CN109949280B - 图像处理方法、装置、设备存储介质及生长发育评估系统 - Google Patents
图像处理方法、装置、设备存储介质及生长发育评估系统 Download PDFInfo
- Publication number
- CN109949280B CN109949280B CN201910168616.2A CN201910168616A CN109949280B CN 109949280 B CN109949280 B CN 109949280B CN 201910168616 A CN201910168616 A CN 201910168616A CN 109949280 B CN109949280 B CN 109949280B
- Authority
- CN
- China
- Prior art keywords
- image
- bone age
- image processing
- ossification
- report
- 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
Links
Images
Landscapes
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种图像处理方法、装置、设备存储介质及生长发育评估系统,其中,方法包括:获取医学图像;将所述医学图像输入到预设的基于神经网络的图像处理模型进行计算,得到所述医学图像对应的图像处理结果;所述图像处理结果包括骨龄预测结果和/或骨化中心定位结果。本发明能够同时进行骨龄预测任务和骨化中心定位任务的学习并得到图像处理结果,实现了快速、精准的骨龄预测。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种图像处理方法、装置、设备存储介质及生长发育评估系统。
背景技术
儿童骨龄预测在确定儿童生物学年龄,了解儿童的生长发育潜力和性成熟趋势,以及在诊断儿童的内分泌疾病中都具有非常重要的意义。临床上,医生需要分析儿童骨龄X-光片,包括确定骨化中心出现个数、评估已出现骨化中心的形态以及判断骨骺线是否闭合等,综合给出骨龄预测值。医生预测骨龄耗时久,即使有经验的医生在软件的辅助下也需要约15分钟的时间,而且不同的医生给出的预测值通常由较大偏差。
现有的儿童骨龄预测方法主要分为两类,一类是人工方法,另一类是基于智能算法的全自动方法。其中人工方法包括G-P图谱法、百分计数法、CHN法和TW3计分法等。以上方法中,G-P法操作简便但过于主观,精度和稳定性差。TW3计分法需要对X-光骨龄片中的20块骨骼做出等级评分和骨龄计算。由于其精度较高,通常作为医疗科研通用的方法,但其缺点是复杂度高,较为费时,即使有经验的医生在计算机软件的辅助下也需要约15分钟的时间。我国目前各医院采用的主要是基于TW3演变而来的中华05骨龄方法。该方法主要应用于体育和司法领域,并非国际通用方法。
基于智能算法的全自动方法主要采用深度学习模型,将X-光骨龄片经过卷积神经网络,直接预测得到骨龄值。该方法具有精度高,速度快的优点,但以上方法将骨龄片作为整体或者划分为若干区域输入到卷积神经网络中,未充分利用骨龄片中骨化中心的出现数以及已出现骨化中心的位置信息,而这部分信息是医生在骨龄读片中的主要依据。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明第一方面提出一种图像处理方法,所述方法包括:
获取医学图像;
将所述医学图像输入到预设的基于神经网络的图像处理模型进行计算,得到所述医学图像对应的图像处理结果;所述图像处理结果包括骨龄预测结果和/或骨化中心定位结果。
进一步地,所述医学图像包括骨龄图像;所述将所述医学图像输入图像处理模型,得到所述医学图像对应的图像处理结果,包括:
将所述骨龄图像输入所述图像处理模型同时进行骨龄预测任务和骨化中心定位任务,得到所述骨龄预测结果和骨化中心定位结果;所述骨化中心定位结果包括所述骨化中心的位置和数量。
进一步地,所述医学图像包括骨龄图像;所述将所述医学图像输入图像处理模型,得到所述医学图像对应的图像处理结果,包括:
通过神经网络对所述骨龄图像进行编码,得到编码信息;
将所述编码信息与所述骨龄图像对应的性别向量进行拼接,得到拼接结果;
对所述拼接结果进行降维处理,得到所述骨龄预测结果。
进一步地,所述得到所述医学图像对应的图像处理结果之后,包括:
基于所述图像处理结果生成报告;所述报告包括骨龄影像诊断报告和/或生长发育评估报告;
所述骨龄影像诊断报告包括骨化中心数量、骨化中心位置和所述骨龄预测值,所述生长发育报告包括生长发育曲线、身高预测信息和生长发育评估信息。
本发明第二方面提出一种图像处理装置,所述装置包括:
图像获取模块,用于获取医学图像;
