CN108968991B - 手骨x光片骨龄评估方法、装置、计算机设备和存储介质 - Google Patents

手骨x光片骨龄评估方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN108968991B
CN108968991B CN201810433116.2A CN201810433116A CN108968991B CN 108968991 B CN108968991 B CN 108968991B CN 201810433116 A CN201810433116 A CN 201810433116A CN 108968991 B CN108968991 B CN 108968991B
Authority
CN
China
Prior art keywords
bone
ray film
hand
hand bone
age
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810433116.2A
Other languages
English (en)
Other versions
CN108968991A (zh
Inventor
王健宗
吴天博
刘新卉
刘莉红
马进
肖京
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201810433116.2A priority Critical patent/CN108968991B/zh
Priority to PCT/CN2018/095385 priority patent/WO2019214052A1/zh
Publication of CN108968991A publication Critical patent/CN108968991A/zh
Application granted granted Critical
Publication of CN108968991B publication Critical patent/CN108968991B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/505—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of bone
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Optics & Photonics (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Quality & Reliability (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明提出的手骨X光片骨龄评估方法、装置、计算机设备和存储介质，其中方法包括：将待预测骨龄的手骨X光片处理成指定像素要求的手骨照片；将所述手骨照片输入到预设的基于卷积神经网络的骨龄评估模型中进行计算；获取所述骨龄评估模型输出的计算结果，该结果为所述手骨的骨龄。本发明提出的手骨X光片骨龄评估方法、装置、计算机设备和存储介质，通过基于卷积神经网络的骨龄评估模型，能自动进行骨龄评估、且评估准确率高。

Description

手骨X光片骨龄评估方法、装置、计算机设备和存储介质
技术领域
本发明涉及到计算机技术领域，特别是涉及到一种手骨X光片骨龄评估方法、装置、计算机设备和存储介质。
背景技术
骨龄评估广泛应用于医学领域，用来研究和衡量人体的生长发育情况和诊断疾病。
现有的骨龄评估方法一般是先对被测者的手部和腕部进行X光摄片，然后由医生根据拍得的X光片进行解读。由于在不同年龄阶段的左手骨具有不同特征，医生可以通过这些特征估计骨龄。医生在对于X光片进行诊断时一般采用G-P图谱法和TW3评分法。但是G-P图谱法进行评估时，存在着不够精确的问题；而TW3评分法需要医生凭借经验知识主观判断，评估结果容易受到其它因素影响导致评估不准确。
因此，提供一种新的骨龄评估方法成为亟待解决的问题。
发明内容
本发明的主要目的为提供一种自动进行骨龄评估、且评估准确率高的手骨X光片骨龄评估方法、装置、计算机设备和存储介质。
本发明提出手骨X光片骨龄评估方法，包括：
将待预测骨龄的手骨X光片处理成指定像素要求的手骨照片；
将所述手骨照片输入到预设的基于卷积神经网络的骨龄评估模型中进行计算；
获取所述骨龄评估模型输出的计算结果，该结果为所述手骨的骨龄。
进一步地，所述将所述手骨照片输入到预设的基于卷积神经网络的骨龄评估模型中进行计算的步骤，包括：
对所述手骨照片进行卷积计算得到第一图片特征；
对所述第一图片特征进行多次迭代卷积计算得到第二图片特征；
通过空间变换网络对所述第二图片特征进行空间变换和对齐处理得到第三图片特征；
对所述第三图片特征进行卷积计算得到第四图片特征；
通过全连接层将所述第四图片特征结合在一起形成全局图片特征，从而输出计算结果。
进一步地，所述对所述手骨照片进行卷积计算得到第一图片特征的步骤之前，包括：
对所述手骨照片进行数据增广处理。
进一步地，所述将待预测骨龄的手骨X光片处理成指定像素要求的手骨照片的步骤之前，包括：
选取备选手骨X光片中骨骺、干骺端和手腕处骨骼作为所述待预测骨龄的手骨X光片。
进一步地，所述选取备选手骨X光片中骨骺、干骺端和手腕处骨骼作为待预测骨龄的手骨X光片的步骤之前，包括：
调整所述备选手骨X光片的对比度。
进一步地，所述调整所述备选手骨X光片的对比度的步骤之前，包括：
将所述备选手骨X光片的背景部分统一为黑色。
进一步地，所述基于卷积神经网络的骨龄评估模型训练的方法，包括：
获取指定量的样本数据，并将样本数据分成训练集和测试集，其中，所述样本数据包括已知骨龄的手骨照片，以及与所述已知骨龄的手骨照片对应的骨龄数据；
将训练集的样本数据输入到预设的卷积神经网络中进行训练，得到结果训练模型；
利用所述测试集的样本数据验证所述结果训练模型；
如果验证通过，则将所述结果训练模型记为所述基于卷积神经网络的骨龄评估模型。
本发明提出的手骨X光片骨龄评估装置，包括：
第一处理单元，用于将待预测骨龄的手骨X光片处理成指定像素要求的手骨照片；
计算单元，用于将所述手骨照片输入到预设的基于卷积神经网络的骨龄评估模型中进行计算；
输出单元，用于获取所述骨龄评估模型输出的计算结果，该结果为所述手骨的骨龄。
本发明提出的计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明提出的计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时上述方法的步骤。
本发明的有益效果为：将待预测骨龄的手骨X光片处理成指定像素要求的手骨照片；将所述手骨照片输入到预设的基于卷积神经网络的骨龄评估模型中进行计算；获取所述骨龄评估模型输出的计算结果，该结果为所述手骨的骨龄；通过基于卷积神经网络的骨龄评估模型，能自动进行骨龄评估、且评估准确率高。
附图说明
图1为本发明一实施例中的手骨X光片骨龄评估方法的步骤示意图；
图2为本发明另一实施例中的手骨X光片骨龄评估方法的步骤示意图；
图3为本发明一实施例中的手骨X光片骨龄评估装置的结构框图；
