CN109146879B - 一种检测骨龄的方法及装置 - Google Patents

一种检测骨龄的方法及装置 Download PDF

Info

Publication number
CN109146879B
CN109146879B CN201811163210.7A CN201811163210A CN109146879B CN 109146879 B CN109146879 B CN 109146879B CN 201811163210 A CN201811163210 A CN 201811163210A CN 109146879 B CN109146879 B CN 109146879B
Authority
CN
China
Prior art keywords
bone
age
feature extraction
carpal
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
CN201811163210.7A
Other languages
English (en)
Other versions
CN109146879A (zh
Inventor
傅君芬
魏子昆
杨忠程
王�琦
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.)
Hangzhou Yitu Medical Technology Co ltd
Original Assignee
Hangzhou Yitu Medical Technology 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 Hangzhou Yitu Medical Technology Co ltd filed Critical Hangzhou Yitu Medical Technology Co ltd
Priority to CN201811163210.7A priority Critical patent/CN109146879B/zh
Publication of CN109146879A publication Critical patent/CN109146879A/zh
Priority to PCT/CN2019/082682 priority patent/WO2020062840A1/zh
Priority to SG11202002140VA priority patent/SG11202002140VA/en
Application granted granted Critical
Publication of CN109146879B publication Critical patent/CN109146879B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/20024—Filtering details
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例提供了一种检测骨龄的方法及装置，涉及机器学习技术领域，该方法包括：获取待检测用户的骨龄片，并调整骨龄片中的各骨头至基准位置，从骨龄片中确定腕骨区域，然后采用分类模型确定腕骨区域中骨化中心的数量，最后根据腕骨区域中骨化中心的数量确定待检测用户的骨龄。由于腕骨区域中骨化中心的数量代表着不同的骨龄阶段，因此本申请实施例中采用分类模型自动确定腕骨区域中骨化中心的数量，然后根据腕骨区域中骨化中心的数量确定待检测用户的骨龄，而不需要人工主观根据骨龄片判断骨龄，从而一方面提高了检测骨龄的精度，另一方面提高了检测骨龄的效率。

