CN109961431B - 一种基于概率的骨龄计算方法 - Google Patents
一种基于概率的骨龄计算方法 Download PDFInfo
- Publication number
- CN109961431B CN109961431B CN201910231284.8A CN201910231284A CN109961431B CN 109961431 B CN109961431 B CN 109961431B CN 201910231284 A CN201910231284 A CN 201910231284A CN 109961431 B CN109961431 B CN 109961431B
- Authority
- CN
- China
- Prior art keywords
- bone
- grade
- probability
- bones
- score
- 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
- 210000000988 bone and bone Anatomy 0.000 title claims abstract description 97
- 238000004364 calculation method Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000013135 deep learning Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 4
- 210000002753 capitate bone Anatomy 0.000 claims description 3
- 210000000693 hamate bone Anatomy 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000013136 deep learning model Methods 0.000 abstract description 2
- 238000011161 development Methods 0.000 description 9
- 230000018109 developmental process Effects 0.000 description 9
- 210000000707 wrist Anatomy 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 3
- 239000003814 drug Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000013077 scoring method Methods 0.000 description 2
- 208000012239 Developmental disease Diseases 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000014461 bone development Effects 0.000 description 1
- 210000003010 carpal bone Anatomy 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000002124 endocrine Effects 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011164 ossification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from 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
- G06T2207/20—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)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- High Energy & Nuclear Physics (AREA)
- Physiology (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于概率的骨龄计算方法。通过获取深度学习模型对左手各个骨头的分类等级及对应的概率的基础上，选择可能性最高的2个等级及对应的概率，通过归一化概率与各个骨头等级对应的分值相乘获得各自的分值，再相加获得该块骨头最终的分值，根据CHN法分值表查表得到骨龄。本发明的方法利减少了深度模型分类器输出结果判断错误引起的误差，模糊了各个骨头之间的等级界限，对难以判断等级的骨头可以得到更合理的对应计算分值，提高了CHN法的准确性，使骨龄判断更接近真实值。
Description
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概率的骨龄计算方法。
背景技术
现在骨龄是反映青少年骨骼及身体发育的重要指标，在医学、体育、司法鉴定等多个领域都有着广泛的应用。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。
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，医生通过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。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。因此如何准确的自动评定骨龄是一个非常重要的研究问题。
世界上骨龄主流评价标准是G-P图谱法和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发育等级的判断标准。
CHN法通过观察手腕骨中14块有代表性的骨骼，对每一块骨骼评定其发育等级，然后查表得出每块骨头发育等级对应的分值并得到14块骨头的总得分，最后通过查总得分与骨龄的对照表来得到骨龄。传统骨龄评估不仅耗时耗力，而且其准确性非常依赖于评估人员的经验，评估骨龄的经验不够丰富和准确的人员往往导致较大的骨龄偏差。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。由于计算机在自动判定左手各个骨头的分块等级时，会出现介于两个等级之间的骨头，而且CHN法只有整数等级分布，从而难以判断该骨头的真实骨龄，导致最终的结果出现较大误差。其次，计算机采用深度学习模型进行各个骨头的等级判断，会出现等级分类判断错误的情况。
发明内容
本发明目的是克服对左手各个骨头等级分类准确率不高的问题，以及克服CHN法骨头等级整数分布的问题，提供一种精确的骨龄的计算方法。
本发明解决技术问题采用如下技术方案：
一种基于概率的骨龄计算方法，包括以下步骤：
步骤1，根据实际情况选取应用广泛的深度学习网络模型分类器，利用高水平专家组已标定出的14块骨头等级的手腕骨，来训练出深度学习网络模型分类器；
步骤2，针对一张全手X光片，经过自动加人工切割获取其14块骨头的图像，并对这14块骨头从1到14进行标号；
所述的14块骨头分别为：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，
步骤2，针对第i块骨头，所述的i取值范围是1,2,…,14，使用对应训练好的深度学习网络模型分类器得到其概率分布向量[p1,p2],所述的概率向量p1和p2分别是可能性最大的两个等级的归属概率；
步骤3，取出第i块骨头的概率分布向量中概率p1所对应的等级R1和概率p2所对应的等级R2；根据CHN骨头等级得分表来获取第i块骨头等级R1对应的分数S1和等级R2对应的分数S2；
步骤4，计算第i块骨头的得分：Di＝[(S1*p1)+(S2*p2)]/(p1+p2)；
步骤5，对14块骨头的Di进行相加，得到总分S，根据总分S使用CHN法查表获全手X光片的骨龄。
可选的，所述的深度学习网络模型分类器是GoogLeNet和ResNet。
本发明具有如下有益效果：本发明利用机器学习网络模型分类器输出的概率，减少了深度模型分类器输出结果判断错误引起的误差，降低了骨龄自动判定的平均误差。本发明模糊了各个骨头之间的等级界限，对难以判断等级的骨头可以得到更合理的对应计算分值，提高了CHN法的准确性，使骨龄判断更接近真实值。
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概率的骨龄计算方法，包括以下步骤：
步骤1，根据实际情况选取应用广泛的深度学习网络模型分类器，利用高水平专家组已标定出的14块骨头等级的手腕骨，来训练出深度学习网络模型分类器；
步骤2，针对一张全手X光片，经过自动加人工切割获取其14块骨头的图像，并对这14块骨头从1到14进行标号；
所述的14块骨头分别为：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，
步骤2，针对第i块骨头，所述的i取值范围是1,2,…,14，使用对应训练好的深度学习网络模型分类器得到其概率分布向量[p1,p2],所述的概率向量p1和p2分别是可能性最大的两个等级的归属概率；例如其中的枕骨，分类器的输出就是枕骨分别处于各个不同发育等级的概率值，其发育程度共有10个不同等级，从等级1到等级10，将一块桡骨输入到深度学习网络模型分类器后，输出等级1、等级2、…、等级10的可能概率p1,p2,…,p10；
步骤3，取出第i块骨头的概率分布向量中概率p1所对应的等级R1和概率p2所对应的等级R2；根据CHN骨头等级得分表来获取第i块骨头等级R1对应的分数S1和等级R2对应的分数S2；
步骤4，计算第i块骨头的得分：Di＝[(S1*p1)+(S2*p2)]/(p1+p2)；
步骤5，对14块骨头的Di进行相加，得到总分S，根据总分S使用CHN法查表获全手X光片的骨龄。
所述的深度学习网络模型分类器是GoogLeNet和ResNet。
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 (2)
1.一种基于概率的骨龄计算方法，其特征在于，包括以下步骤：
步骤1，根据实际情况选取深度学习网络模型分类器，利用专家组已标定出的14块骨头等级的手腕骨，来训练出深度学习网络模型分类器；
步骤2，针对一张全手X光片，经过自动加人工切割获取其14块骨头的图像，并对这14块骨头从1到14进行标号；
所述的14块骨头分别为：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，
步骤2，针对第i块骨头，所述的i取值范围是1,2,…,14，使用对应训练好的深度学习网络模型分类器得到其概率分布向量[p1,p2],所述的概率向量p1和p2分别是可能性最大的两个等级的归属概率；
步骤3，取出第i块骨头的概率分布向量中概率p1所对应的等级R1和概率p2所对应的等级R2；根据CHN骨头等级得分表来获取第i块骨头等级R1对应的分数S1和等级R2对应的分数S2；
步骤4，计算第i块骨头的得分：Di＝[(S1*p1)+(S2*p2)]/(p1+p2)；
步骤5，对14块骨头的Di进行相加，得到总分S，根据总分S使用CHN法查表获全手X光片的骨龄。
2.根据权利要求1所述的一种基于概率的骨龄计算方法，其特征在于，所述的深度学习网络模型分类器是GoogLeNet和ResNet。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910231284.8A CN109961431B (zh) | 2019-03-26 | 2019-03-26 | 一种基于概率的骨龄计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910231284.8A CN109961431B (zh) | 2019-03-26 | 2019-03-26 | 一种基于概率的骨龄计算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109961431A CN109961431A (zh) | 2019-07-02 |
| CN109961431B true CN109961431B (zh) | 2022-04-12 |
Family
ID=67024856
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910231284.8A Active CN109961431B (zh) | 2019-03-26 | 2019-03-26 | 一种基于概率的骨龄计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109961431B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110517234B (zh) * | 2019-08-16 | 2022-02-11 | 杭州依图医疗技术有限公司 | 特征骨异常检测方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106202901A (zh) * | 2016-07-04 | 2016-12-07 | 奥美之路(北京)健康科技股份有限公司 | 骨龄远程在线判读系统 |
| 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 |
| CN108836338A (zh) * | 2018-04-04 | 2018-11-20 | 浙江康体汇科技有限公司 | 一种基于web数据库的在线骨龄计算及身高预测方法 |
| CN109255786A (zh) * | 2018-09-30 | 2019-01-22 | 杭州依图医疗技术有限公司 | 一种检测骨龄的方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017022908A1 (ko) * | 2015-08-04 | 2017-02-09 | 재단법인 아산사회복지재단 | 심층신경망을 이용한 골 연령 산출방법 및 프로그램 |
-
2019
- 2019-03-26 CN CN201910231284.8A patent/CN109961431B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106202901A (zh) * | 2016-07-04 | 2016-12-07 | 奥美之路(北京)健康科技股份有限公司 | 骨龄远程在线判读系统 |
| 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 |
| CN108836338A (zh) * | 2018-04-04 | 2018-11-20 | 浙江康体汇科技有限公司 | 一种基于web数据库的在线骨龄计算及身高预测方法 |
| CN109255786A (zh) * | 2018-09-30 | 2019-01-22 | 杭州依图医疗技术有限公司 | 一种检测骨龄的方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 几种主要骨龄测定方法在我国的应用进展;高越等;《新疆医学》;20151025(第10期);第1530-1533页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109961431A (zh) | 2019-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111671448A (zh) | 一种基于深度学习的骨龄检测方法和装置 | |
| CN108334899A (zh) | 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 | |
| CN112734757B (zh) | 一种脊柱X光图像cobb角测量方法 | |
| WO2020062840A1 (zh) | 一种检测骨龄的方法及装置 | |
| Rohrbach et al. | Bone erosion scoring for rheumatoid arthritis with deep convolutional neural networks | |
| CN111563910B (zh) | 眼底图像分割方法及设备 | |
| CN109961431B (zh) | 一种基于概率的骨龄计算方法 | |
| CN114240874A (zh) | 基于深度卷积神经网络和特征融合的骨龄评定方法、设备及计算机可读存储介质 | |
| WO2023165265A1 (zh) | 膝关节动张力平衡态评估方法及装置 | |
| CN114694236A (zh) | 一种基于循环残差卷积神经网络的眼球运动分割定位方法 | |
| CN108922621A (zh) | 一种失能等级的评估方法及装置 | |
| Davies et al. | The epidemiology of major lower-limb amputation in England: a systematic review highlighting methodological differences of reported trials | |
| CN115185936A (zh) | 一种基于大数据的医疗临床数据质量分析系统 | |
| CN110555846A (zh) | 基于卷积神经网络的全自动骨龄评定方法 | |
| CN114596251A (zh) | 一种膝关节x光影像质控方法及装置 | |
| US11967077B1 (en) | System and method for predicting a need for total hip arthroplasty | |
| Morris et al. | Characterization of ossification of the posterior rim of acetabulum in the developing hip and its impact on the assessment of femoroacetabular impingement | |
| CN114240934B (zh) | 一种基于肢端肥大症的图像数据分析方法及系统 | |
| CN117338234A (zh) | 一种屈光度与视力联合检测方法 | |
| WO2023165260A1 (zh) | 基于深度学习的膝关节股骨置换术后评估系统 | |
| Sinkler et al. | The systematic isolation of key parameters for estimating skeletal maturity on lateral elbow radiographs | |
| CN109961099B (zh) | 一种基于身高年龄的多分类器手腕骨等级识别方法 | |
| TWI759946B (zh) | 脊柱量測及狀態評估方法 | |
| Rosales et al. | Vital Signs Evaluator and Blood Type Identification using Deep Learning for Blood Donation | |
| Knudson et al. | Citation of evidence for research and application in kinesiology |
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 |