图4为本发明一实施例中的手骨X光片骨龄评估装置的计算单元的结构框图；
图5为本发明另一实施例中的手骨X光片骨龄评估装置的结构框图；
图6为本发明一实施例的计算机设备的结构示意框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，本实施例中的手骨X光片骨龄评估方法，包括：
步骤S1，将待预测骨龄的手骨X光片处理成指定像素要求的手骨照片；
步骤S2，将所述手骨照片输入到预设的基于卷积神经网络的骨龄评估模型中进行计算；
步骤S3，获取所述骨龄评估模型输出的计算结果，该结果为所述手骨的骨龄。
在步骤S1中，本实施例中的手骨X光片骨龄评估方法，需要获取待预测骨龄的手骨X光片，具体的说，需要获取左手骨X光片，其原因在于不同年龄阶段下，左手骨具有不同特征，因此可以根据拍摄的左手骨X光片的不同特征来准确评估年龄。当需要通过手骨X光片来准确评估年龄时，例如保险公司需要根据投保人的年龄来评估投保额度时，即可以采用预设的基于卷积神经网络的骨龄评估模型根据左手骨X光片快速地计算出手骨的骨龄。其中预设的基于卷积神经网络的骨龄评估模型需要通过大量的手骨X光片数据来进行训练，训练好骨龄评估模型能对输入的手骨照片输出计算结果，该结果为上述手骨的骨龄。基于卷积神经网络的骨龄评估模型需要指定尺寸大小的手骨X光片，因此再将手骨X光片输入到预设的基于卷积神经网络的骨龄评估模型中进行计算之前，需要将待预测骨龄的手骨X光片处理成指定像素要求的手骨照片；其中具体的处理方式为将待预测骨龄的手骨X光片在保持长宽比不变的情况下，先将手骨X光片的最大维度调整为256像素。需要指出的是，当手骨X光片为长方形时，先将其长边长度调整至256像素，再对手骨X光片中较短的边进行边缘补充，使得手骨X光片成为256*256大小像素的手骨照片，上述手骨照片将作为输入到预设的基于卷积神经网络的骨龄评估模型中进行计算的手骨照片。优选地，还可以对上述手骨照片进行归一化处理后再输入到基于卷积神经网络的骨龄评估模型中。进行归一化处理的方式可以采用opencv里面的normalize函数处理，将上述手骨照片进行归一化到均值为0，方差为1，其目的是使得手骨照片具有相似的统计分布，方便基于卷积神经网络的骨龄评估模型中对手骨照片进行处理，此外还能加快在训练基于卷积神经网络的骨龄评估模型时的收敛性。
在步骤S2中，将待预测骨龄的手骨X光片处理成指定像素要求的手骨照片后输入到预设的基于卷积神经网络的骨龄评估模型中进行计算，其中预设的基于卷积神经网络的骨龄评估模型需要通过大量的手骨X光片数据来进行训练，训练好的基于卷积神经网络的骨龄评估模型能对输入的手骨照片输出计算结果，该结果为上述手骨的骨龄。当基于卷积神经网络的骨龄评估模型训练成功之后，在输入指定像素要求的手骨照片后，基于卷积神经网络的骨龄评估模型对上述手骨照片进行计算得到手骨的骨龄。
在步骤S3中，显示设备来获取上述骨龄评估模型输出的计算结果，该计算结果为上述手骨的骨龄，将该手骨的骨龄通过显示设备进行显示，或者通过打印设备打印出来。
在一个具体实施例中，保险公司需要根据投保人的年龄来评估投保额度。首先，保险公司的工作人员让投保人先填写投保人的个人信息，其中个人信息包括有投保人的年龄、职业、收入和地址等信息，因为需要根据投保人的年龄来评估投保额度，因此，投保人的年龄的准确性非常重要。为了验证投保人填写的年龄的准确性，保险公司的工作人员会指导投保人先通过X光机设备采集投保人左手骨的X光片，将投保人左手骨的X光片输入到通过左手骨X光片进行评估年龄的设备中进行年龄评估。该设备中预存的程序将输入的左手骨X光片处理成指定像素要求的手骨照片；并通过基于卷积神经网络的骨龄评估模型中对手骨照片进行计算；获取所述骨龄评估模型输出的计算结果，该结果为所述手骨的骨龄，并将该手骨的骨龄与投保人填写的年龄进行比对，从而能获取投保人填写的年龄是否真实准确，需要指出的是，当投保人的年龄与通过设备检测的年龄误差小于0.8年，即判定投保人填写的年龄是真实准确的。
本实施例中的手骨X光片骨龄评估方法，所述将所述手骨照片输入到预设的基于卷积神经网络的骨龄评估模型中进行计算的步骤S2，包括：
步骤S21，对所述手骨照片进行卷积计算得到第一图片特征；
步骤S22，对所述第一图片特征进行多次卷积计算得到第二图片特征；
步骤S23，通过空间变换网络对所述第二图片特征进行空间变换和对齐处理得到第三图片特征；
步骤S24，对所述第三图片特征进行卷积计算得到第四图片特征；
步骤S25，通过全连接层将所述第四图片特征结合在一起形成全局图片特征，从而输出计算结果。
在步骤S21中，在本实施例中的基于卷积神经网络的骨龄评估模型中，对于输入的手骨照片，需要先对手骨照片进行一次卷积计算提取得到低维度的图片特征作为第一图片特征，具体的说，先采用Overfeat网络作为一个卷积层对手骨照片进行图片特征提取；通过Overfeat网络提取手骨照片的特征时，会得到维度很大的图片特征，为了便于进行多次卷积计算，会通过一个池化层对提取出的图片特征进行降维处理得到第一图片特征，其中该池化层可以采用最大值池化或平均值池化的方式进行处理，本实施例中具体采用取最大值池化的方式进行处理。
在步骤S22中，本实施例中的基于卷积神经网络的骨龄评估模型，对上述第一图片特征进行多次迭代卷积计算得到第二图片特征。具体的说，需要对上述第一图片特征进行三次迭代卷积计算提取得到高维度的图片特征，其中每次卷积计算通过一个卷积层对第一图片特征进行处理，然后会通过一个池化层对提取出的图片特征进行降维处理，其中该池化层可以采用最大值池化或平均值池化的方式进行处理，本实施例中具体采用取最大值池化的方式进行处理。经过一次卷积计算得到的图片特征迭代进行卷积，从而通过对上述第一图片特征进行三次迭代卷积计算提取得到高维度的第二图片特征。
在步骤S23中，由于手骨X光片在拍摄的过程中，会受到曝光时间、拍摄角度等因素的影响，使得手骨X光片的空间差异较大，在通过基于卷积神经网络的骨龄评估模型进行计算时，进行卷积计算后输出的第二图片特征所对应的空间差异较大时，需要对第二图片特征进行空间变换和对齐，因此通过空间变换网络对第二图片特征进行空间变换和对齐，能使得基于卷积神经网络的骨龄评估模型输出的计算结果更加准确。本实施例中的空间变换网络需要先估算出空间变换网络中的6个变换参数，根据这6个参数能自适应地将第二图片特征进行空间变换和对齐，具体操作包括平移、缩放、旋转以及其它几何变换等。其中可以通过Backpropagation算法(反向传播算法)对上述6个参数进行估算，根据估算的6个参数，通过空间变换网络即可对第二图片特征进行空间变换和对齐得到第三图片特征，通过将空间变换网络加入到基于卷积神经网络的骨龄评估模型中，减小由于拍摄的手骨X光片的空间差异对基于卷积神经网络的骨龄评估模型评估结果的影响，使得基于卷积神经网络的骨龄评估模型输出的计算结果更加准确。
在步骤S24中，本实施例中的基于卷积神经网络的骨龄评估模型，通过空间变换网络对第二图片特征进行空间变换和对齐后得到第三图片特征，在通过全连接层进行处理之前，需要再进行卷积计算，具体的说，需要对上述第三图片特征进行一次卷积计算提取图片特征，然后通过一个池化层对提取出的图片特征进行降维处理，其中该池化层可以采用最大值池化或平均值池化的方式进行处理，本实施例中具体采用取最大值池化的方式进行处理。经过一次卷积计算得到第四图片特征，从而便于将得到第四图片特征输入到全连接层中进行处理。