Description

一种检测骨龄的方法及装置
技术领域
本发明实施例涉及机器学习技术领域，尤其涉及一种检测骨龄的方法及装置。
背景技术
“骨龄”是骨骼年龄的简称，是青少年儿童骨骼发育水平同骨发育标准比较而得出的发育年龄，它比年龄、身高、体重更能精确的反映出身体的成熟程度，更加准确地反映个体的生长发育水平和成熟程度。
临床上通过检测骨龄来判读儿童的生物学年龄，通过生物年龄与日历年龄的差异来评估儿童发育状况，了解儿童性成熟的趋势，预测儿童的成年身高等，并广泛用于影响儿童生长发育疾病的治疗监测，对一些儿科内分泌疾病的诊断有很大帮助。
现有技术中主要通过拍摄骨龄片，由人工查看骨龄片估计骨龄。该方法依赖人工根据骨龄片估计骨龄，精度受人的主观因素影像大，效率较低。
发明内容
由于现有技术中依赖人工根据骨龄片估计骨龄，精度受人的主观因素影像大，效率较低的问题，本申请实施例提供了一种检测骨龄的方法及装置。
第一方面，本申请实施例提供了一种检测骨龄的方法，包括：
获取待检测用户的骨龄片，并调整所述骨龄片中的各骨头至基准位置；
从所述骨龄片中确定腕骨区域；
采用分类模型确定所述腕骨区域中骨化中心的数量，所述分类模型是以预先标记骨化中心的数量的腕骨区域的骨龄片为训练样本，对深度残差网络进行训练后确定的；
根据所述腕骨区域中骨化中心的数量确定所述待检测用户的骨龄。
可选地，所述从所述骨龄片中确定腕骨区域，包括：
采用分割模型确定所述骨龄片中腕骨区域对应的关键点的坐标，所述分割模型是以预先标记关键点的坐标的多张骨龄片为训练样本，对深度残差网络进行训练后确定的；
根据所述腕骨区域对应的关键点的坐标确定所述腕骨区域。
可选地，所述采用分类模型确定所述腕骨区域中骨化中心的数量，包括：
将所述腕骨区域的骨龄片经N个连续的卷积特征提取块处理，得到所述腕骨区域的图像特征，N大于0，所述卷积特征提取块包括L个卷积模块，L大于0，任意一个卷积模块中包括卷积层、BN层及激励层；针对所述N个卷积特征提取块中任意两个连续的第一卷积特征提取块和第二卷积特征提取块，所述第二卷积特征提取块输出的第二图像特征与所述第一卷积特征提取块输出的第一图像特征相加后作为第三积特征提取块的输入或者N个连续的卷积特征提取块的输出；所述第三卷积特征提取块为位于所述第二卷积特征提取块之后且与所述第二卷积特征提取块连续的卷积特征提取块；
将所述腕骨区域的图像特征输入全连接层，输出所述腕骨区域的类型；
根据所述腕骨区域的类型确定所述腕骨区域中骨化中心的数量。
可选地，所述调整所述骨龄片中的各骨头至基准位置，包括：
获取预设基准点的坐标；
采用调整模型确定所述骨龄片中关键点的坐标，所述调整模型是以预先标记关键点的坐标的多张骨龄片为训练样本，对深度残差网络进行训练后确定的，所述关键点的坐标和所述预设基准点的坐标为同一坐标系中的坐标；
根据所述预设基准点的坐标和所述关键点的坐标确定所述骨龄片各骨头的当前位置与基准位置之间的对应关系；
根据所述对应关系将所述骨龄片中的各骨头调整至基准位置。
第二方面，本申请实施例提供了一种检测骨龄的装置，包括：
获取模块，用于获取待检测用户的骨龄片，并调整所述骨龄片中的各骨头至基准位置；
分割模块，用于从所述骨龄片中确定腕骨区域；
分类模块，用于采用分类模型确定所述腕骨区域中骨化中心的数量，所述分类模型是以预先标记骨化中心的数量的腕骨区域的骨龄片为训练样本，对深度残差网络进行训练后确定的；
检测模块，用于根据所述腕骨区域中骨化中心的数量确定所述待检测用户的骨龄。
可选地，所述分割模块具体用于：
采用分割模型确定所述骨龄片中腕骨区域对应的关键点的坐标，所述分割模型是以预先标记关键点的坐标的多张骨龄片为训练样本，对深度残差网络进行训练后确定的；
根据所述腕骨区域对应的关键点的坐标确定所述腕骨区域。
可选地，所述分类模块具体用于：
将所述腕骨区域的骨龄片经N个连续的卷积特征提取块处理，得到所述腕骨区域的图像特征，N大于0，所述卷积特征提取块包括L个卷积模块，L大于0，任意一个卷积模块中包括卷积层、BN层及激励层；针对所述N个卷积特征提取块中任意两个连续的第一卷积特征提取块和第二卷积特征提取块，所述第二卷积特征提取块输出的第二图像特征与所述第一卷积特征提取块输出的第一图像特征相加后作为第三积特征提取块的输入或者N个连续的卷积特征提取块的输出；所述第三卷积特征提取块为位于所述第二卷积特征提取块之后且与所述第二卷积特征提取块连续的卷积特征提取块；
将所述腕骨区域的图像特征输入全连接层，输出所述腕骨区域的类型；
根据所述腕骨区域的类型确定所述腕骨区域中骨化中心的数量。
可选地，所述获取模块具体用于：
获取预设基准点的坐标；
采用调整模型确定所述骨龄片中关键点的坐标，所述调整模型是以预先标记关键点的坐标的多张骨龄片为训练样本，对深度残差网络进行训练后确定的，所述关键点的坐标和所述预设基准点的坐标为同一坐标系中的坐标；
根据所述预设基准点的坐标和所述关键点的坐标确定所述骨龄片各骨头的当前位置与基准位置之间的对应关系；
根据所述对应关系将所述骨龄片中的各骨头调整至基准位置。