图像处理模块,用于将所述医学图像输入到预设的基于神经网络的图像处理模型进行计算,得到所述医学图像对应的图像处理结果;所述图像处理结果包括骨化中心定位结果和骨龄预测结果。
进一步地,所述医学图像包括骨龄图像;所述图像处理模块包括:
多任务处理模块,用于将所述骨龄图像输入所述图像处理模型同时进行骨龄预测任务和骨化中心定位任务,得到所述骨龄预测结果和所述骨化中心定位结果;所述骨化中心定位结果包括所述骨化中心的位置和数量。
进一步地,还包括:
评估报告生成模块,用于基于所述图像处理结果生成报告;所述报告包括骨龄影像诊断报告和/或生长发育评估报告;
所述骨龄影像诊断报告包括骨化中心出现的个数、骨化中心出现的位置和所述骨龄预测值,所述生长发育报告包括生长发育曲线、身高预测信息和生长发育评估信息。
本发明第三方面提出一种生长发育评估系统,所述系统包括:医学图像采集设备和上述的图像处理装置;所述医学图像采集设备用于采集医学图像;所述图像处理装置用于处理所述医学图像以得到所述医学图像对应的生长发育评估结果。
本发明第四方面提出一种设备,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如本发明第一方面所述的图像处理方法。
本发明第五方面提出一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如本发明第一方面所述的图像处理方法。
本发明实施例的图像处理模型能够将骨龄预测任务和骨化中心定位任务结合起来,同时进行骨龄预测任务和骨化中心定位任务的学习并得到图像处理结果,在进行骨龄预测时使用了骨化中心定位过程中学习到的特征,能提升骨龄预测的精准性和模型的鲁棒性,实现了快速、精准的骨龄预测。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,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,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1是本发明实施例提供的图像处理方法的流程图;
图2是本发明实施例提供的骨龄图像的示意图;
图3是本发明实施例提供的图像处理方法的流程图;
图4是本发明实施例提供的步骤S120的原理图;
图5是本发明实施例提供的步骤S120的流程图;
图6是本发明实施例提供的图像处理方法的流程图;
图7是本发明实施例提供的骨龄影像诊断报告的示意图;
图8是本发明实施例提供的生长发育报告的示意图;
图9是本发明实施例提供的图像处理装置的结构框图;
图10是本发明实施例提供的图像处理装置的结构框图;
图11是本发明实施例提供的生长发育评估系统的原理图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。
实施例
图1是本发明实施例提供的图像处理方法的流程图,本说明书提供了如实施例或流程图的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的系统或服务器产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。请参照图1,该实施例提供的图像处理方法包括:
S110:获取医学图像;
具体地,医学图像可以采取的形式包括但不限于X光图像、CT图像、MR图像和超声图像。
具体地,医学图像可以是骨龄图像,根据实际需要,医学图像还可以是其他被检测组织的图像,本实施例不以此为限。
图2是本发明实施例提供的骨龄图像的示意图,请参照图2,图中白色点所示的是骨龄图像中的骨化中心点,骨龄图像中共包含20个待检测的骨化中心点。
S120:将医学图像输入到预设的基于神经网络的图像处理模型进行计算,得到医学图像对应的图像处理结果;图像处理结果包括骨龄预测结果和/或骨化中心定位结果。
图3是本发明实施例提供的图像处理方法的流程图,请参照图3,在一个实施例中,医学图像包括骨龄图像;步骤S120包括:
将骨龄图像输入图像处理模型同时进行骨龄预测任务和骨化中心定位任务,得到骨龄预测结果和骨化中心定位结果;其中,骨化中心定位结果包括骨化中心的位置和数量。
详细地,将骨龄图像输入图像处理模型同时进行骨龄预测任务和骨化中心定位任务,包括:
将骨龄图像输入图像处理模型的骨化中心检测网络中进行检测,以及将骨龄图像输入图像处理模型的骨龄预测网络中进行检测。
优选地,该骨化中心检测网络可以是V-Net,V-Net是一种包含降采样和升采样两部分的全卷积神经网络,其通过相同层级之间的特征拼接可以将低维特征和高维特征结合起来,因而具有很好的效果。
可替代地,实际应用中该骨化中心检测网络还可以采用任何能够生成和原始图像相同大小的特征图的全卷积神经网络,例如U-Net。
优选地,该骨龄预测网络可以以Inception-v3作为骨龄预测的主网络。Inception-v3包含若干Inception层,每个Inception层又包含若干大小不同的卷积核,如1x1,3x1,5x5等。因而,Inception-v3很适合处理包含不同分辨率输入的问题。
可替代地,实际应用中该骨龄预测网络还可以是任何用于回归问题的卷积神经网络,例如VGG,ResNet,DenseNet等。
在训练过程中,骨龄预测网络和骨化中心检测网络均以线性整流函数ReLU作为激活函数,采用可以自适应调整学习率的Adam优化器对网络参数进行优化,初始学习率为0.0001。其中,骨龄预测网络采用MAE作为损失函数,骨化中心检测网络采用Focal Loss作为损失函数。
具体地,骨化中心检测网络和骨龄预测网络作为一个整体进行训练,损失函数为骨化中心检测网络的损失函数与骨龄预测网络的损失函数的平均数。该平均数可以是算术平均数,还可以是加权平均数等。根据表现形式的不同,该平均数有不同的计算形式和计算公式。
图4是本发明实施例提供的步骤S120的原理图,请参照图4,在一个实施例中,医学图像包括骨龄图像;步骤S120包括:
将骨龄图像输入图像处理模型的骨化中心检测网络进行骨化中心定位,得到骨龄图像对应的骨化中心检测结果和骨化中心的概率图;将骨龄图像和骨化中心的概率图输入图像处理模型的骨龄预测网络进行骨龄预测,得到骨龄图像对应的骨龄预测结果。也就是说,骨龄预测网络的输入除了原始图像之外,还包含骨化中心检测结果输出的概率图。
图5是本发明实施例提供的步骤S120的流程图,请参照图5,该实施例中,医学图像包括骨龄图像;步骤S120包括:
S121:通过神经网络对骨龄图像进行编码,得到编码信息;
可选地,对骨龄图像进行编码的过程其实就是高维的输入信息通过神经网络输出低维信息的过程,得到的编码信息可以是一维向量,也可以是二维的特征图。
可选地,该神经网络可以是Inception-v3网络,还可以是任何用于回归问题的卷积神经网络,例如VGG,ResNet,DenseNet等。
S122:将编码信息与骨龄图像对应的性别向量进行拼接,得到拼接结果;
可选地,拼接模块还可以用于将编码信息与种族信息的向量进行拼接,或者其他对骨龄差异有较大影响的向量拼接。
S123:对拼接结果进行降维处理,得到骨龄预测结果。
详细地,在Inception-v3网络完成对输入信号的编码之后,将性别信息以向量的形式(男性为1×16的全1向量,女性为1×16的全0向量),与Inception-v3倒数第二个全连接层的输出拼接,拼接后的全连接层共有A个(例如A=1000)神经元。再经过一个带有B个(例如B=500)神经元的全连接层,最后输出C个(例如C=1)神经元,该神经元输出的值即为骨龄的评估结果。其中A、B、C的数值大小满足以下关系A>B>C。
需要指出的是,上述关于A、B、C的取值仅用于举例说明,不构成对本发明实施例的限制,除上述取值外,A、B、C还可以根据实际需要取其他正整数值。
需要指出的是,上述向量仅用于对性别向量的形式进行举例说明,性别信息向量还可以设置为1×N的向量,其中,N可以根据实际需要设置为任意正整数,本实施例不以此为限。
图6是本发明实施例提供的图像处理方法的流程图,请参照图6,在一个实施例中,得到医学图像对应的图像处理结果之后,包括:
S130:基于图像处理结果生成报告;报告包括骨龄影像诊断报告和/或生长发育评估报告;上述的骨龄影像诊断报告和/或儿童生长发育报告是在图像处理结果的基础上结合自然语言处理技术自动生成的。
可选地,上述的骨龄影像诊断报告和/或儿童生长发育报告报告是在图像处理结果的基础上按照预定义的模板自动生成的。该模板确定了要输出的报告结构,图7是本发明实施例提供的骨龄影像诊断报告的示意图,请参照图7,骨龄影像诊断报告模板为“AI检测到X个骨化中心,位置分别为Y,骨龄最终的预测值为Z。”在骨龄预测网络输出X、Y、Z的值后,将检测到的X、Y、Z的值嵌入到模板中。需要说明的是,上述骨龄影像诊断报告模板的报告结构仅用于对报告模板进行举例说明,不应理解为对本说明书实施例的限制,根据实际需要,骨龄影像诊断报告模板还可以采用其他报告结构。
图8是本发明实施例提供的生长发育报告的示意图,请参照图8,生长发育报告包括生长发育曲线、身高预测信息和生长发育评估信息。同样地,图8还可以采用图示结构以外的其他报告结构,本实施例不以此为限。
具体地,生长发育评估信息包括生长发育状态,生长发育状态是根据骨龄和真实年龄的差值来判断的。如果骨龄>真实年龄,则发育超前,如果骨龄<真实年龄,则发育滞后。
具体地,根据骨龄和真实年龄,结合儿童的身高,可以分别在生长发育曲线上得到相应的点。根据该点的位置可以判断骨龄图像对应的受检者目前的身高在当前年龄儿童群体中的百分比,如果百分比偏低,比如<3%,则说明该受检者生长严重偏矮。
骨龄图像在成像时由于手掌摆放角度的不同,不同采集设备拍摄图像的灰度和分辨率的差异导致图像之间质量差异非常明显。因此,在一个实施例中,步骤S120之前还包括预处理医学图像的步骤。具体流程如下:
利用图像分割模型提取骨龄图像中的手部区域;可选的,该图像分割模型是利用全卷积神经网络训练得到的,全卷积神经网络和一般的卷积神经网络的区别在于全卷积神经网络不包含全连接层,因此可以接受任意大小的图像输入,对任意大小的图像输入都能生成与输入图像相同大小的图像输出。详细地,全卷积神经网络可以是U-Net或者V-Net等。
基于手部区域的分割结果,利用主成分分析法,可以计算出手部区域的旋转角度,基于此旋转角度可将所有的手部旋转为正位;可选地,手部区域的旋转角度是以垂直方向为参考方向得到的。
利用图像重心计算方法,将手部区域移动到图像中心并调整所有手部区域至相同尺寸,如1024*1024或者根据需要设置的其他尺寸;
仅针对手部区域进行直方图匹配、白化等操作,使图像的灰度为(-1,1)区间内的标准图像。详细地,上述手部区域的分割结果中灰度值为0表示背景,灰度值为1表示手部区域。
将手部区域从骨龄图像中提取出来,不仅可以去除掉背景、标签等无关信息,降低检测网络的假阳性率,还可以有效地对手掌区域的图像灰度范围进行统一,标准化手掌的摆放角度和位置,使得检测网络的结果更加精确。
需要说明的是,对于前述的各方法实施例,为了简便描述,将其都表述为二系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其它顺序或者同时进行。此外,还可对上述实施例进行任意组合,得到其他的实施例。
基于与上述实施例中的图像处理方法相同的思想,本发明还提供一种图像处理装置,该系统可用于执行上述图像处理方法。为了便于说明,图像处理装置实施例的结构示意图中,仅仅示出了与本发明实施例相关的部分,本领域技术人员可以理解,图示结构并不构成对系统的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
图9是本发明实施例提供的图像处理装置的结构框图,可以理解,上述各模块是指计算机程序或者程序段,用于执行某一项或多项特定的功能,此外,上述各模块的区分并不代表实际的程序代码也必须是分开的。请参照图9,本实施例提供的图像处理装置包括:
图像获取模块210,用于获取医学图像;
具体地,医学图像可以采取的形式包括但不限于X光图像、CT图像、MR图像和超声图像。
具体地,医学图像可以是骨龄图像,根据实际需要,医学图像还可以是其他被检测组织的图像,本实施例不以此为限。
图像处理模块220,用于将医学图像输入到预设的基于神经网络的图像处理模型进行计算,得到医学图像对应的图像处理结果;图像处理结果包括骨化中心定位结果和骨龄预测结果。
在一个实施例中,医学图像包括骨龄图像;图像处理模块220包括:
多任务处理模块,用于将骨龄图像输入图像处理模型同时进行骨龄预测任务和骨化中心定位任务,得到骨龄预测结果和骨化中心定位结果;骨化中心定位结果包括骨化中心的位置和数量。
详细地,多任务处理模块包括:骨化中心定位模块,用于将骨龄图像输入图像处理模型的骨化中心检测网络中进行检测;以及骨龄预测模块,用于将骨龄图像输入图像处理模型的骨龄预测网络中进行检测。
优选地,该骨化中心检测网络可以是V-Net,V-Net是一种包含降采样和升采样两部分的全卷积神经网络,其通过相同层级之间的特征拼接可以将低维特征和高维特征结合起来,因而具有很好的效果。
可替代地,实际应用中该骨化中心检测网络还可以采用任何能够生成和原始图像相同大小的特征图的全卷积神经网络,例如U-Net。
优选地,该骨龄预测网络可以以Inception-v3作为骨龄预测的主网络。Inception-v3包含若干Inception层,每个Inception层又包含若干大小不同的卷积核,如1x1,3x1,5x5等。因而,Inception-v3很适合处理包含不同分辨率输入的问题。
可替代地,实际应用中该骨龄预测网络还可以是任何用于回归问题的卷积神经网络,例如VGG,ResNet,DenseNet等。
在训练过程中,骨龄预测网络和骨化中心检测网络均以线性整流函数ReLU作为激活函数,采用可以自适应调整学习率的Adam优化器对网络参数进行优化,初始学习率为0.0001。其中,骨龄预测网络采用MAE作为损失函数,骨化中心检测网络采用Focal Loss作为损失函数。
具体地,骨化中心检测网络和骨龄预测网络作为一个整体进行训练,损失函数为骨化中心检测网络的损失函数与骨龄预测网络的损失函数的简单算术平均。
在一个实施例中,医学图像包括骨龄图像;图像处理模块220包括:
将骨龄图像输入图像处理模型的骨化中心检测网络进行骨化中心定位,得到骨龄图像对应的骨化中心检测结果和骨化中心的概率图;将骨龄图像和骨化中心的概率图输入图像处理模型的骨龄预测网络进行骨龄预测,得到骨龄图像对应的骨龄预测结果。也就是说,骨龄预测网络的输入除了原始图像之外,还包含骨化中心检测结果输出的概率图。
在一个实施例中,医学图像包括骨龄图像;图像处理模块220包括:
编码模块,用于通过神经网络对骨龄图像进行编码,得到编码信息;
拼接模块,用于将编码信息与骨龄图像对应的性别向量进行拼接,得到拼接结果;
可选地,拼接模块还可以用于将编码信息与种族信息的向量进行拼接,或者其他对骨龄差异有较大影响的向量拼接。
结果输出模块,用于对拼接结果进行降维处理,得到骨龄预测结果。
详细地,在Inception-v3网络完成对输入信号的编码之后,将性别信息以向量的形式(男性为1×16的全1向量,女性为1×16的全0向量),与Inception-v3倒数第二个全连接层的输出拼接,拼接后的全连接层共有A个(例如A=1000)神经元。再经过一个带有B个(例如B=500)神经元的全连接层,最后输出C个(例如C=1)神经元,该神经元输出的值即为骨龄的评估结果。其中A、B、C的数值大小满足以下关系A>B>C。
需要指出的是,上述关于A、B、C的取值仅用于举例说明,不构成对本发明实施例的限制,除上述取值外,A、B、C还可以根据实际需要取其他正整数值。
需要指出的是,上说向量仅用于对性别向量的形式进行举例说明,性别信息向量还可以设置为1×N的向量,其中,N可以根据实际需要设置为任意正整数,本实施例不以此为限。
图10是本发明实施例提供的图像处理装置的结构框图,请参照图10,在一个实施例中,该图像处理装置还包括:
评估报告生成模块230,用于基于图像处理结果生成报告;
报告包括骨龄影像诊断报告和/或生长发育评估报告;上述的骨龄影像诊断报告和/或儿童生长发育报告是在图像处理结果的基础上结合自然语言处理技术自动生成的。
骨龄影像诊断报告包括骨化中心出现的个数、骨化中心出现的位置和骨龄预测值,生长发育报告包括生长发育曲线、身高预测信息和生长发育评估信息。
可选地,该图像处理装置还包括模板设置模块,用于设置模板以确定要输出的报告结构,上述的骨龄影像诊断报告和/或儿童生长发育报告报告是在图像处理结果的基础上按照预定义的模板自动生成的。图7是本发明实施例提供的骨龄影像诊断报告的示意图,请参照图7,骨龄影像诊断报告模板为“AI检测到X个骨化中心,位置分别为Y,骨龄最终的预测值为Z。”在骨龄预测网络输出X、Y、Z的值后,将检测到的X、Y、Z的值嵌入到模板中。需要说明的是,上述骨龄影像诊断报告模板的报告结构仅用于对报告模板进行举例说明,不应理解为对本说明书实施例的限制,根据实际需要,骨龄影像诊断报告模板还可以采用其他报告结构。
图8是本发明实施例提供的生长发育报告的示意图,请参照图8,生长发育报告包括生长发育曲线、身高预测信息和生长发育评估信息。
具体地,生长发育评估信息包括生长发育状态,生长发育状态是根据骨龄和真实年龄的差值来判断的。如果骨龄>真实年龄,则发育超前,如果骨龄<真实年龄,则发育滞后。
具体地,根据骨龄和真实年龄,结合儿童的身高,可以分别在生长发育曲线上得到相应的点。根据该点的位置可以判断骨龄图像对应的受检者目前的身高在当前年龄儿童群体中的百分比,如果百分比偏低,比如<3%,则说明该受检者生长严重偏矮。
图8是本发明实施例提供的生长发育报告的示意图,请参照图8,生长发育报告包括生长发育曲线、身高预测信息和生长发育评估信息。同样地,图8还可以采用图示结构以外的其他报告结构,本实施例不以此为限。
在一个实施例中,该图像处理装置还包括医学图像预处理模块,该模块包括:
图像分割模块,用于利用图像分割模型提取骨龄图像中的手部区域;该图像分割模型是利用全卷积神经网络训练得到的,全卷积神经网络可以是U-Net或V-Net等。
位置校正模块,用于基于手部区域的分割结果,利用主成分分析法,可以计算出手部区域的旋转角度,基于此旋转角度可将所有的手部旋转为正位;
尺寸调整模块,用于利用图像重心计算方法,将手部区域移动到图像中心并调整所有手部区域至相同尺寸,如1024*1024或者根据需要设置的其他尺寸;
标准化模块,用于仅针对手部区域进行直方图匹配、白化等操作,使图像的灰度为(-1,1)区间内的标准图像。
可选地,手部区域的旋转角度是以垂直方向为参考方向得到的。
详细地,上述手部区域的分割结果中灰度值为0表示背景,灰度值为1表示手部区域。
将手部区域从骨龄图像中提取出来,不仅可以去除掉背景、标签等无关信息,降低检测网络的假阳性率,还可以有效地对手掌区域的图像灰度范围进行统一,标准化手掌的摆放角度和位置,使得检测网络的结果更加精确。
图11是本发明实施例提供的生长发育评估系统的原理图,请参照图11,本实施例还提出了一种生长发育评估系统,系统包括:医学图像采集设备和上述实施例提出的图像处理装置;医学图像采集设备用于采集医学图像;图像处理装置用于处理医学图像以得到医学图像对应的生长发育评估结果。
可选地,医学图像采集设备可以是X光图像采集设备、CT图像采集设备、MR图像采集设备和超声图像采集设备。
本实施例提出的生长发育评估系统可以嵌入到医学影像诊断的工作流程中,可部署至医院用临床诊断或科研用途。本系统评估快速,平均预测误差低。
本实施例还提出了一种设备,设备包括处理器和存储器,存储器中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如上述实施例提出的图像处理方法。
本实施例还提出一种计算机可读存储介质,存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如上述实施例提出的图像处理方法。
由上述本发明提供的图像处理方法、装置、设备或存储介质的实施例可见,本发明实施例的图像处理模型能够将骨龄预测任务和骨化中心定位任务结合起来,同时进行骨龄预测任务和骨化中心定位任务的学习并得到图像处理结果。在进行骨龄预测时使用了骨化中心定位过程中学习到的特征,能提升骨龄预测的精准性和模型的鲁棒性,实现了快速、精准的骨龄预测。
在上述实施例中,对各实施例的描述都各有侧重,某各实施例中没有详述的部分,可以参见其它实施例的相关描述。
本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block),单元,和步骤可以通过电子硬件、电脑软件,或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability),上述的各种说明性部件(illustrative components),单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用,可以使用各种方法实现所述的功能,但这种实现不应被理解为超出本发明实施例保护的范围。
应当指出的是,以上所述仅为本发明的几种具体实施方式,不能理解为对本发明保护范围的限制。凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种图像处理方法,其特征在于,包括:
获取医学图像;所述医学图像包括骨龄图像;
将所述医学图像输入到预设的基于神经网络的图像处理模型进行计算,得到所述医学图像对应的图像处理结果,具体包括:
将所述骨龄图像输入所述图像处理模型的骨化中心检测网络进行骨化中心定位,得到所述骨龄图像对应的骨化中心检测结果和骨化中心的概率图;将所述骨龄图像和所述骨化中心的概率图输入所述图像处理模型的骨龄预测网络进行骨龄预测,得到所述骨龄图像对应的骨龄预测结果。
2.根据权利要求1所述的方法,其特征在于,所述将所述医学图像输入到预设的基于神经网络的图像处理模型,得到所述医学图像对应的图像处理结果,包括:
通过神经网络对所述骨龄图像进行编码,得到编码信息;
将所述编码信息与所述骨龄图像对应的性别向量进行拼接,得到拼接结果;
对所述拼接结果进行降维处理,得到所述骨龄预测结果。
3.根据权利要求1所述的方法,其特征在于,所述得到所述医学图像对应的图像处理结果之后,包括:
基于所述图像处理结果生成报告;所述报告包括骨龄影像诊断报告和/或生长发育评估报告。
4.一种图像处理装置,其特征在于,包括:
图像获取模块,用于获取医学图像;所述医学图像包括骨龄图像;
图像处理模块,用于将所述医学图像输入到预设的基于神经网络的图像处理模型进行计算,得到所述医学图像对应的图像处理结果,具体包括:将所述骨龄图像输入所述图像处理模型的骨化中心检测网络进行骨化中心定位,得到所述骨龄图像对应的骨化中心检测结果和骨化中心的概率图;将所述骨龄图像和所述骨化中心的概率图输入所述图像处理模型的骨龄预测网络进行骨龄预测,得到所述骨龄图像对应的骨龄预测结果。
5.根据权利要求4所述的装置,其特征在于,
所述骨化中心定位结果包括所述骨化中心的位置和数量。
6.根据权利要求5所述的装置,其特征在于,还包括:
评估报告生成模块,用于基于所述图像处理结果生成报告;所述报告包括骨龄影像诊断报告和/或生长发育评估报告;
所述骨龄影像诊断报告包括骨化中心出现的个数、骨化中心出现的位置和所述骨龄预测值,所述生长发育报告包括生长发育曲线、身高预测信息和生长发育评估信息。
7.一种生长发育评估系统,其特征在于,包括:医学图像采集设备和权利要求4-6任一项所述的图像处理装置;
所述医学图像采集设备用于采集医学图像;
所述图像处理装置用于处理所述医学图像以得到所述医学图像对应的生长发育评估结果。
8.一种电子设备,其特征在于,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至3任一项所述的图像处理方法。
9.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至3任一项所述的图像处理方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910168616.2A CN109949280B (zh) | 2019-03-06 | 2019-03-06 | 图像处理方法、装置、设备存储介质及生长发育评估系统 |
US16/729,302 US11367181B2 (en) | 2018-12-29 | 2019-12-28 | Systems and methods for ossification center detection and bone age assessment |
PCT/CN2019/129636 WO2020135812A1 (en) | 2018-12-29 | 2019-12-28 | Systems and methods for ossification center detection and bone age assessment |
US17/806,269 US11735322B2 (en) | 2018-12-29 | 2022-06-09 | Systems and methods for ossification center detection and bone age assessment |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910168616.2A CN109949280B (zh) | 2019-03-06 | 2019-03-06 | 图像处理方法、装置、设备存储介质及生长发育评估系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109949280A CN109949280A (zh) | 2019-06-28 |
CN109949280B true CN109949280B (zh) | 2021-06-11 |
Family
ID=67009132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910168616.2A Active CN109949280B (zh) | 2018-12-29 | 2019-03-06 | 图像处理方法、装置、设备存储介质及生长发育评估系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109949280B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020135812A1 (en) | 2018-12-29 | 2020-07-02 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for ossification center detection and bone age assessment |
CN110853003B (zh) * | 2019-10-31 | 2020-07-24 | 北京推想科技有限公司 | 手部骨骺发育等级确定方法及相关设备 |
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 |
CN111402213B (zh) * | 2020-03-05 | 2023-10-27 | 北京深睿博联科技有限责任公司 | 骨龄评测方法和装置、电子设备及计算机可读存储介质 |
CN111415334A (zh) * | 2020-03-05 | 2020-07-14 | 北京深睿博联科技有限责任公司 | 骨龄预测设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170016778A (ko) * | 2015-08-04 | 2017-02-14 | 재단법인 아산사회복지재단 | 심층신경망을 이용한 골 연령 산출방법 및 프로그램 |
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 |
CN107767376A (zh) * | 2017-11-02 | 2018-03-06 | 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 |
CN108056786A (zh) * | 2017-12-08 | 2018-05-22 | 浙江大学医学院附属儿童医院 | 一种基于深度学习的骨龄检测方法和装置 |
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 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109215013B (zh) * | 2018-06-04 | 2023-07-21 | 平安科技(深圳)有限公司 | 自动骨龄预测方法、系统、计算机设备和存储介质 |
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 |
-
2019
- 2019-03-06 CN CN201910168616.2A patent/CN109949280B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170016778A (ko) * | 2015-08-04 | 2017-02-14 | 재단법인 아산사회복지재단 | 심층신경망을 이용한 골 연령 산출방법 및 프로그램 |
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 |
CN107767376A (zh) * | 2017-11-02 | 2018-03-06 | 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 |
CN108056786A (zh) * | 2017-12-08 | 2018-05-22 | 浙江大学医学院附属儿童医院 | 一种基于深度学习的骨龄检测方法和装置 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN109949280A (zh) | 2019-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109949280B (zh) | 图像处理方法、装置、设备存储介质及生长发育评估系统 | |
US11170545B2 (en) | Systems and methods for diagnostic oriented image quality assessment | |
US11386553B2 (en) | Medical image data | |
CN112862830B (zh) | 一种多模态图像分割方法、系统、终端及可读存储介质 | |
CN111612756B (zh) | 冠状动脉特异性钙化检测方法及装置 | |
CN112949654A (zh) | 图像检测方法及相关装置、设备 | |
CN114450716A (zh) | 用于卒中表征的图像处理 | |
CN115187566A (zh) | 基于mra影像的颅内动脉瘤检测方法及装置 | |
KR102639558B1 (ko) | 관심영역별 골 성숙 분포를 이용한 성장 분석 예측 장치 및 방법 | |
Ataş et al. | Forensic dental age estimation using modified deep learning neural network | |
Goutham et al. | Automatic localization of landmarks in cephalometric images via modified U-Net | |
CN112750110A (zh) | 基于神经网络对肺部病灶区进行评估的评估系统和相关产品 | |
CN116778587A (zh) | 一种基于深度学习的活体年龄推断方法、设备、存储介质 | |
CN116452592A (zh) | 脑血管病ai认知功能评测模型的构建方法、装置及系统 | |
US11842492B2 (en) | Cerebral hematoma volume analysis | |
Luong et al. | A computer-aided detection to intracranial hemorrhage by using deep learning: a case study | |
CN113537407B (zh) | 基于机器学习的图像数据评价处理方法及装置 | |
CN114581459A (zh) | 一种基于改进性3D U-Net模型的学前儿童肺部影像感兴趣区域分割方法 | |
CN113392895A (zh) | 一种膝关节软骨损伤检测方法和系统 | |
CN113222985A (zh) | 一种图像处理方法、装置、计算机设备和介质 | |
US20220076421A1 (en) | Method for identifying bone images | |
Paul et al. | EchoTrace: A 2D Echocardiography Deep Learning Approach for Left Ventricular Ejection Fraction Prediction | |
US20240144469A1 (en) | Systems and methods for automatic cardiac image analysis | |
CN116777930B (zh) | 应用于舌象提取的图像分割方法、装置、设备及介质 | |
CN113538470B (zh) | 一种基于神经网络的图像层间边界确定方法及装置 |
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 |