在步骤S25中，由于经过上述卷积计算得到的第四图片特征为局部图片特征，需要通过全连接层将上述第四图片特征结合在一起形成全局图片特征，最后根据全局图片特征计算得到手骨的骨龄。
本实施例中对基于卷积神经网络的骨龄评估模型进行训练的方法，包括：
获取指定量的样本数据，并将样本数据分成训练集和测试集，其中，所述样本数据包括已知骨龄的手骨照片，以及与所述已知骨龄的手骨照片对应的骨龄数据；
将训练集的样本数据输入到预设的卷积神经网络中进行训练，得到结果训练模型；
利用所述测试集的样本数据验证所述结果训练模型；
如果验证通过，则将所述结果训练模型记为所述基于卷积神经网络的骨龄评估模型。
对于基于卷积神经网络的骨龄评估模型，只有在训练完成之后，才能用于计算出手骨的骨龄。而在对基于卷积神经网络的骨龄评估模型进行训练时，需要获取大量的样本数据，并将上述样本数据分成训练集和测试集，其中上述样本数据包括已知骨龄的手骨照片，以及与上述已知骨龄的手骨照片对应的骨龄数据。将上述训练集的样本数据输入到预设的基于卷积神经网络中进行训练，得到用于进行骨龄评估的结果训练模型。
对于训练得到的结果训练模型，将测试集的样本数据中的已知骨龄的手骨照片输入到结果训练模型预测得到的手骨照片的骨龄预测结果，通过将测试集的样本数据中的手骨照片的骨龄真实结果与结果训练模型预测得到的手骨照片的骨龄预测值进行比对，验证其是否处于预设的误差范围内，具体的说，对于结果训练模型预测得到的手骨照片的骨龄预测值，通过Euclidean损失层来计算得到的手骨照片的骨龄预测值与手骨照片的骨龄真实值的差别大小，其计算公式为
Figure BDA0001653943180000081
其中公式中，pred为手骨照片的骨龄预测值，truth为手骨照片的骨龄真实值，通过Euclidean损失层衡量手骨照片的骨龄预测值与手骨照片的骨龄真实值的差别大小，当通过Euclidean损失层计算的值小于预设值时，则说明验证通过，此时结果训练模型将可以作为上述基于卷积神经网络的骨龄评估模型进行使用。本实施例中的基于卷积神经网络的骨龄评估模型，当通过结果训练模型预测的手骨照片的骨龄预测值与手骨照片的的骨龄真实值误差小于0.8年时，则判定基于卷积神经网络的骨龄评估模型训练完成。
参照图2，另一实施例中的手骨X光片骨龄评估方法，所述对所述手骨照片进行卷积计算得到第一图片特征的步骤S21之前，还包括：
步骤S201，对所述手骨照片进行数据增广处理。
在步骤S201，由于在对基于卷积神经网络的骨龄评估模型进行训练时，对于输入的手骨照片可以进行数据增广，即在每个输入的手骨照片中均匀抽取m个等间距的n*n的方块区域，将上述所有抽取的方块区域都加入到训练数据中，从而实现了增加训练集大小，既有效地避免训练过程中过拟合的发生，又提高了训练效果。当基于卷积神经网络的骨龄评估模型训练完成后，在通过卷积神经网络的骨龄评估模型进行计算时，也可以通过对输入的手骨照片可以进行数据增广，也能实现了增加训练集大小，既有效地避免计算过程中过拟合的发生，又提高了计算的准确性。
本实施例中的手骨X光片骨龄评估方法，所述将待预测骨龄的手骨X光片处理成指定像素要求的手骨照片的步骤S1之前，包括：
步骤S103，选取备选手骨X光片中骨骺、干骺端和手腕处骨骼作为所述待预测骨龄的手骨X光片。
在步骤S103中，由于手骨中的骨骺、干骺端和手腕处骨骼对于进行年龄评估是最具有特征区分的骨骼部分，所以在备选的待预测骨龄的手骨X光片中可以只选取这些特征骨骼部分作为通过基于卷积神经网络的骨龄评估模型的输入图片。具体的，可以通过标记的方式，利用基于深度网络的特征区域模型来选取骨骺、干骺段和手腕处骨骼等骨龄特征区域，在不影响骨龄预测结果的情况下减小计算量，提高效率。其具体步骤为，先将待预测骨龄的手骨X光片统一缩放到固定尺寸，例如缩放到1024*1024像素大小；其次，再根据骨龄评估TW3法从待预测的手骨X光片标记出骨骺、干骺段和手腕处骨骼等骨龄特征区域相应bounding box(边界框)的坐标并进行保存；同时对已标记出的bounding box的坐标所对应的标记后的待预测的手骨X光片进行数据增强，其中数据增强的方式具体包括旋转，镜像翻转、缩放、平移等图形操作，相应的，已标记出的的bounding box坐标也需要经过相同的处理。最后将经过数据增强的bounding box的坐标和标记后的待预测的手骨X光片作为训练数据输入到深度网络中来对基于深度网络的特征区域模型进行训练，具体的，是将bounding box的坐标(4个数值)作为训练标签，来对该基于深度网络的特征区域模型进行训练，训练完成后的基于深度网络的特征区域模型，可以自动出选取待预测的手骨X光片特征骨骼部分的坐标，从而根据特征骨骼部分的坐标可以来选取待预测的手骨X光片中特征骨骼部分的X光片图像。
本实施例中的手骨X光片骨龄评估方法，所述选取备选手骨X光片中骨骺、干骺端和手腕处骨骼作为待预测骨龄的手骨X光片的步骤S103之前，包括：
步骤S102，调整所述备选手骨X光片的对比度。
所述调整所述备选手骨X光片的对比度S102之前，包括：
步骤S101，将所述备选手骨X光片的背景部分统一为黑色。
在步骤S101中，在将选取备选的手骨X光片中骨骺、干骺端和手腕处骨骼作为待预测骨龄的手骨X光片之前，还可以通过调整备选的手骨X光片的对比度，来使得手骨X光片中的图片特征更加明显，使得通过基于卷积神经网络的骨龄评估模型的训练效率更高，评估结果更准确。在调整备选的手骨X光片的对比度之前，由于备选的手骨X光片的背景部分除了黑色中可能会包含少许其它颜色，需要先统一待预测骨龄的手骨X光片的背景成黑色。其具体方式为先选取待预测骨龄的手骨X光片的四个角位置上的一定大小的像素块，例如10*10像素大小的像素块，计算这四个像素块的均值，然后将计算得到的均值与待预测骨龄的手骨X光片能达到的最大像素值的一半相比较，实现将X光片进行归一化到0至最大像素值，从而实现将待预测骨龄的手骨X光片的背景统一成黑色。
在步骤S102中，在将待预测骨龄的手骨X光片的背景部分处理为黑色之后，就可以进行调整备选的待预测骨龄的手骨X光片的对比度的步骤。需要指出的是，对于当备选的待预测骨龄的手骨X光片为三通道图片时，需要先对三通道的图片进行灰度化处理，其中具体可以采用分量法、最大值法、平均值法和加权平均法中的任意一种方法对X光片进行灰度化处理。对待预测骨龄的手骨X光片进行灰度化处理后，再调整备选的待预测骨龄的手骨X光片的对比度；其具体方式为采用限制对比度自适应直方图均衡算法(CLAHE算法)来调整备选的待预测骨龄的手骨X光片的对比度，其中限制对比度自适应直方图均衡算法(CLAHE算法)采用自适应修剪图像的直方图，再使用修剪后的直方图对待预测骨龄的手骨X光片进行均衡调整，其优点在于使得备选的待预测骨龄的手骨X光片的对比度更加自然。
综上所述，将待预测骨龄的手骨X光片处理成指定像素要求的手骨照片；将所述手骨照片输入到预设的基于卷积神经网络的骨龄评估模型中进行计算；获取所述骨龄评估模型输出的计算结果，该结果为所述手骨的骨龄；通过基于卷积神经网络的骨龄评估模型，能自动进行骨龄评估、且评估准确率高；利用基于深度网络的特征区域模型来选取骨骺、干骺段和手腕处骨骼等骨龄特征区域，在不影响骨龄预测结果的情况下减小计算量，提高效率。
参照图3，本实施例中的手骨X光片骨龄评估装置，包括：
第一处理单元10，用于将待预测骨龄的手骨X光片处理成指定像素要求的手骨照片；
计算单元20，用于将所述手骨照片输入到预设的基于卷积神经网络的骨龄评估模型中进行计算；
输出单元30，用于获取所述骨龄评估模型输出的计算结果，该结果为所述手骨的骨龄。
本实施例中的手骨X光片骨龄评估装置，需要获取待预测骨龄的手骨X光片，具体的说，需要获取左手骨X光片，其原因在于不同年龄阶段下，左手骨具有不同特征，因此可以根据拍摄的左手骨X光片的不同特征来准确评估年龄。当需要通过手骨X光片来准确评估年龄时，例如保险公司需要根据投保人的年龄来评估投保额度时，即可以采用预设的基于卷积神经网络的骨龄评估模型根据左手骨X光片快速地计算出手骨的骨龄。其中预设的基于卷积神经网络的骨龄评估模型需要通过大量的手骨X光片数据来进行训练，训练好骨龄评估模型能对输入的手骨照片输出计算结果，该结果为上述手骨的骨龄。基于卷积神经网络的骨龄评估模型需要指定尺寸大小的手骨X光片，因此再将手骨X光片输入到预设的基于卷积神经网络的骨龄评估模型中进行计算之前，第一处理单元10将待预测骨龄的手骨X光片处理成指定像素要求的手骨照片；其中具体的处理方式为将待预测骨龄的手骨X光片在保持长宽比不变的情况下，先将手骨X光片的最大维度调整为256像素。需要指出的是，当手骨X光片为长方形时，先将其长边长度调整至256像素，再对手骨X光片中较短的边进行边缘补充，使得手骨X光片成为256*256大小像素的手骨照片，上述手骨照片将作为输入到预设的基于卷积神经网络的骨龄评估模型中进行计算的手骨照片。优选地，还可以对上述手骨照片进行归一化处理后再输入到基于卷积神经网络的骨龄评估模型中。进行归一化处理的方式可以采用opencv里面的normalize函数处理，将上述手骨照片进行归一化到均值为0，方差为1，其目的是使得手骨照片具有相似的统计分布，方便基于卷积神经网络的骨龄评估模型中对手骨照片进行处理，此外还能加快在训练基于卷积神经网络的骨龄评估模型时的收敛性。
计算单元20将待预测骨龄的手骨X光片处理成指定像素要求的手骨照片后输入到预设的基于卷积神经网络的骨龄评估模型中进行计算，其中预设的基于卷积神经网络的骨龄评估模型需要通过大量的手骨X光片数据来进行训练，训练好的基于卷积神经网络的骨龄评估模型能对输入的手骨照片输出计算结果，该结果为上述手骨的骨龄。当基于卷积神经网络的骨龄评估模型训练成功之后，在输入指定像素要求的手骨照片后，基于卷积神经网络的骨龄评估模型对上述手骨照片进行计算得到手骨的骨龄。
输出单元30获取上述骨龄评估模型输出的计算结果，该计算结果为上述手骨的骨龄，并控制将该手骨的骨龄通过显示设备进行显示，或者通过打印设备打印出来。
在一个具体实施例中，保险公司需要根据投保人的年龄来评估投保额度。首先，保险公司的工作人员让投保人先填写投保人的个人信息，其中个人信息包括有投保人的年龄、职业、收入和地址等信息，因为需要根据投保人的年龄来评估投保额度，因此，投保人的年龄的准确性非常重要。为了验证投保人填写的年龄的准确性，保险公司的工作人员会指导投保人先通过X光机设备采集投保人左手骨的X光片，将投保人左手骨的X光片输入到通过左手骨X光片进行评估年龄的设备中进行年龄评估。该设备中预存的程序将输入的左手骨X光片处理成指定像素要求的手骨照片；并通过基于卷积神经网络的骨龄评估模型中对手骨照片进行计算；获取所述骨龄评估模型输出的计算结果，该结果为所述手骨的骨龄，并将该手骨的骨龄与投保人填写的年龄进行比对，从而能获取投保人填写的年龄是否真实准确，需要指出的是，当投保人的年龄与通过设备检测的年龄误差小于0.8年，即判定投保人填写的年龄是真实准确的。
参照图4，本实施例中的手骨X光片骨龄评估装置，所述计算单元20，包括：
第一处理模块210，用于对所述手骨照片进行卷积计算得到第一图片特征；
第二处理模块220，用于对所述第一图片特征进行多次迭代卷积计算得到第二图片特征；
变换模块230，用于通过空间变换网络对所述第二图片特征进行空间变换和对齐处理得到第三图片特征；
第三处理模块240，用于对所述第三图片特征进行卷积计算得到第四图片特征；
执行模块250，用于通过全连接层将所述第四图片特征结合在一起形成全局图片特征，从而输出计算结果。
在本实施例中的基于卷积神经网络的骨龄评估模型中，对于输入的手骨照片，第一处理模块210用于先对手骨照片进行一次卷积计算提取得到低维度的图片特征作为第一图片特征，具体的说，先采用Overfeat网络作为一个卷积层对手骨照片进行图片特征提取；通过Overfeat网络提取手骨照片的特征时，会得到维度很大的图片特征，为了便于进行多次卷积计算，会通过一个池化层对提取出的图片特征进行降维处理得到第一图片特征，其中该池化层可以采用最大值池化或平均值池化的方式进行处理，本实施例中具体采用取最大值池化的方式进行处理。
本实施例中的基于卷积神经网络的骨龄评估模型，第二处理模块220用于对上述第一图片特征进行多次迭代卷积计算得到第二图片特征。具体的说，需要对上述第一图片特征进行三次迭代卷积计算提取得到高维度的图片特征，其中每次卷积计算通过一个卷积层对第一图片特征进行处理，然后会通过一个池化层对提取出的图片特征进行降维处理，其中该池化层可以采用最大值池化或平均值池化的方式进行处理，本实施例中具体采用取最大值池化的方式进行处理。经过一次卷积计算得到的图片特征迭代进行卷积，从而通过对上述第一图片特征进行三次迭代卷积计算提取得到高维度的第二图片特征。
由于手骨X光片在拍摄的过程中，会受到曝光时间、拍摄角度等因素的影响，使得手骨X光片的空间差异较大，在通过基于卷积神经网络的骨龄评估模型进行计算时，进行卷积计算后输出的第二图片特征所对应的空间差异较大时，需要对第二图片特征进行空间变换和对齐，变换模块230通过空间变换网络对第二图片特征进行空间变换和对齐，能使得基于卷积神经网络的骨龄评估模型输出的计算结果更加准确。本实施例中的空间变换网络需要先估算出空间变换网络中的6个变换参数，根据这6个参数能自适应地将第二图片特征进行空间变换和对齐，具体操作包括平移、缩放、旋转以及其它几何变换等。其中可以通过Backpropagation算法(反向传播算法)对上述6个参数进行估算，根据估算的6个参数，通过空间变换网络即可对第二图片特征进行空间变换和对齐得到第三图片特征，通过将空间变换网络加入到基于卷积神经网络的骨龄评估模型中，减小由于拍摄的手骨X光片的空间差异对基于卷积神经网络的骨龄评估模型评估结果的影响，使得基于卷积神经网络的骨龄评估模型输出的计算结果更加准确。
本实施例中的基于卷积神经网络的骨龄评估模型，通过空间变换网络对第二图片特征进行空间变换和对齐后得到第三图片特征，在通过全连接层进行处理之前，第三处理模块240对第三图片特征再进行卷积计算，具体的说，需要对上述第三图片特征进行一次卷积计算提取图片特征，然后通过一个池化层对提取出的图片特征进行降维处理，其中该池化层可以采用最大值池化或平均值池化的方式进行处理，本实施例中具体采用取最大值池化的方式进行处理。经过一次卷积计算得到第四图片特征，从而便于将得到第四图片特征输入到全连接层中进行处理。
由于经过上述卷积计算得到的第四图片特征为局部图片特征，执行模块250用于通过全连接层将上述第四图片特征结合在一起形成全局图片特征，最后根据全局图片特征计算得到手骨的骨龄。
本实施例中对基于卷积神经网络的骨龄评估模型进行训练的方法，包括：
获取指定量的样本数据，并将样本数据分成训练集和测试集，其中，所述样本数据包括已知骨龄的手骨照片，以及与所述已知骨龄的手骨照片对应的骨龄数据；
将训练集的样本数据输入到预设的卷积神经网络中进行训练，得到结果训练模型；
利用所述测试集的样本数据验证所述结果训练模型；
如果验证通过，则将所述结果训练模型记为所述基于卷积神经网络的骨龄评估模型。
对于基于卷积神经网络的骨龄评估模型，只有在训练完成之后，才能用于计算出手骨的骨龄。而在对基于卷积神经网络的骨龄评估模型进行训练时，需要获取大量的样本数据，并将上述样本数据分成训练集和测试集，其中上述样本数据包括已知骨龄的手骨照片，以及与上述已知骨龄的手骨照片对应的骨龄数据。将上述训练集的样本数据输入到预设的基于卷积神经网络中进行训练，得到用于进行骨龄评估的结果训练模型。
对于训练得到的结果训练模型，将测试集的样本数据中的已知骨龄的手骨照片输入到结果训练模型预测得到的手骨照片的骨龄预测结果，通过将测试集的样本数据中的手骨照片的骨龄真实结果与结果训练模型预测得到的手骨照片的骨龄预测值进行比对，验证其是否处于预设的误差范围内，具体的说，对于结果训练模型预测得到的手骨照片的骨龄预测值，通过Euclidean损失层来计算得到的手骨照片的骨龄预测值与手骨照片的骨龄真实值的差别大小，其计算公式为
Figure BDA0001653943180000141
其中公式中，pred为手骨照片的骨龄预测值，truth为手骨照片的骨龄真实值，通过Euclidean损失层衡量手骨照片的骨龄预测值与手骨照片的骨龄真实值的差别大小，当通过Euclidean损失层计算的值小于预设值时，则说明验证通过，此时结果训练模型将可以作为上述基于卷积神经网络的骨龄评估模型进行使用。本实施例中的基于卷积神经网络的骨龄评估模型，当通过结果训练模型预测的手骨照片的骨龄预测值与手骨照片的的骨龄真实值误差小于0.8年时，则判定基于卷积神经网络的骨龄评估模型训练完成。
本实施例中的手骨X光片骨龄评估装置，所述计算单元20，还包括：
增广模块260，用于对所述手骨照片进行数据增广处理。
由于在对基于卷积神经网络的骨龄评估模型进行训练时，增广模块260用于对于输入的手骨照片可以进行数据增广，即在每个输入的手骨照片中均匀抽取m个等间距的n*n的方块区域，将上述所有抽取的方块区域都加入到训练数据中，从而实现了增加训练集大小，既有效地避免训练过程中过拟合的发生，又提高了训练效果。当基于卷积神经网络的骨龄评估模型训练完成后，在通过卷积神经网络的骨龄评估模型进行计算时，也可以通过对输入的手骨照片可以进行数据增广，也能实现了增加训练集大小，既有效地避免计算过程中过拟合的发生，又提高了计算的准确性。
参照图5，本实施例中的手骨X光片骨龄评估装置，还包括：
选取单元103，用于选取备选手骨X光片中骨骺、干骺端和手腕处骨骼作为所述待预测骨龄的手骨X光片。
由于手骨中的骨骺、干骺端和手腕处骨骼对于进行年龄评估是最具有特征区分的骨骼部分，所以在备选的待预测骨龄的手骨X光片中可以只选取这些特征骨骼部分作为通过基于卷积神经网络的骨龄评估模型的输入图片。具体的，可以通过标记的方式，由选取单元103通过基于深度网络的特征区域模型来选取骨骺、干骺段和手腕处骨骼等骨龄特征区域，在不影响骨龄预测结果的情况下减小计算量，提高效率。其具体步骤为，先将待预测骨龄的手骨X光片统一缩放到固定尺寸，例如缩放到1024*1024像素大小；其次，再根据骨龄评估TW3法从待预测的手骨X光片标记出骨骺、干骺段和手腕处骨骼等骨龄特征区域相应bounding box(边界框)的坐标并进行保存；同时对已标记出的bounding box的坐标所对应的标记后的待预测的手骨X光片进行数据增强，其中数据增强的方式具体包括旋转，镜像翻转、缩放、平移等图形操作，相应的，已标记出的的bounding box坐标也需要经过相同的处理。最后将经过数据增强的bounding box的坐标和标记后的待预测的手骨X光片作为训练数据输入到深度网络中来对基于深度网络的特征区域模型进行训练，具体的，是将bounding box的坐标(4个数值)作为训练标签，来对该基于深度网络的特征区域模型进行训练，训练完成后的基于深度网络的特征区域模型，可以自动出选取待预测的手骨X光片特征骨骼部分的坐标，从而根据特征骨骼部分的坐标可以来选取待预测的手骨X光片中特征骨骼部分的X光片图像。
本实施例中的手骨X光片骨龄评估装置，包括：
统一单元101，用于将所述备选手骨X光片的背景部分统一为黑色。
第二处理单元102，用于调整所述备选手骨X光片的对比度。
在将选取备选的手骨X光片中骨骺、干骺端和手腕处骨骼作为待预测骨龄的手骨X光片之前，第二处理单元102用于调整备选的手骨X光片的对比度，来使得手骨X光片中的图片特征更加明显，使得通过基于卷积神经网络的骨龄评估模型的训练效率更高，评估结果更准确。在调整备选的手骨X光片的对比度之前，由于备选的手骨X光片的背景部分除了黑色中可能会包含少许其它颜色，统一单元101用于统一待预测骨龄的手骨X光片的背景成黑色。其具体方式为先选取待预测骨龄的手骨X光片的四个角位置上的一定大小的像素块，例如10*10像素大小的像素块，计算这四个像素块的均值，然后将计算得到的均值与待预测骨龄的手骨X光片能达到的最大像素值的一半相比较，实现将X光片进行归一化到0至最大像素值，从而实现将待预测骨龄的手骨X光片的背景统一成黑色。
在将待预测骨龄的手骨X光片的背景部分处理为黑色之后，第二处理单元102调整备选的待预测骨龄的手骨X光片的对比度。需要指出的是，对于当备选的待预测骨龄的手骨X光片为三通道图片时，需要先对三通道的图片进行灰度化处理，其中具体可以采用分量法、最大值法、平均值法和加权平均法中的任意一种方法对X光片进行灰度化处理。对待预测骨龄的手骨X光片进行灰度化处理后，再调整备选的待预测骨龄的手骨X光片的对比度；其具体方式为采用限制对比度自适应直方图均衡算法(CLAHE算法)来调整备选的待预测骨龄的手骨X光片的对比度，其中限制对比度自适应直方图均衡算法(CLAHE算法)采用自适应修剪图像的直方图，再使用修剪后的直方图对待预测骨龄的手骨X光片进行均衡调整，其优点在于使得备选的待预测骨龄的手骨X光片的对比度更加自然。
参照图6，本发明实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于预设的基于卷积神经网络的X光片骨龄评估模型等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种手骨X光片骨龄评估方法。
上述处理器执行上述手骨X光片骨龄评估方法的步骤：将待预测骨龄的手骨X光片处理成指定像素要求的手骨照片；将所述手骨照片输入到预设的基于卷积神经网络的骨龄评估模型中进行计算；获取所述骨龄评估模型输出的计算结果，该结果为所述手骨的骨龄。
上述计算机设备，基于卷积神经网络，建立基于卷积神经网络的骨龄评估模型，对于待预测骨龄的手骨X光片处理成指定像素要求的手骨照片，将上述手骨照片输入到预设的基于卷积神经网络的骨龄评估模型中进行计算，获取所述骨龄评估模型输出的计算结果，该结果为所述手骨的骨龄，该基于卷积神经网络的骨龄评估模型，能自动进行骨龄评估、且评估准确率高。
在一个实施例中，上述将所述手骨照片输入到预设的基于卷积神经网络的骨龄评估模型中进行计算的步骤，包括：对所述手骨照片进行卷积计算得到第一图片特征；对所述第一图片特征进行多次迭代卷积计算得到第二图片特征；通过空间变换网络对所述第二图片特征进行空间变换和对齐处理得到第三图片特征。对所述第三图片特征进行卷积计算得到第四图片特征；通过全连接层将所述第四图片特征结合在一起形成全局图片特征，从而输出计算结果。
在一个实施例中，上述处理器将上述对上述手骨照片进行卷积计算得到第一图片特征的步骤之前，包括：对上述手骨照片进行数据增广处理，实现了增加训练集大小，既有效地避免计算过程中过拟合的发生，又提高了计算的准确性。
在一个实施例中，所述将待预测骨龄的手骨X光片处理成指定像素要求的手骨照片的步骤之前，包括：选取手骨X光片中骨骺、干骺端和手腕处骨骼作为待预测骨龄的手骨X光片，通过标记的方式，利用基于深度网络的特征区域模型来选取骨骺、干骺段和手腕处骨骼等骨龄特征区域，在不影响骨龄预测结果的情况下减小计算量，提高效率增加。
在一个实施例中，选取手骨X光片中骨骺、干骺端和手腕处骨骼作为待预测骨龄的手骨X光片的步骤之前，包括：调整手骨X光片的对比度。
在一个实施例中，所述调整手骨X光片的对比度之前，包括：将手骨X光片的背景部分统一为黑色。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
本发明一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种手骨X光片骨龄评估方法，具体为：将待预测骨龄的手骨X光片处理成指定像素要求的手骨照片；将所述手骨照片输入到预设的基于卷积神经网络的骨龄评估模型中进行计算；获取所述骨龄评估模型输出的计算结果，该结果为所述手骨的骨龄。
上述计算机可读存储介质，基于卷积神经网络，建立基于卷积神经网络的骨龄评估模型，对于待预测骨龄的手骨X光片处理成指定像素要求的手骨照片，将上述手骨照片输入到预设的基于卷积神经网络的骨龄评估模型中进行计算，获取所述骨龄评估模型输出的计算结果，该结果为所述手骨的骨龄，该基于卷积神经网络的骨龄评估模型，能自动进行骨龄评估、且评估准确率高。
在一个实施例中，上述将所述手骨照片输入到预设的基于卷积神经网络的骨龄评估模型中进行计算的步骤，包括：对所述手骨照片进行卷积计算得到第一图片特征；对所述第一图片特征进行多次迭代卷积计算得到第二图片特征；通过空间变换网络对所述第二图片特征进行空间变换和对齐处理得到第三图片特征。对所述第三图片特征进行卷积计算得到第四图片特征；通过全连接层将所述第四图片特征结合在一起形成全局图片特征，从而输出计算结果。
在一个实施例中，上述处理器将上述对上述手骨照片进行卷积计算得到第一图片特征的步骤之前，包括：对上述手骨照片进行数据增广处理，实现了增加训练集大小，既有效地避免计算过程中过拟合的发生，又提高了计算的准确性。
在一个实施例中，所述将待预测骨龄的手骨X光片处理成指定像素要求的手骨照片的步骤之前，包括：选取手骨X光片中骨骺、干骺端和手腕处骨骼作为待预测骨龄的手骨X光片，通过标记的方式，利用基于深度网络的特征区域模型来选取骨骺、干骺段和手腕处骨骼等骨龄特征区域，在不影响骨龄预测结果的情况下减小计算量，提高效率增加。
在一个实施例中，选取手骨X光片中骨骺、干骺端和手腕处骨骼作为待预测骨龄的手骨X光片的步骤之前，包括：调整手骨X光片的对比度。
在一个实施例中，所述调整手骨X光片的对比度之前，包括：将手骨X光片的背景部分统一为黑色。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储与一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM一多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种手骨X光片骨龄评估方法，其特征在于，包括：
选取备选手骨X光片的四个角位置上的一定大小的像素块，计算四个像素块的均值，然后将计算得到的均值与备选手骨X光片能达到的最大像素值的一半相比较，实现将备选X光片进行归一化到0至最大像素值，从而实现将备选手骨X光片的背景统一成黑色；
在将备选手骨X光片的背景统一成黑色后，利用基于深度网络的特征区域模型来选取备选手骨X光片中骨骺、干骺端和手腕处骨骼作为待预测骨龄的手骨X光片，具体步骤为：先将背景统一黑色后的备选手骨X光片缩放到固定尺寸；其次，从缩放到固定尺寸后的备选手骨X光片标记出骨龄特征区域相应边界框的坐标并进行保存；同时对已标记出边界框的坐标所对应的备选手骨X光片进行数据增强，相应的，已标记出边框界的坐标也进行数据增强；最后将经过数据增强的边界框的坐标和标记后的备选手骨X光片作为训练数据输入到深度网络中来对基于深度网络的特征区域模型进行训练，训练完成后的基于深度网络的特征区域模型，可以自动选取出备选手骨X光片特征骨骼部分的坐标，从而根据特征骨骼部分的坐标可以来选取备选手骨X光片中特征骨骼部分的X光片作为待预测骨龄的手骨X光片；
将待预测骨龄的手骨X光片处理成指定像素要求的手骨照片；
将所述手骨照片输入到预设的基于卷积神经网络的骨龄评估模型中进行计算；
获取所述骨龄评估模型输出的计算结果，该结果为所述手骨的骨龄；
所述将待预测骨龄的手骨X光片处理成指定像素要求的手骨照片的步骤之后，包括：
采用opencv里面的normalize函数处理，将所述手骨照片进行归一化到均值为0，方差为1；
所述将所述手骨照片输入到预设的基于卷积神经网络的骨龄评估模型中进行计算的步骤之前，包括：
在所述手骨照片中均匀抽取m个等间距的n*n的方块区域，将所述方块区域加入到所述骨龄评估模型的训练数据中。
2.根据权利要求1所述的手骨X光片骨龄评估方法，其特征在于，所述将所述手骨照片输入到预设的基于卷积神经网络的骨龄评估模型中进行计算的步骤，包括：
对所述手骨照片进行卷积计算得到第一图片特征；
对所述第一图片特征进行多次迭代卷积计算得到第二图片特征；
通过空间变换网络对所述第二图片特征进行空间变换和对齐处理得到第三图片特征；
对所述第三图片特征进行卷积计算得到第四图片特征；
通过全连接层将所述第四图片特征结合在一起形成全局图片特征，从而输出计算结果。
3.根据权利要求1所述的手骨X光片骨龄评估方法，其特征在于，所述选取备选手骨X光片中骨骺、干骺端和手腕处骨骼作为待预测骨龄的手骨X光片的步骤之前，包括：
调整背景统一黑色后的备选手骨X光片的对比度。
4.根据权利要求1所述的手骨X光片骨龄评估方法，其特征在于，所述基于卷积神经网络的骨龄评估模型训练的方法，包括：
获取指定量的样本数据，并将样本数据分成训练集和测试集，其中，所述样本数据包括已知骨龄的手骨照片，以及与所述已知骨龄的手骨照片对应的骨龄数据；
将训练集的样本数据输入到预设的卷积神经网络中进行训练，得到结果训练模型；
利用所述测试集的样本数据验证所述结果训练模型；
如果验证通过，则将所述结果训练模型记为所述基于卷积神经网络的骨龄评估模型。
5.一种手骨X光片骨龄评估装置，其特征在于，包括：
预处理单元，用于选取备选手骨X光片的四个角位置上的一定大小的像素块，计算四个像素块的均值，然后将计算得到的均值与备选手骨X光片能达到的最大像素值的一半相比较，实现将备选X光片进行归一化到0至最大像素值，从而实现将备选手骨X光片的背景统一成黑色；
在将备选手骨X光片的背景统一成黑色后，利用基于深度网络的特征区域模型来选取备选手骨X光片中骨骺、干骺端和手腕处骨骼作为待预测骨龄的手骨X光片，具体步骤为：先将背景统一黑色后的备选手骨X光片缩放到固定尺寸；其次，从缩放到固定尺寸后的备选手骨X光片标记出骨龄特征区域相应边界框的坐标并进行保存；同时对已标记出边界框的坐标所对应的备选手骨X光片进行数据增强，相应的，已标记出边框界的坐标也进行数据增强；最后将经过数据增强的边界框的坐标和标记后的备选手骨X光片作为训练数据输入到深度网络中来对基于深度网络的特征区域模型进行训练，训练完成后的基于深度网络的特征区域模型，可以自动选取出备选手骨X光片特征骨骼部分的坐标，从而根据特征骨骼部分的坐标可以来选取备选手骨X光片中特征骨骼部分的X光片作为待预测骨龄的手骨X光片；
处理单元，用于将待预测骨龄的手骨X光片处理成指定像素要求的手骨照片；
计算单元，用于将所述手骨照片输入到预设的基于卷积神经网络的骨龄评估模型中进行计算；
输出单元，用于获取所述骨龄评估模型输出的计算结果，该结果为所述手骨的骨龄；
所述将待预测骨龄的手骨X光片处理成指定像素要求的手骨照片之后，包括：采用opencv里面的normalize函数处理，将所述手骨照片进行归一化到均值为0，方差为1；
所述将所述手骨照片输入到预设的基于卷积神经网络的骨龄评估模型中进行计算的步骤之前，包括：
在所述手骨照片中均匀抽取m个等间距的n*n的方块区域，将所述方块区域加入到所述骨龄评估模型的训练数据中。
6.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
CN201810433116.2A 2018-05-08 2018-05-08 手骨x光片骨龄评估方法、装置、计算机设备和存储介质 Active CN108968991B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201810433116.2A CN108968991B (zh) 2018-05-08 2018-05-08 手骨x光片骨龄评估方法、装置、计算机设备和存储介质
PCT/CN2018/095385 WO2019214052A1 (zh) 2018-05-08 2018-07-12 手骨x光片骨龄评估方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810433116.2A CN108968991B (zh) 2018-05-08 2018-05-08 手骨x光片骨龄评估方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN108968991A CN108968991A (zh) 2018-12-11
CN108968991B true CN108968991B (zh) 2022-10-11

Family

ID=64541936

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810433116.2A Active CN108968991B (zh) 2018-05-08 2018-05-08 手骨x光片骨龄评估方法、装置、计算机设备和存储介质

Country Status (2)

Country Link
CN (1) CN108968991B (zh)
WO (1) WO2019214052A1 (zh)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018214052A1 (en) 2017-05-24 2018-11-29 Qualcomm Incorporated Uplink small data transmission in inactive state
CN109741309B (zh) * 2018-12-27 2021-04-02 北京深睿博联科技有限责任公司 一种基于深度回归网络的骨龄预测方法及装置
CN109998577A (zh) * 2019-03-05 2019-07-12 上海市儿童医院 一种人工智能骨龄检测终端设备
CN109998576A (zh) * 2019-03-05 2019-07-12 上海市儿童医院 一种人工智能骨龄检测方法
CN110051376A (zh) * 2019-03-05 2019-07-26 上海市儿童医院 一种骨龄智能检测方法
CN109994172A (zh) * 2019-03-06 2019-07-09 杭州津禾生物科技有限公司 骨龄在线数字化测算及身高数据库管理系统
CN109948522B (zh) * 2019-03-18 2020-12-01 浙江工业大学 一种基于深度神经网络的x光片手骨成熟度判读方法
CN110211674B (zh) * 2019-04-23 2023-06-27 平安科技（深圳）有限公司 基于机器学习模型的骨龄测试方法及相关设备
CN110503624A (zh) * 2019-07-02 2019-11-26 平安科技（深圳）有限公司 骨龄检测方法、系统、设备及可读存储介质
CN110503635B (zh) * 2019-07-30 2022-04-05 浙江工业大学 一种基于异构数据融合网络的手骨x光片骨龄评估方法
CN110660484B (zh) * 2019-08-01 2022-08-23 平安科技（深圳）有限公司 骨龄预测方法、装置、介质及电子设备
TWI772663B (zh) * 2019-08-05 2022-08-01 長佳智能股份有限公司 以個人裝置進行手骨骨齡即時判讀之系統及方法
CN110648320A (zh) * 2019-09-19 2020-01-03 京东方科技集团股份有限公司 骨龄获取方法及系统、服务器、计算机设备及介质
CN110555846A (zh) * 2019-10-13 2019-12-10 浙江德尚韵兴医疗科技有限公司 基于卷积神经网络的全自动骨龄评定方法
CN110782450B (zh) * 2019-10-31 2020-09-29 北京推想科技有限公司 手部腕骨发育等级确定方法及相关设备
CN111920430A (zh) * 2020-07-04 2020-11-13 浙江大学山东工业技术研究院 一种弱监督深度学习自动骨龄评估方法
CN112801994B (zh) * 2021-02-05 2023-12-26 广东顺德工业设计研究院(广东顺德创新设计研究院) 骨龄评估方法和系统
CN113066549B (zh) * 2021-04-06 2022-07-26 青岛瑞斯凯尔生物科技有限公司 基于人工智能的医疗器械的临床有效性评估方法及系统
CN113362292B (zh) * 2021-05-27 2023-04-28 重庆邮电大学 一种基于可编程逻辑门阵列的骨龄评估方法及系统
CN113298842B (zh) * 2021-05-28 2023-07-14 平安科技（深圳）有限公司 骨龄预测方法、装置、设备及计算机可读存储介质
CN113487599A (zh) * 2021-07-26 2021-10-08 辽宁工程技术大学 一种结合空洞卷积和高效率网络的骨龄检测方法
CN114601483B (zh) * 2022-05-11 2022-08-16 山东第一医科大学第一附属医院(山东省千佛山医院) 一种基于图像处理的骨龄分析方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103116751A (zh) * 2013-01-24 2013-05-22 河海大学 一种车牌字符自动识别方法
CN107895367A (zh) * 2017-11-14 2018-04-10 中国科学院深圳先进技术研究院 一种骨龄识别方法、系统及电子设备

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5153857B2 (ja) * 2010-11-25 2013-02-27 シャープ株式会社 画像処理装置、画像形成装置、画像処理方法、コンピュータプログラム及び記録媒体
CN103293168B (zh) * 2013-05-28 2015-01-28 陕西科技大学 基于视觉显著性的水果表面缺陷检测方法
CN104331864B (zh) * 2014-10-21 2018-11-23 西安电子科技大学 基于非下采样轮廓波和视觉显著模型的乳腺影像处理
CN105631455B (zh) * 2014-10-27 2019-07-05 阿里巴巴集团控股有限公司 一种图像主体提取方法及系统
CN106340000A (zh) * 2015-07-06 2017-01-18 司法部司法鉴定科学技术研究所 骨龄评估方法
WO2018057714A1 (en) * 2016-09-21 2018-03-29 The General Hospital Corporation Systems, methods and media for automatically generating a bone age assessment from a radiograph
CN106408562B (zh) * 2016-09-22 2019-04-09 华南理工大学 基于深度学习的眼底图像视网膜血管分割方法及系统
CN106778531A (zh) * 2016-11-25 2017-05-31 北京小米移动软件有限公司 人脸定位方法及装置
CN107480261B (zh) * 2017-08-16 2020-06-16 上海荷福人工智能科技（集团）有限公司 一种基于深度学习细粒度人脸图像快速检索方法
CN107591200B (zh) * 2017-08-25 2020-08-14 卫宁健康科技集团股份有限公司 基于深度学习及影像组学的骨龄标记识别评估方法及系统
CN107680678B (zh) * 2017-10-18 2020-12-01 北京航空航天大学 基于多尺度卷积神经网络甲状腺超声图像结节诊断系统
CN107871316B (zh) * 2017-10-19 2020-10-27 浙江工业大学 基于深度神经网络的x光片手骨兴趣区域自动提取方法
CN107767376B (zh) * 2017-11-02 2021-03-26 西安邮电大学 基于深度学习的x线片骨龄预测方法及系统
CN107944496A (zh) * 2017-12-06 2018-04-20 电子科技大学 基于改进后的残差网络的骨龄自动化识别系统
CN108334899A (zh) * 2018-01-28 2018-07-27 浙江大学 基于手骨x光片骨骼和关节量化信息集成的骨龄评估方法
CN110660484B (zh) * 2019-08-01 2022-08-23 平安科技（深圳）有限公司 骨龄预测方法、装置、介质及电子设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103116751A (zh) * 2013-01-24 2013-05-22 河海大学 一种车牌字符自动识别方法
CN107895367A (zh) * 2017-11-14 2018-04-10 中国科学院深圳先进技术研究院 一种骨龄识别方法、系统及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于卷积神经网络的骨龄阶段识别研究;王永灿等;《图像与信号处理》;20180109;第7卷(第1期);第3-4页，6-14页，摘要 *

Also Published As

Publication number Publication date
CN108968991A (zh) 2018-12-11
WO2019214052A1 (zh) 2019-11-14

Similar Documents

Publication Publication Date Title
CN108968991B (zh) 手骨x光片骨龄评估方法、装置、计算机设备和存储介质
WO2020215557A1 (zh) 医学影像解释方法、装置、计算机设备及存储介质
CN109034078B (zh) 年龄识别模型的训练方法、年龄识别方法及相关设备
CN109840524B (zh) 文字的类型识别方法、装置、设备及存储介质
CN111862044A (zh) 超声图像处理方法、装置、计算机设备和存储介质
CN110473172B (zh) 医学图像解剖中线确定方法、计算机设备和存储介质
CN111666890B (zh) 脊柱变形人群识别方法、装置、计算机设备及存储介质
CN111179235B (zh) 图像检测模型的生成方法及装置、应用方法及装置
CN111144398A (zh) 目标检测方法、装置、计算机设备和存储介质
CN110866909A (zh) 图像生成网络的训练方法、图像预测方法和计算机设备
CN109711381B (zh) 遥感图像的目标识别方法、装置和计算机设备
CN111223158B (zh) 心脏冠脉图像的伪影校正方法和可读存储介质
CN116863522A (zh) 痤疮分级方法、装置、设备及介质
CN112488983A (zh) 缺陷识别网络的获得方法、缺陷识别方法和等级确定方法
CN111626379B (zh) 肺炎x光图像检测方法
CN114093462A (zh) 医学影像处理方法、图像处理方法、计算机设备、存储介质
CN110310314B (zh) 图像配准方法、装置、计算机设备和存储介质
CN115375674B (zh) 胃白光瘤变图像识别方法、装置及存储介质
CN111160442A (zh) 图像分类方法、计算机设备和存储介质
CN111199513B (zh) 图像处理方法、计算机设备和存储介质
CN113724237A (zh) 齿痕识别方法、装置、计算机设备及存储介质
CN112950568A (zh) 比例尺长度计算方法、装置、计算机设备及存储介质
CN111091504A (zh) 图像偏差场矫正方法、计算机设备和存储介质
CN111325732B (zh) 面部残留物检测方法及相关设备
CN117115149B (zh) 图像质量评估方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant