CN109961099A - 一种基于身高年龄的多分类器手腕骨等级识别方法 - Google Patents

Abstract

本发明公开了一种基于身高年龄的多分类器手腕骨等级识别方法。本发明的方法在一个基于身高和年龄这两个信息的深度学习网络回归模型和多个三分类深度学习网络分类模型的基础上，首先通过回归模型得到等级的大致范围，接着选择相应的分类器对骨头的等级进行准确分类。本发明可以有效提升骨龄等级判断的准确度，进而降低最终骨龄判定的误差。

Description

一种基于身高年龄的多分类器手腕骨等级识别方法

技术领域

本发明涉及骨龄等级评定技术领域，具体地，本发明涉及一种基于身高年龄的多分类器手腕骨等级识别方法。

背景技术

骨龄是评价生物年龄的理想指标，广泛应用于医学、体育和司法鉴定等领域。在医学领域，骨龄主要用于内分泌和生长发育性疾病的诊治以及脊柱矫正、下肢均衡等外科手术。在体育领域，骨龄主要用于杜绝年龄造假现象，规范比赛秩序；确定运动员发育水平，制定科学的训练手段；作为运动员选材的指标，选拔体育运动人才。在司法鉴定领域，骨龄主要用于鉴定犯罪嫌疑人或者死者的年龄，为判刑提供参考。

骨龄需要借助于骨骼在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，通过X光片观察左手掌指骨、腕骨及桡骨下端的骨化中心的发育程度，来确定骨龄。传统的骨龄评定方法由骨龄专家对手腕骨的X光成像图进行人工读片完成，具有评定周期长，工作量大，受主观性影响大，专业人员限制等缺点和局限性。因此实现自动骨龄评定将可以减轻骨龄专家的工作压力，如何准确的自动评定骨龄是一个非常重要的研究问题。

目前世界上骨龄主流评价标准是G-P图谱法，TW3评分法，基于国际通用的TW3评分法，依据当代中国儿童为样本，中国人骨成熟度评价行业标准《中国人手腕骨发育标准-CHN法》(TY/T001-1992)由多位学者制定，适应中国儿童生长发育标准，同时操作简便、应用广泛、结果权威的骨龄评测方法符合中国国情和相关学科领域的需要。CHN法骨龄评价清晰规范的说明了左手各个骨头骨龄等级之间的判断标准，非常适合进行自动化的判定方式，提高工作人员效率。

CHN法单独观察手腕骨中若干块有代表性的骨骼(即参照骨)，对每一块骨骼评定分值并计算总分，再从相应标准中换算为对应的骨龄。因此对于CHN法，计算机自动判断各个骨头的等级并获得相应评分计算骨龄是可行的。在使用计算机判断参照骨的等级时，随着等级数量的增加，判断的准确率也随之下降，因此提高自动骨龄等级识别的准确性，是提高骨龄应用的重要方向。

发明内容

本发明目的是克服现有深度学习模型对左手各个骨头等级分类准确率不高的问题，提供一种基于身高年龄的多分类器手腕骨等级识别方法。

本发明解决技术问题采用如下技术方案：

一种基于身高年龄的多分类器手腕骨等级识别方法，包括以下步骤：

步骤1、对手腕骨X光片中的14块骨头依次进行编号，所述的14块骨头为：桡骨，掌1，掌3，掌5，近1，近3，近5，中3，中5，远1，远3，远5，头状骨，钩骨，对这14块骨头依次从1到14进行编号；用Ni表示第i块骨头在CHN骨龄评估法中的总共等级数目，i＝1，……，14；

步骤2、依次针对i＝1，……，14，分别根据实际情况采用一批已经标定了身高、年龄和等级的第i块骨头片样本集来训练得到一个基于深度学习网络的回归模型Mi；

步骤3、依次针对i＝1，……，14，分别根据实际情况采用一批已经标定了骨头等级的第i块骨头片样本集来训练得到以下三分类深度学习网络分类模型：包含等级1、2和3的三分类网络模型，包含等级2、3和4的三分类网络模型，…,包含等级Ni-2，Ni-1和Ni的三分类网络模型；

步骤4、对任意一张需要判别手腕骨等级的左手X光片，结合自动和人工切割获取其14块骨头的图像；

步骤5、依次针对i＝1，……，14，将需要判别的第i块骨头图片输入到回归模型Mi，得到输出结果ri；将ri进行下取整并用符号来表示；

步骤6、依次针对i＝1，……，14，使用第i块骨头的输出为 这三个等级的三分类网络模型来对第i块骨头进行分类，得到第i块骨头的分类结果ci，作为最终判别的等级。

本发明具有如下有益效果：本发明通过多个分类器进行多次等级数量较少的判断，并按照一定的规则组合结果来得到最后的等级，可以有效提升判断的准确度。本发明利用多个分类较少的模型进行联合判断，减轻了当分类数增加时模型准确率的下降问题，进而降低最终骨龄判定的误差。

具体实施方式

下面结合实施例对本发明的技术方案作进一步阐述。

实施例

本实施例提供了一种基于身高年龄的多分类器手腕骨等级识别方法，包括以下步骤：

步骤1、对手腕骨X光片中的14块骨头依次进行编号，所述的14块骨头为：桡骨，掌1，掌3，掌5，近1，近3，近5，中3，中5，远1，远3，远5，头状骨，钩骨，对这14块骨头依次从1到14进行编号；用Ni表示第i块骨头在CHN骨龄评估法中的总共等级数目，i＝1，……，14；

步骤2、依次针对i＝1，……，14，分别根据实际情况采用一批已经标定了身高、年龄和等级的第i块骨头片样本集来训练得到一个基于深度学习网络的回归模型Mi；

步骤3、依次针对i＝1，……，14，分别根据实际情况采用一批已经标定了骨头等级的第i块骨头片样本集来训练得到以下三分类深度学习网络分类模型：包含等级1、2和3的三分类网络模型，包含等级2、3和4的三分类网络模型，…,包含等级Ni-2，Ni-1和Ni的三分类网络模型；

步骤4、对任意一张需要判别手腕骨等级的左手X光片，结合自动和人工切割获取其14块骨头的图像；

步骤5、依次针对i＝1，……，14，将需要判别的第i块骨头图片输入到回归模型Mi，得到输出结果ri；将ri进行下取整并用符号来表示；

步骤6、依次针对i＝1，……，14，使用第i块骨头的输出为 这三个等级的三分类网络模型来对第i块骨头进行分类，得到第i块骨头的分类结果ci，作为最终判别的等级。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。

Claims (1)

1.一种基于身高年龄的多分类器手腕骨等级识别方法，其特征在于，包括以下步骤：

步骤1、对手腕骨X光片中的14块骨头依次进行编号，所述的14块骨头为：桡骨，掌1，掌3，掌5，近1，近3，近5，中3，中5，远1，远3，远5，头状骨，钩骨，对这14块骨头依次从1到14进行编号；用Ni表示第i块骨头在CHN骨龄评估法中的总共等级数目，i＝1，……，14；

步骤2、依次针对i＝1，……，14，分别根据实际情况采用一批已经标定了身高、年龄和等级的第i块骨头片样本集来训练得到一个基于深度学习网络的回归模型Mi；

步骤3、依次针对i＝1，……，14，分别根据实际情况采用一批已经标定了骨头等级的第i块骨头片样本集来训练得到以下三分类深度学习网络分类模型：包含等级1、2和3的三分类网络模型，包含等级2、3和4的三分类网络模型，…,包含等级Ni-2，Ni-1和Ni的三分类网络模型；

步骤4、对任意一张需要判别手腕骨等级的左手X光片，结合自动和人工切割获取其14块骨头的图像；

步骤5、依次针对i＝1，……，14，将需要判别的第i块骨头图片输入到回归模型Mi，得到输出结果ri；将ri进行下取整并用符号来表示；

步骤6、依次针对i＝1，……，14，使用第i块骨头的输出为 这三个等级的三分类网络模型来对第i块骨头进行分类，得到第i块骨头的分类结果ci，作为最终判别的等级。