第三方面，本申请实施例提供了一种检测骨龄的设备，包括至少一个处理器、以及至少一个存储器，其中，所述存储单元存储有计算机程序，当所述程序被所述处理器执行时，使得所述处理器执行第一方面所述方法的步骤。
第四方面，本申请实施例提供了一种计算机可读介质，其存储有可由检测骨龄的设备执行的计算机程序，当所述程序在检测骨龄的设备上运行时，使得所述检测骨龄的设备执行第一方面所述方法的步骤。
本申请实施例中，由于腕骨区域中骨化中心的数量代表着不同的骨龄阶段，因此本申请实施例中采用分类模型自动确定腕骨区域中骨化中心的数量，然后根据腕骨区域中骨化中心的数量确定待检测用户的骨龄，而不需要人工主观根据骨龄片判断骨龄，从而一方面提高了检测骨龄的精度，另一方面提高了检测骨龄的效率。相较于通过识别腕骨形态来确定骨龄的方法来说，根据腕骨区域中骨化中心的数量确定待检测用户的骨龄的方法，其效率更高。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种检测骨龄的方法的流程示意图；
图2为本申请实施例提供的一种骨龄片的示意图；
图3为本申请实施例提供的一种腕骨区域的示意图；
图4为本申请实施例提供的一种调整骨龄片的方法的流程示意图；
图5为本申请实施例提供的一种深度残差网络的结构示意图；
图6为本申请实施例提供的一种卷积特征提取块的结构示意图；
图7为本申请实施例提供的一种检测骨化中心数量的方法的流程示意图；
图8为本申请实施例提供的一种检测骨龄的装置的结构示意图；
图9为本申请实施例提供的一种检测骨龄的设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。
骨龄：骨骼年龄的简称，需要借助于骨骼在X光摄像中的特定图像来确定。通常要拍摄人左手手腕部的X光片，医生通过X光片观察左手掌指骨、腕骨及桡尺骨下端的骨化中心的发育程度，来确定骨龄。
本申请实施例中检测骨龄的技术方案适用于医院检测青少年的骨龄，为医生判定青少年生长发育情况提供参考，同时帮助医生诊断染色体异常、遗传性疾病、内分泌疾病等疾病。
图1示例性示出了本申请实施例提供的一种检测骨龄的方法的流程示意图，该流程可以由检测骨龄的装置执行，具体包括以下步骤：
步骤S101，获取待检测用户的骨龄片，并调整骨龄片中的各骨头至基准位置。
骨龄片指采用X光拍摄的特定图像，通常拍摄人左手的X光片作为骨龄片，示例性地，如图2所示。
获取待检测用户的骨龄片之后，对骨龄片进行预处理，预处理过程主要包括腺体分割以及图像归一化。
腺体分割包括以下步骤：首先对整张骨龄片使用高斯滤波，将滤波的结果二值化，二值化的阈值通过求图像灰度直方图的最大类间距方法获得。然后将二值化的结果膨胀后通过漫水法(flood fill)获得一个个独立的区域块，统计每个区域块的面积。将面积最大的区域块保留，分割出来的手骨图像。将分割出的手骨图像粘贴到一张和手骨图像的长宽相符的纯黑图像上。
图像归一化包括以下步骤：骨龄片为dicom格式的图像，先根据dicom信息，选取窗宽窗位，转为png格式的骨龄片图像。通过在骨龄片图像上侧或两侧添加黑边，将骨龄片图像长宽比调整为1:1，最后将骨龄片图像缩放到512*512大小。
步骤S102，从骨龄片中确定腕骨区域。
腕骨区域位于手腕部，由8块小骨组成，排列成两排，近侧排自桡侧向尺侧为手舟骨、月骨、三角骨及豌豆骨，除豌豆骨外，均参与桡腕关节的组成。远侧排自桡侧向尺侧为大多角骨、小多角骨、头状骨及钩骨，均参与腕掌关节的组成，示例性地，如图3所示。
步骤S103，采用分类模型确定腕骨区域中骨化中心的数量。
骨发育过程中，首先骨化的部位称为骨化中心。腕骨区域中各小骨并不是同时生长出来的，而是依次生长，因此检测腕骨区域中各小骨的骨化中心，然后根据骨化中心的数量可以判断骨龄。
分类模型是以预先标记骨化中心的数量的腕骨区域的骨龄片为训练样本，对深度残差网络进行训练后确定的。
步骤S104，根据腕骨区域中骨化中心的数量确定待检测用户的骨龄。
具体地，预先设置腕骨区域中骨化中心的数量与骨龄之间的对照参考表，在分类模型输出骨化中心的数量后，通过查表确定待检测用户的骨龄。
由于腕骨区域中骨化中心的数量代表着不同的骨龄阶段，因此本申请实施例中采用分类模型自动确定腕骨区域中骨化中心的数量，然后根据腕骨区域中骨化中心的数量确定待检测用户的骨龄，而不需要人工主观根据骨龄片判断骨龄，从而一方面提高了检测骨龄的精度，另一方面提高了检测骨龄的效率。相较于通过识别腕骨形态来确定骨龄的方法来说，根据腕骨区域中骨化中心的数量确定待检测用户的骨龄的方法，其效率更高。
可选地，在上述步骤S101中，调整骨龄片中的各骨头至基准位置，具体包括以下步骤，如图4所示：
步骤S401，获取预设基准点的坐标。
预设基准点的坐标可以是预设的部分骨头的坐标，用于表示部分骨头的基准位置，比如预设基准点的坐标可以是与中指相关的点的预设坐标，用于表示中指的基准位置，预设基准点的坐标也可以是与小指相关的点的预设坐标，用于表示小指的基准位置。
步骤S402，采用调整模型确定骨龄片中关键点的坐标，调整模型是以预先标记关键点的坐标的多张骨龄片为训练样本，对深度残差网络进行训练后确定的。
关键点的坐标和预设基准点的坐标为同一坐标系中的坐标。
示例性地，获取多张骨龄片，然后人工标记骨龄片中小指周围的关键点，然后将标记关键点的骨龄片输入深度残差网络进行训练，当深度残差网络的目标函数满足预设条件时，确定调整模型。当获取待检测用户的骨龄片时，将骨龄片输入调整模型，确定骨龄片中小指周围的关键点。
步骤S403，根据预设基准点的坐标和关键点的坐标确定骨龄片各骨头的当前位置与基准位置之间的对应关系。
步骤S404，根据对应关系将骨龄片中的各骨头调整至基准位置。
当预设基准点和关键点都是与小指相关的点时，根据预设基准点的坐标和关键点的坐标可以确定小指在骨龄片中的当前位置与小指在骨龄片中的基准位置之间的对应关系，进一步也可以得到骨龄片中其他骨头的当前位置与基准位置之间的对应关系，其中对应关系包括平移关系以及旋转关系。然后根据对应关系将骨龄片中的各骨头调整至基准位置。在确定腕骨区域之前，先将待检测用户的骨龄片中的各骨头调整至基准位置，从而提高确定腕骨区域的精度，进一步提高了检测骨龄的精度。
可选地，在上述步骤S102中，可以采用分割模型从未调整的骨龄片中确定腕骨区域，也可以采用分割模型从调整后的骨龄片中确定腕骨区域，其中，调整骨龄片指调整骨龄片中的各骨头至基准位置。分割模型是以预先标记关键点的坐标的多张骨龄片为训练样本，对深度残差网络进行训练后确定的。
下面具体介绍分割模型的训练过程：获取多张骨龄片作为训练样本。针对每一张骨龄片，对骨龄片进行预处理，再将骨龄片中的各骨头调整至基准位置，其中，调整骨龄片的位置以及对骨龄片进行预处理的过程已在前文中描述，此处不再赘述。由标注人员在每张骨龄片中标注关键点，关键点为骨龄片中腕骨区域附近的点。然后对训练样本进行数据增强，将数据量增强至原来数据量的10倍，数据增强的方法包括但不限于：
1、随机旋转一定角度。
2、随机上下左右平移0～30像素。
3、随机缩放0.85～1.15倍。
4、对图像对比度和亮度进行少量抖动。
之后再将训练样本输入深度残差网络进行训练。训练时根据标注的关键点的坐标和网络预测的关键点的坐标计算loss函数，通过反向传播的方法训练，训练的优化算法使用带有动量和阶梯衰减的sgd算法。
进一步地，训练好分割模型后，采用分割模型确定骨龄片中腕骨区域对应的关键点的坐标，根据腕骨区域对应的关键点的坐标确定腕骨区域。
由于在采用分类模型确定腕骨区域中骨化中心的数量时，先采用分割模型从骨龄片中分割出腕骨区域，缩小检测范围，然后再从腕骨区域中确定骨化中心的数量，根据腕骨区域中骨化中心的数量确定骨龄，从而提高检测骨龄的精度。
可选地，在上述步骤S103中，分类模型的训练过程如下：
获取从多张骨龄片分割出的腕骨区域的骨龄片作为训练样本。针对每一张腕骨区域的骨龄片。由标注人员在每张腕骨区域的骨龄片中标注骨化中心的数量。然后对训练样本进行数据增强，数据增强的方法包括但不限于：
1、随机旋转一定角度。
2、随机上下左右平移0～30像素。
3、随机缩放0.85～1.15倍。
4、对图像对比度和亮度进行少量抖动。
之后再将训练样本输入深度残差网络进行训练。训练时根据标注的标注骨化中心的数量和网络预测的标注骨化中心的数量计算loss函数，通过反向传播的方法训练，训练的优化算法使用带有动量和阶梯衰减的sgd算法。
可选地，上述深度残差网络的结构如图5所示，包括N个连续的卷积特征提取块以及一个全连接层，针对N个卷积特征提取块中任意两个连续的第一卷积特征提取块和第二卷积特征提取块，第二卷积特征提取块输出的第二图像特征与第一卷积特征提取块输出的第一图像特征相加后作为第三积特征提取块的输入或者N个连续的卷积特征提取块的输出。第三卷积特征提取块为位于第二卷积特征提取块之后且与第二卷积特征提取块连续的卷积特征提取块。卷积特征提取块包括L个卷积模块，L大于0，任意一个卷积模块中包括卷积层、BN层及激励层，具体如图6所示。
进一步地，训练好分类模型后，采用分类模型确定腕骨区域中骨化中心的数量，包括以下步骤，如图7所示：
步骤S701，将腕骨区域的骨龄片经N个连续的卷积特征提取块处理，得到腕骨区域的图像特征。
步骤S702，将腕骨区域的图像特征输入全连接层，输出腕骨区域的类型。
步骤S703，根据腕骨区域的类型确定腕骨区域中骨化中心的数量。
示例性地，全连接层输出的腕骨区域的类型为0～8类九个类型，其中0类表示腕骨区域中骨化中心的数量为0，1表示腕骨区域中骨化中心的数量为1，依次类推。然后进一步根据腕骨区域中骨化中心的数量查询对照表，确定待检测用户的骨龄。
由于腕骨区域中骨化中心的数量代表着不同的骨龄阶段，因此本申请实施例中采用分类模型自动确定腕骨区域中骨化中心的数量，然后根据腕骨区域中骨化中心的数量确定待检测用户的骨龄，而不需要人工主观根据骨龄片判断骨龄，从而一方面提高了检测骨龄的精度，另一方面提高了检测骨龄的效率。相较于通过识别腕骨形态来确定骨龄的方法来说，根据腕骨区域中骨化中心的数量确定待检测用户的骨龄的方法，其效率更高。
基于相同的技术构思，本申请实施例提供了一种检测骨龄的装置，如图8所示，该装置800包括：
获取模块801，用于获取待检测用户的骨龄片，并调整所述骨龄片中的各骨头至基准位置；
分割模块802，用于从所述骨龄片中确定腕骨区域；
分类模块803，用于采用分类模型确定所述腕骨区域中骨化中心的数量，所述分类模型是以预先标记骨化中心的数量的腕骨区域的骨龄片为训练样本，对深度残差网络进行训练后确定的；
检测模块804，用于根据所述腕骨区域中骨化中心的数量确定所述待检测用户的骨龄。
可选地，所述分割模块802具体用于：
采用分割模型确定所述骨龄片中腕骨区域对应的关键点的坐标，所述分割模型是以预先标记关键点的坐标的多张骨龄片为训练样本，对深度残差网络进行训练后确定的；
根据所述腕骨区域对应的关键点的坐标确定所述腕骨区域。
可选地，所述分类模块803具体用于：
将所述腕骨区域的骨龄片经N个连续的卷积特征提取块处理，得到所述腕骨区域的图像特征，N大于0，所述卷积特征提取块包括L个卷积模块，L大于0，任意一个卷积模块中包括卷积层、BN层及激励层；针对所述N个卷积特征提取块中任意两个连续的第一卷积特征提取块和第二卷积特征提取块，所述第二卷积特征提取块输出的第二图像特征与所述第一卷积特征提取块输出的第一图像特征相加后作为第三积特征提取块的输入或者N个连续的卷积特征提取块的输出；所述第三卷积特征提取块为位于所述第二卷积特征提取块之后且与所述第二卷积特征提取块连续的卷积特征提取块；
将所述腕骨区域的图像特征输入全连接层，输出所述腕骨区域的类型；
根据所述腕骨区域的类型确定所述腕骨区域中骨化中心的数量。
可选地，所述获取模块801具体用于：
获取预设基准点的坐标；
采用调整模型确定所述骨龄片中关键点的坐标，所述调整模型是以预先标记关键点的坐标的多张骨龄片为训练样本，对深度残差网络进行训练后确定的，所述关键点的坐标和所述预设基准点的坐标为同一坐标系中的坐标；
根据所述预设基准点的坐标和所述关键点的坐标确定所述骨龄片各骨头的当前位置与基准位置之间的对应关系；
根据所述对应关系将所述骨龄片中的各骨头调整至基准位置。
基于相同的技术构思，本申请实施例提供了一种检测骨龄的设备，如图9所示，包括至少一个处理器901，以及与至少一个处理器连接的存储器902，本申请实施例中不限定处理器901与存储器902之间的具体连接介质，图9中处理器901和存储器902之间通过总线连接为例。总线可以分为地址总线、数据总线、控制总线等。
在本申请实施例中，存储器902存储有可被至少一个处理器901执行的指令，至少一个处理器901通过执行存储器902存储的指令，可以执行前述的检测骨龄的方法中所包括的步骤。
其中，处理器901是检测骨龄的设备的控制中心，可以利用各种接口和线路连接检测骨龄的设备的各个部分，通过运行或执行存储在存储器902内的指令以及调用存储在存储器902内的数据，从而实现检测骨龄。可选的，处理器901可包括一个或多个处理单元，处理器901可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器901中。在一些实施例中，处理器901和存储器902可以在同一芯片上实现，在一些实施例中，它们也可以在独立的芯片上分别实现。
处理器901可以是通用处理器，例如中央处理器(CPU)、数字信号处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器902作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器902可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory，RAM)、静态随机访问存储器(Static Random Access Memory，SRAM)、可编程只读存储器(Programmable Read Only Memory，PROM)、只读存储器(Read Only Memory，ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性存储器、磁盘、光盘等等。存储器902是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本申请实施例中的存储器902还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。
基于同一发明构思，本申请实施例还提供了一种计算机可读介质，其存储有可由检测骨龄的设备执行的计算机程序，当所述程序在检测骨龄的设备上运行时，使得所述检测骨龄的设备执行检测骨龄的方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种检测骨龄的方法，其特征在于，包括：
获取待检测用户的骨龄片，并采用调整模型确定所述骨龄片中关键点的坐标，所述调整模型是以预先标记关键点的坐标的多张骨龄片为训练样本，对深度残差网络进行训练后确定的，所述关键点的坐标和预设基准点的坐标为同一坐标系中的坐标；
根据所述预设基准点的坐标和所述关键点的坐标确定所述骨龄片各骨头的当前位置与基准位置之间的对应关系；
根据所述对应关系将所述骨龄片中的各骨头调整至基准位置；
采用分割模型从所述骨龄片中确定腕骨区域；
采用分类模型确定所述腕骨区域中骨化中心的数量，所述分类模型是以预先标记骨化中心的数量的腕骨区域的骨龄片为训练样本，对深度残差网络进行训练后确定的；
根据所述腕骨区域中骨化中心的数量确定所述待检测用户的骨龄。
2.如权利要求1所述的方法，其特征在于，所述采用分割模型从所述骨龄片中确定腕骨区域，包括：
采用所述分割模型确定所述骨龄片中腕骨区域对应的关键点的坐标，所述分割模型是以预先标记关键点的坐标的多张骨龄片为训练样本，对深度残差网络进行训练后确定的；
根据所述腕骨区域对应的关键点的坐标确定所述腕骨区域。
3.如权利要求1所述的方法，其特征在于，所述采用分类模型确定所述腕骨区域中骨化中心的数量，包括：
将所述腕骨区域的骨龄片经N个连续的卷积特征提取块处理，得到所述腕骨区域的图像特征，N大于0，所述卷积特征提取块包括L个卷积模块，L大于0，任意一个卷积模块中包括卷积层、BN层及激励层；针对所述N个卷积特征提取块中任意两个连续的第一卷积特征提取块和第二卷积特征提取块，所述第二卷积特征提取块输出的第二图像特征与所述第一卷积特征提取块输出的第一图像特征相加后作为第三卷积特征提取块的输入或者N个连续的卷积特征提取块的输出；所述第三卷积特征提取块为位于所述第二卷积特征提取块之后且与所述第二卷积特征提取块连续的卷积特征提取块；
将所述腕骨区域的图像特征输入全连接层，输出所述腕骨区域的类型；
根据所述腕骨区域的类型确定所述腕骨区域中骨化中心的数量。
4.一种检测骨龄的装置，其特征在于，包括：
获取模块，用于获取待检测用户的骨龄片，并采用调整模型确定所述骨龄片中关键点的坐标，所述调整模型是以预先标记关键点的坐标的多张骨龄片为训练样本，对深度残差网络进行训练后确定的，所述关键点的坐标和预设基准点的坐标为同一坐标系中的坐标；根据所述预设基准点的坐标和所述关键点的坐标确定所述骨龄片各骨头的当前位置与基准位置之间的对应关系；根据所述对应关系将所述骨龄片中的各骨头调整至基准位置；
分割模块，用于采用分割模型从所述骨龄片中确定腕骨区域；
分类模块，用于采用分类模型确定所述腕骨区域中骨化中心的数量，所述分类模型是以预先标记骨化中心的数量的腕骨区域的骨龄片为训练样本，对深度残差网络进行训练后确定的；
检测模块，用于根据所述腕骨区域中骨化中心的数量确定所述待检测用户的骨龄。
5.如权利要求4所述的装置，其特征在于，所述分割模块具体用于：
采用所述分割模型确定所述骨龄片中腕骨区域对应的关键点的坐标，所述分割模型是以预先标记关键点的坐标的多张骨龄片为训练样本，对深度残差网络进行训练后确定的；
根据所述腕骨区域对应的关键点的坐标确定所述腕骨区域。
6.如权利要求5所述的装置，其特征在于，所述分类模块具体用于：
将所述腕骨区域的骨龄片经N个连续的卷积特征提取块处理，得到所述腕骨区域的图像特征，N大于0，所述卷积特征提取块包括L个卷积模块，L大于0，任意一个卷积模块中包括卷积层、BN层及激励层；针对所述N个卷积特征提取块中任意两个连续的第一卷积特征提取块和第二卷积特征提取块，所述第二卷积特征提取块输出的第二图像特征与所述第一卷积特征提取块输出的第一图像特征相加后作为第三卷 积特征提取块的输入或者N个连续的卷积特征提取块的输出；所述第三卷积特征提取块为位于所述第二卷积特征提取块之后且与所述第二卷积特征提取块连续的卷积特征提取块；
将所述腕骨区域的图像特征输入全连接层，输出所述腕骨区域的类型；
根据所述腕骨区域的类型确定所述腕骨区域中骨化中心的数量。
7.一种检测骨龄的设备，其特征在于，包括至少一个处理器、以及至少一个存储器，其中，所述存储单元存储有计算机程序，当所述程序被所述处理器执行时，使得所述处理器执行权利要求1～3任一权利要求所述方法的步骤。
8.一种计算机可读介质，其特征在于，其存储有可由检测骨龄的设备执行的计算机程序，当所述程序在检测骨龄的设备上运行时，使得所述检测骨龄的设备执行权利要求1～3任一所述方法的步骤。
CN201811163210.7A 2018-09-30 2018-09-30 一种检测骨龄的方法及装置 Active CN109146879B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201811163210.7A CN109146879B (zh) 2018-09-30 2018-09-30 一种检测骨龄的方法及装置
PCT/CN2019/082682 WO2020062840A1 (zh) 2018-09-30 2019-04-15 一种检测骨龄的方法及装置
SG11202002140VA SG11202002140VA (en) 2018-09-30 2019-04-15 Method and device for detecting a bone age

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811163210.7A CN109146879B (zh) 2018-09-30 2018-09-30 一种检测骨龄的方法及装置

Publications (2)

Publication Number Publication Date
CN109146879A CN109146879A (zh) 2019-01-04
CN109146879B true CN109146879B (zh) 2021-05-18

Family

ID=64810680

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811163210.7A Active CN109146879B (zh) 2018-09-30 2018-09-30 一种检测骨龄的方法及装置

Country Status (3)

Country Link
CN (1) CN109146879B (zh)
SG (1) SG11202002140VA (zh)
WO (1) WO2020062840A1 (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109146879B (zh) * 2018-09-30 2021-05-18 杭州依图医疗技术有限公司 一种检测骨龄的方法及装置
CN109949280B (zh) * 2019-03-06 2021-06-11 上海联影智能医疗科技有限公司 图像处理方法、装置、设备存储介质及生长发育评估系统
US11367181B2 (en) 2018-12-29 2022-06-21 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for ossification center detection and bone age assessment
CN110516715B (zh) * 2019-08-05 2022-02-11 杭州依图医疗技术有限公司 一种手骨分类方法及装置
CN111507953A (zh) * 2020-04-13 2020-08-07 武汉华晨酷神智能科技有限公司 一种ai骨龄快速识别方法
CN111553412A (zh) * 2020-04-27 2020-08-18 广州市妇女儿童医疗中心（广州市妇幼保健院、广州市儿童医院、广州市妇婴医院、广州市妇幼保健计划生育服务中心） 对性早熟分类模型进行训练的方法、装置和设备
CN111709874B (zh) * 2020-06-16 2023-09-08 北京百度网讯科技有限公司 图像调整的方法、装置、电子设备及存储介质
CN112132788B (zh) * 2020-08-29 2024-04-16 浙江工业大学 一种基于特征区域等级识别的骨龄评估方法
CN112102305A (zh) * 2020-09-24 2020-12-18 石家庄喜高科技有限责任公司 多骨骼发育等级检测方法及终端设备
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
CN113592820A (zh) * 2021-07-30 2021-11-02 瓴域影诺(北京)科技有限公司 一种股骨区域及关键点检测方法和系统
CN114663426B (zh) * 2022-04-21 2024-09-13 重庆邮电大学 一种基于关键骨区定位的骨龄评估方法
CN115527235B (zh) * 2022-09-27 2024-06-21 内蒙古工业大学 一种基于图像处理识别蒙医手部穴位的方法与装置
CN117423472B (zh) * 2023-12-18 2024-03-08 天津医科大学总医院 一种基于骨龄识别的多要素身高预测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104504376A (zh) * 2014-12-22 2015-04-08 厦门美图之家科技有限公司 一种人脸图像的年龄分类方法和系统
CN104573615A (zh) * 2013-10-24 2015-04-29 华为技术有限公司 掌纹采集方法及装置
CN107066983A (zh) * 2017-04-20 2017-08-18 腾讯科技（上海）有限公司 一种身份验证方法及装置
CN107591200A (zh) * 2017-08-25 2018-01-16 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

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106339680B (zh) * 2016-08-25 2019-07-23 北京小米移动软件有限公司 人脸关键点定位方法及装置
CN107247949B (zh) * 2017-08-02 2020-06-19 智慧眼科技股份有限公司 基于深度学习的人脸识别方法、装置和电子设备
CN107895367B (zh) * 2017-11-14 2021-11-30 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
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
CN108056786B (zh) * 2017-12-08 2020-06-30 浙江大学 一种基于深度学习的骨龄检测方法和装置
CN109146879B (zh) * 2018-09-30 2021-05-18 杭州依图医疗技术有限公司 一种检测骨龄的方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104573615A (zh) * 2013-10-24 2015-04-29 华为技术有限公司 掌纹采集方法及装置
CN104504376A (zh) * 2014-12-22 2015-04-08 厦门美图之家科技有限公司 一种人脸图像的年龄分类方法和系统
CN107066983A (zh) * 2017-04-20 2017-08-18 腾讯科技（上海）有限公司 一种身份验证方法及装置
CN107591200A (zh) * 2017-08-25 2018-01-16 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"Deep Residual Learning for Image Recognition";Kaiming He et al;《2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)》;20161212;第770-778页 *

Also Published As

Publication number Publication date
CN109146879A (zh) 2019-01-04
SG11202002140VA (en) 2020-05-28
WO2020062840A1 (zh) 2020-04-02

Similar Documents

Publication Publication Date Title
CN109146879B (zh) 一种检测骨龄的方法及装置
CN109377484B (zh) 一种检测骨龄的方法及装置
CN109272002B (zh) 一种骨龄片的分类方法及装置
CN109255786B (zh) 一种检测骨龄的方法及装置
CN109241967B (zh) 基于深度神经网络的甲状腺超声图像自动识别系统、计算机设备、存储介质
CN109741309B (zh) 一种基于深度回归网络的骨龄预测方法及装置
CN108898595B (zh) 一种胸部图像中病灶区域的定位模型的构建方法及应用
CN109509177B (zh) 一种脑部影像识别的方法及装置
CN111291825B (zh) 病灶分类模型训练方法、装置、计算机设备和存储介质
CN109872325B (zh) 基于双路三维卷积神经网络的全自动肝脏肿瘤分割方法
CN105894517A (zh) 基于特征学习的ct图像肝脏分割方法及系统
CN109285154A (zh) 一种检测骨龄的方法及装置
CN113793301B (zh) 基于稠密卷积网络模型的眼底影像分析模型的训练方法
CN110689551B (zh) 四肢骨分割方法、装置、电子设备及可读存储介质
CN106056596A (zh) 基于局部先验信息和凸优化的全自动三维肝脏分割方法
CN107871316A (zh) 一种基于深度神经网络的x光片手骨兴趣区域自动提取方法
CN112348769A (zh) 基于U-Net深度网络模型的CT影像中肾肿瘤智能分割方法及装置
CN109816721B (zh) 图像定位方法、装置、设备及存储介质
CN114693671B (zh) 基于深度学习的肺结节半自动分割方法、装置、设备及介质
Goutham et al. Automatic localization of landmarks in cephalometric images via modified U-Net
CN116958703A (zh) 一种基于髋臼骨折的识别方法、装置
CN110992312A (zh) 医学图像处理方法、装置、存储介质及计算机设备
CN110516715B (zh) 一种手骨分类方法及装置
CN116051470A (zh) 一种基于数据增强的肝脏ct术后肿瘤分割方法及装置
CN113408595B (zh) 病理图像处理的方法、装置、电子设备及可读存储介质

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
CB03 Change of inventor or designer information

Inventor after: Fu Junfen

Inventor after: Wei Zikun

Inventor after: Yang Zhongcheng

Inventor after: Wang Qi

Inventor before: Wei Zikun

Inventor before: Yang Zhongcheng

Inventor before: Wang Qi

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant