制对目标域风格的源域图像进行感兴趣区域特征提取包括:图像通过定位网络Inception_v3,通过注意力机制对图像进行特征提取,输出特征output;将特征output通过两次池化层和全连接层,最终输出预测值;其中output为F∈RH*W*C提取特征后的特征图,其中C代表的是特征的通道数目,H,W代表特征图的长和宽。
6.根据权利要求4所述的一种基于风格迁移的自动骨龄预测方法,其特征在于,注意力机制包括通道注意力机制和空间注意力机制;通道注意力机制的表达式为:
7.根据权利要求1所述的一种基于风格迁移的自动骨龄预测方法,其特征在于,骨龄预测网络采用XceptionNet网络和Resnet50网络作为骨龄预测网络的主干网络;将掌骨特征图输入到Xception网络中,得到特征图x1;将指骨特征图和手骨特征图输入到Resnet50网络中,输出特征图x2和特征图x3;将特征图x1、特征图x2以及特征图x3通过CBAM注意力机,得到掌骨注意力特征图X1,指骨注意力特征图X2和手骨注意力特征图X3;将X1,X2,X3通过不同参数的GAP层,统一输出(1,1,N)维度特征;将男女性别标签映射到[-1,1]上,并将特征融合,即Concatenate([X1,X2,X3,gender]);将融合后的特征图通过FC层得到骨龄预测值。
...【技术特征摘要】
1.一种基于风格迁移的自动骨龄预测方法,其特征在于,包括:获取源域图像集和目标域图像集;采用骨龄预测模型对源域图像处理;根据源域图像的处理结果将目标域图像输入到骨龄预测模型中,得到骨龄预测结果;
2.根据权利要求1所述的一种基于风格迁移的自动骨龄预测方法,其特征在于,采用风格迁移网络将目标域图像转换为源域风格图像包括:将源域图像和目标域图像进行二值化处理,得到边框和sober算子提取轮廓;根据边框和sober算子提取轮廓对源域图像和目标域图像进行裁剪,得到手骨图;根据目标域的像素直方图采用ahe对源域图像进行处理,将处理后的图像输入到cyclegan网络中进行滤波处理,得到源域风格图像。
3.根据权利要求2所述的一种基于风格迁移的自动骨龄预测方法,其特征在于,采用ahe对源域图像进行处理包括:设置阈值;根据设置的阈值对源域图像进行修正;采用自适应直方图均衡化算法对修正后的源域图像进行亮度增强和对比度增强处理。
4.根据权利要求2所述的一种基于风格迁移的自动骨龄预测方法,其特征在于,cyclegan网络对处理后的图像进行滤波处理的过程包括:
5.根据权利要求1所述的一种基于风格迁移的自动骨龄预测方法,其特征在于,采用注意力机制对目标域风格的源域图像进行感兴趣区...
【专利技术属性】
技术研发人员:姜小明,胡永波,邱斌,王伟,李章勇,
申请(专利权)人:重庆邮电大学,
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。