CN109998576A - 一种人工智能骨龄检测方法 - Google Patents
一种人工智能骨龄检测方法 Download PDFInfo
- Publication number
- CN109998576A CN109998576A CN201910162445.2A CN201910162445A CN109998576A CN 109998576 A CN109998576 A CN 109998576A CN 201910162445 A CN201910162445 A CN 201910162445A CN 109998576 A CN109998576 A CN 109998576A
- Authority
- CN
- China
- Prior art keywords
- sample
- detected
- bone
- image
- 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.)
- Pending
Links
- 239000004575 stone Substances 0.000 title claims abstract description 51
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 27
- 238000013499 data model Methods 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 238000012795 verification Methods 0.000 claims abstract description 10
- 238000002203 pretreatment Methods 0.000 claims abstract description 8
- 238000010276 construction Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 32
- 210000002411 hand bone Anatomy 0.000 claims description 27
- 210000000988 bone and bone Anatomy 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 210000003010 carpal bone Anatomy 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 210000000236 metacarpal bone Anatomy 0.000 claims description 5
- 230000000366 juvenile effect Effects 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 238000003475 lamination Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000007634 remodeling Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 230000001919 adrenal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000014461 bone development Effects 0.000 description 1
- 230000018678 bone mineralization Effects 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000002124 endocrine Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003054 hormonal effect Effects 0.000 description 1
- 206010020718 hyperplasia Diseases 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000001755 vocal effect Effects 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种人工智能骨龄检测方法，包括影像获取步骤、预处理步骤、样本生成步骤、样本分类步骤、样本分组步骤、数据模型构建步骤、验证步骤、数据模型优化步骤、被检测样本采集步骤以及骨龄判断步骤。本发明通过人工智能的方法进行骨龄检测，可以避免人工的主观因素，提高检测效率和准确率，并且通过特征筛选步骤，优化了模型的运算时间。
Description
技术领域
本发明涉医疗影像处理领域，特别涉及一种人工智能骨龄检测方法。
背景技术
骨龄分析作为生长发育程度的一项重要指标，在医学、体育及司法鉴定风领域中发挥着重要作用。骨龄是由儿童的骨骼钙化程度所决定的。骨龄能较准确地反映人从出生到完全成熟的过程中各年龄阶段的发育水平。放射科医生通过对比儿童手部的X光片和他们对应年龄的标准状态，来测量儿童的骨龄。
青少年骨龄评测在儿科内分泌问题和儿童成长障碍诊断方面有重要作用，常用于青少年内分泌紊乱、生长发育延迟、先天性肾上腺皮质增生等症状的筛查，也可以对技术使用的干预效果进行评价，另外，骨龄也可用于鉴定未成年人的真实年龄，在青少年犯罪案件和体育比赛中确认选手年龄中都得到应用。
目前国际上较为常用的骨骼发育成熟度评价方法包括基于欧美骨骼发育特点提出G-P图谱法和TW计分法。而由于各国人骨骼发育情况存在较大差异，G-P图谱法和TW计分法不能适用于东亚人种。我国常用的人工智能骨龄检测方法有百分计数法、顾氏图谱法、中国人手腕骨发育标准CHN法等。但这些人工评估骨龄方法繁琐时且易受主观影响，随机误差大，骨发育等级标准的文字描述实际应用起来比较复杂、系统误差较大。
随着GPU加速的深度学习技术，通过人工智能来完成对于骨龄的自动检测已经成为了可能。并且医学成像技术不断提升，医院具有众多高端成像设备，可以更快地获取高质量的医学影像。但是对于医学影像的判断一般还是由医生完成，这不但费时费力，而且存在很多主管因素。并且医院每天有大数据级别的医学影像需要处理。
因此，急需提出一种运用人工智能的方法来进行骨龄检测并且可以批量化同步进行。
发明内容
本发明的目的在于，提供一种人工智能骨龄检测方法，可以有效解决了传统的人工智能骨龄检测方法中误差大、费时费力等问题，可以有效提高医院对骨龄检测的执行效率，并且在特征选取之后，进行了特征筛选步骤，选择了有效特征区域进行骨龄的判定，进一步提高了模型运算的效率。
本发明提供一种人工智能骨龄检测方法，包括如下步骤：影像获取步骤，采用X光机拍摄两个以上相同性别的青少年的手骨影像图，记录每一青少年的年龄；预处理步骤，将每一手骨影像图分成两个以上特征区域,从所述特征区域选择两个以上有效区域；对每一有效区域进行卷积池化处理，提取每一有效区域的特征数据；所有有效区域的特征数据的集合即为手骨影像图对应的影像数据；样本生成步骤，生成两个以上数据化样本，每一数据化样本包括一青少年的年龄及该青少年的手骨影像被数据化处理后获得的一组影像数据；样本分类步骤，将两个以上所述数据化样本分成训练样本及测试样本两类；样本分组步骤，将所述训练样本被分成两个以上组别，同一组别的训练样本标识有相同的组别标签，所述组别标签代表青少年的年龄；数据模型构建步骤，利用两个以上训练样本的影像数据及组别标签构建并训练初级数据模型；验证步骤，根据至少一测试样本的影像数据对所述初级数据模型进行验证处理；数据模型优化步骤，根据验证的结果构建优化数据模型；被检测样本采集步骤，采集一被检测样本，其为一被检测人的手骨影像的数据化样本，包括该被检测人的手骨影像被数据化处理后获得的一组影像数据；以及骨龄判断步骤，将所述待检测样本录入至所述优化数据模型，所述优化数据模型获取所述待检测样本的组别标签，判断所述被检测人的骨龄。
进一步地，所述青少年手骨影像包括青少年在手掌平展状态下的指骨和/或掌骨和/或腕骨的影像；所述被检测人手骨影像包括被检测人在手掌平展状态下的指骨和/或掌骨和/或腕骨的影像。
进一步地，在所述预处理步骤中，包括：特征筛选步骤，从所述已经划分好的特征区域选择17个有效区域；和/或，每一有效区域包括至少一骨骼连接处影像或至少一骨骼的全部或部分影像。
进一步地，所述初级数据模型包括RPN网络与FastR-CNN网络，所述RPN网络与FastR-CNN网络共享底层卷积层，底层卷积层包括五层卷积层，底层卷积层后包括第六卷积层，第六卷积层连接两个卷积分支，通过两个卷积分支分别输出初始区域分类得分与边界框，构成RPN网络，通过RPN网络提取目标骨骼的初始兴趣区域；所述底层卷积层通过ROI池化层连接第一全连接层和第二全连接层，所述第一全连接层和第二全连接层根据所述初始兴趣区域分别输出分类得分与边界框位置坐标。
进一步地，所述验证步骤，包括如下步骤：测试样本的组别标签预估步骤，将一测试样本的一组影像数据与所述初级数据模型相乘，对其乘积进行四舍五入处理，获取该测试样本的组别标签预估值；或者，将一测试样本的两组以上质谱数据与所述数据模型相乘，将其乘积按照数值大小排成数列，对其中位值进行四舍五入处理，获取该测试样本的组别标签预估值；以及测试样本的组别标签对比步骤，将该测试样本的组别标签预估值与其组别标签对比，判断所述初级数据模型的准确率。
进一步地，在所述数据模型优化步骤中，当所述初级数据模型的准确率小于一预设阈值时，返回所述样本分组步骤，重新选择训练样本。
进一步地，所述被检测样本采集步骤，包括如下步骤：被检测影像获取步骤，采用X光机拍摄一被检测人的手骨影像图，该被检测人的性别与所述青少年的性别相同；被检测样本预处理步骤，对所述手骨影像图进行数据化处理，获取一组被检测影像数据，包括至少一被检测特征数据；以及被检测数据化样本生成步骤，生成一被检测数据化样本，包括所述被检测影像数据。
进一步地，所述被检测样本预处理步骤，包括如下步骤：被检测样本分区步骤，将所述被检测人的手骨影像图分成两个以上特征区域；有效区域选择步骤，从所述特征区域选择两个以上有效区域，每一有效区域包括至少一关节影像；以及被检测样本特征提取步骤，对每一有效区域进行卷积池化处理，提取每一有效区域的特征数据；所有有效区域的特征数据的集合即为所述被检测影像数据。
进一步地，在所述有效区域选择步骤中，包括特征筛选，从所述特征区域选择17个有效区域；和/或，每一有效区域包括一骨骼连接处影像或一骨骼的全部或部分影像。
进一步地，所述青少年、所述被检测人的年龄精确到百分位；所述数据化样本数量为40000~300000；所述组别标签数量为2000组，分别代表0至20岁的青少年。
本发明的有益效果是：本发明提出一种骨龄智能检测方法，本发明通过采用人工智能技术中的深度学习算法，通过对不同年龄段的幼儿或少年骨龄图片进行数据采集和特征提取，通过海量的图片数据进行模型的训练并建立数据模型。本发明对需要被检测者的手部X光图片进行数据采集后送至数据模型中，从而推断出该被检测者的骨龄值。本发明在特征选取上增加了特征筛选步骤，选择了特征有效区域，可以大大的提高了模型运行的速度。
本发明通过人工智能的方法进行骨龄检测，可以避免人工的主观因素，提高检测效率和准确。本发明可以通过对测试的图片影像进行对搭建好的数据模型进行验证，并可以通过自反馈对数据模型进行不断的优化，将医学影像的预测率提高。本发明最后可以集成到医院系统中，可以进行同步批量处理，为医院工作人员提供帮助，可以提高工作效率。
附图说明
下面结合附图和实施例对本发明作进一步的描述。
图1为本发明实施例所述人工智能骨龄检测方法流程图；
图2为本发明实施例所述验证步骤的流程图；
图3为本发明实施例所述被检测样本采集步骤的流程图。
图4为本发明实施例所述被检测样本预处理步骤的流程图。
具体实施方式
以下是各实施例的说明是参考附加的图式，用以例示本发明可以用湿湿的特定实施例。本发明所提到的方向用语，例如上、下、前、后、左、右、内、外、侧等，仅是参考附图式的方向。本发明提到的元件名称，例如第一、第二等，仅是区分不同的元部件，可以更好的表达。在图中，结构相似的单元以相同标号表示。
本文将参照附图来详细描述本发明的实施例。本发明可以表现为许多不同形式，本发明不应仅被解释为本文阐述的具体实施例。本发明提供这些实施例是为了解释本发明的实际应用，从而使本领域其他技术人员能够理解本发明的各种实施例和适合于特定预期应用的各种修改方案。
本发明主要针对所述青少年手骨影像包括指骨和/或掌骨和/或腕骨的影像；所述被检测人手骨影像包括指骨和/或掌骨和/或腕骨的影像。所述青少年、所述被检测人的年龄精确到百分位，通过人工智能模型对所述青少年的骨龄进行预测。
如图1所示，本发明提供一种人工智能骨龄检测方法，包括如下步骤S1~S10。
S1、影像获取步骤，采用X光机拍摄两个以上相同性别的青少年的手骨影像图，记录每一青少年的年龄。因为男生与女生在相同的年龄下的骨龄会不同，所以在本发明的检测方法中需要将性别作为分类的特征。
S2、预处理步骤，将每一手骨影像图分成两个以上特征区域；
所述预处理步骤包括特征筛选步骤，从所述特征区域选择两个以上有效区域；对每一有效区域进行卷积池化处理，提取每一有效区域的特征数据；所有有效区域的特征数据的集合即为手骨影像图对应的影像数据；优选从所述特征区域选择17个有效区域；和/或，每一有效区域包括一骨骼连接处影像或一骨骼的全部或部分影像。
由于在预处理步骤中，由于算法选取会容易过拟合，所划分特征区域较多，因此在模型的运算上花的时间较多，所以本发明增加了特征筛选的步骤，选择有效区域，大大的减少了运算时间。
S3、样本生成步骤，生成两个以上数据化样本，每一数据化样本包括一青少年的年龄及该青少年的手骨影像被数据化处理后获得的一组影像数据。所述青少年、所述被检测人的年龄精确到百分位。所述数据化样本数量为40000~300000；所述组别标签数量为2000组，分别代表0至20岁的青少年。
S4、样本分类步骤，将两个以上所述数据化样本分成训练样本及测试样本两类。所述训练样本用以训练并搭建本发明的数据模型，所述测试样本主要用于对所述数据模型进行优化。
本发明的样本分类根据9:1的比例，即训练样本选择整体的90%，整体样本的10%作为测试样本。
S5、样本分组步骤，将所述训练样本被分成两个以上组别，同一组别的训练样本标识有相同的组别标签，所述组别标签代表青少年的年龄。
S6、数据模型构建步骤，利用两个以上训练样本的影像数据及组别标签构建并训练初级数据模型。所述初级数据模型包括RPN网络与FastR-CNN网络，所述RPN网络与FastR-CNN网络共享底层卷积层，底层卷积层包括五层卷积层，底层卷积层后包括第六卷积层，第六卷积层连接两个卷积分支，通过两个卷积分支分别输出初始区域分类得分与边界框，构成RPN网络，通过RPN网络提取目标骨骼的初始兴趣区域；所述底层卷积层通过ROI池化层连接第一全连接层和第二全连接层，所述第一全连接层和第二全连接层根据所述初始兴趣区域分别输出分类得分与边界框位置坐标。
本发明的RPN网络可以针对生成检测建议框的任务端到端地训练，能够同时预测出目标区域的边界和分数。RPN网络的输入可以是任何大小。
Faster-R-CNN网络由两大模块组成：PRN候选框提取模块以及FastR-CNN检测模块。其中，RPN网络用于提取候选框；FastR-CNN基于RPN提取的建议区域检测并识别建议区域中的目标。
S7、验证步骤，根据至少一测试样本的影像数据对所述初级数据模型进行验证处理；验证本方法提出的数据模型的准确度。如图2所示，所述验证步骤包括如下步骤S71~S72。S71、测试样本的组别标签预估步骤，将一测试样本的一组影像数据与所述初级数据模型相乘，对其乘积进行四舍五入处理，获取该测试样本的组别标签预估值；或者，将一测试样本的两组以上质谱数据与所述数据模型相乘，将其乘积按照数值大小排成数列，对其中位值进行四舍五入处理，获取该测试样本的组别标签预估值。S72、测试样本的组别标签对比步骤，将该测试样本的组别标签预估值与其组别标签对比，判断所述初级数据模型的准确率。
S8、数据模型优化步骤，根据验证的结果构建优化数据模型。在所述数据模型优化步骤中，当所述初级数据模型的准确率小于一预设阈值时，返回所述样本分组步骤，重新选择训练样本。并对所述样本分组中的所剩样本作为测试样本，不断重复的进行所述数据模型的优化。
S9、被检测样本采集步骤，采集一被检测样本，其为一被检测人的手骨影像的数据化样本，包括该被检测人的手骨影像被数据化处理后获得的一组影像数据。如图3所示，所述被检测样本采集步骤，包括如下步骤S91~S93。
S91、被检测影像获取步骤，采用X光机拍摄一被检测人的手骨影像图，该被检测人的性别与所述青少年的性别相同。S92、被检测样本预处理步骤，对所述手骨影像图进行数据化处理，获取一组被检测影像数据，包括至少一被检测特征数据。S93、被检测数据化样本生成步骤，生成一被检测数据化样本，包括所述被检测影像数据。
如图4所示，S92、被检测样本预处理步骤，包括如下步骤：S921、被检测样本分区步骤，将所述被检测人的手骨影像图分成两个以上特征区域；S922、有效区域选择步骤，从所述特征区域选择两个以上有效区域，每一有效区域包括至少一关节影像；S923、被检测样本特征提取步骤，对每一有效区域进行卷积池化处理，提取每一有效区域的特征数据；所有有效区域的特征数据的集合即为所述被检测影像数据。
S10、骨龄判断步骤，将所述待检测样本录入至所述优化数据模型，所述优化数据模型获取所述待检测样本的组别标签，判断所述被检测人的骨龄。
本发明也可以集成到医院系统中，可以进行同步批量处理，只需要批量地在计算机系统中输入待测试的医学影像图片，即可以输出每一病人相对应的骨龄。本发明可以为医院工作人员提供帮助，可以提高工作效率。
由于模型的运算速度跟特征数量有关，现机器学习算法的特征选取数量很大。因此本发明增加了特征筛选的步骤，优选从所述特征区域选择17个有效区域；和/或，每一有效区域包括一骨骼连接处影像或一骨骼的全部或部分影像，这大大减少了特征的数量，增加了模型运行的速度。
本发明提出一种人工智能骨龄检测方法，本发明通过采用人工智能技术中的深度学习算法，通过对不同年龄段的幼儿或少年骨龄图片进行数据采集和特征提取，通过海量的图片数据进行模型的训练并建立数据模型。本发明对需要被检测者的手部X光图片进行数据采集后送至数据模型中，从而推断出该被检测者的骨龄值，工作人员将被检测者的骨龄值与被检测者的真实年龄对比，即可判断出被检测者是否发育正常。
本发明提出一种人工智能骨龄检测方法，本发明通过采用现有非常火热的深度学习算法，通过对骨龄图片进行数据采集，接着进行特征提取，并通过海量的图片数据进行模型的训练，最后搭建好数据模型。本发明还可以通过对测试的图片影像进行对搭建好的数据模型进行验证，并可以通过自反馈对数据模型进行不断的优化，将医学影像的预测率提高。
应当指出，对于经充分说明的本发明来说，还可具有多种变换及改型的实施方案，并不局限于上述实施方式的具体实施例。上述实施例仅仅作为本发明的说明，而不是对发明的限制。总之，本发明的保护范围应包括那些对于本领域普通技术人员来说显而易见的变换或替代以及改型。
Claims (10)
1.一种人工智能骨龄检测方法，其特征在于，包括如下步骤：
影像获取步骤，采用X光机拍摄两个以上相同性别的青少年的手骨影像图，记录每一青少年的年龄；
预处理步骤，将每一手骨影像图分成两个以上特征区域,从所述特征区域选择两个以上有效区域；对每一有效区域进行卷积池化处理，提取每一有效区域的特征数据；所有有效区域的特征数据的集合即为手骨影像图对应的影像数据；
样本生成步骤，生成两个以上数据化样本，每一数据化样本包括一青少年的年龄及该青少年的手骨影像被数据化处理后获得的一组影像数据；
样本分类步骤，将两个以上所述数据化样本分成训练样本及测试样本两类；
样本分组步骤，将所述训练样本被分成两个以上组别，同一组别的训练样本标识有相同的组别标签，所述组别标签代表青少年的年龄；
数据模型构建步骤，利用两个以上训练样本的影像数据及组别标签构建并训练初级数据模型；
验证步骤，根据至少一测试样本的影像数据对所述初级数据模型进行验证处理；
数据模型优化步骤，根据验证的结果构建优化数据模型；
被检测样本采集步骤，采集一被检测样本，其为一被检测人的手骨影像的数据化样本，包括该被检测人的手骨影像被数据化处理后获得的一组影像数据；以及
骨龄判断步骤，将所述待检测样本录入至所述优化数据模型，所述优化数据模型获取所述待检测样本的组别标签，判断所述被检测人的骨龄。
2.如权利要求1所述的人工智能骨龄检测方法，其特征在于，
所述青少年手骨影像包括青少年在手掌平展状态下的指骨和/或掌骨和/或腕骨的影像；
所述被检测人手骨影像包括被检测人在手掌平展状态下的指骨和/或掌骨和/或腕骨的影像。
3.如权利要求1所述的人工智能骨龄检测方法，其特征在于，
在所述预处理步骤中，包括：
特征筛选步骤，从所述已经划分好的特征区域选择17个有效区域；和/或，
每一有效区域包括至少一骨骼连接处影像或至少一骨骼的全部或部分影像。
4.如权利要求1所述的人工智能骨龄检测方法，其特征在于，
所述初级数据模型包括RPN网络与Fast R-CNN网络，
所述RPN网络与Fast R-CNN网络共享底层卷积层，底层卷积层包括五层卷积层，底层卷积层后包括第六卷积层，第六卷积层连接两个卷积分支，通过两个卷积分支分别输出初始区域分类得分与边界框，构成RPN网络，通过RPN网络提取目标骨骼的初始兴趣区域；所述底层卷积层通过ROI池化层连接第一全连接层和第二全连接层，所述第一全连接层和第二全连接层根据所述初始兴趣区域分别输出分类得分与边界框位置坐标。
5.如权利要求1所述的人工智能骨龄检测方法，其特征在于，
所述验证步骤，包括如下步骤：
测试样本的组别标签预估步骤，将一测试样本的一组影像数据与所述初级数据模型相乘，对其乘积进行四舍五入处理，获取该测试样本的组别标签预估值；或者，将一测试样本的两组以上质谱数据与所述数据模型相乘，将其乘积按照数值大小排成数列，对其中位值进行四舍五入处理，获取该测试样本的组别标签预估值；以及
测试样本的组别标签对比步骤，将该测试样本的组别标签预估值与其组别标签对比，判断所述初级数据模型的准确率。
6.如权利要求1所述的人工智能骨龄检测方法，其特征在于，
在所述数据模型优化步骤中，
当所述初级数据模型的准确率小于一预设阈值时，
返回所述样本分组步骤，重新选择训练样本。
7.如权利要求1所述的人工智能骨龄检测方法，其特征在于，
所述被检测样本采集步骤，包括如下步骤：
被检测影像获取步骤，采用X光机拍摄一被检测人的手骨影像图，该被检测人的性别与所述青少年的性别相同；
被检测样本预处理步骤，对所述手骨影像图进行数据化处理，获取一组被检测影像数据，包括至少一被检测特征数据；以及
被检测数据化样本生成步骤，生成一被检测数据化样本，包括所述被检测影像数据。
8.如权利要求7所述的人工智能骨龄检测方法，其特征在于，
所述被检测样本预处理步骤，包括如下步骤：
被检测样本分区步骤，将所述被检测人的手骨影像图分成两个以上特征区域；
有效区域选择步骤，从所述特征区域选择两个以上有效区域，每一有效区域包括至少一关节影像；以及
被检测样本特征提取步骤，对每一有效区域进行卷积池化处理，提取每一有效区域的特征数据；所有有效区域的特征数据的集合即为所述被检测影像数据。
9.如权利要求1所述的人工智能骨龄检测方法，其特征在于，
在所述有效区域选择步骤中，还包括
特征筛选步骤，从所述特征区域选择17个有效区域；和/或，
每一有效区域包括一骨骼连接处影像或一骨骼的全部或部分影像。
10.如权利要求1所述的人工智能骨龄检测方法，其特征在于，
所述青少年、所述被检测人的年龄精确到百分位；
所述数据化样本数量为40000~300000；
所述组别标签数量为2000组，分别代表0至20岁的青少年。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910162445.2A CN109998576A (zh) | 2019-03-05 | 2019-03-05 | 一种人工智能骨龄检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910162445.2A CN109998576A (zh) | 2019-03-05 | 2019-03-05 | 一种人工智能骨龄检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109998576A true CN109998576A (zh) | 2019-07-12 |
Family
ID=67166372
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910162445.2A Pending CN109998576A (zh) | 2019-03-05 | 2019-03-05 | 一种人工智能骨龄检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109998576A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN112634193A (zh) * | 2020-09-30 | 2021-04-09 | 上海交通大学 | 一种图像异常检测方法及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100838339B1 (ko) * | 2007-08-06 | 2008-06-13 | 주식회사 오스테오시스 | 골 연령 판정 및 성인 신장 예측방법 및 그 프로그램이 기록된 기록매체 |
| 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 |
| 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 |
| 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 |
| CN108968991A (zh) * | 2018-05-08 | 2018-12-11 | 平安科技（深圳）有限公司 | 手骨x光片骨龄评估方法、装置、计算机设备和存储介质 |
-
2019
- 2019-03-05 CN CN201910162445.2A patent/CN109998576A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100838339B1 (ko) * | 2007-08-06 | 2008-06-13 | 주식회사 오스테오시스 | 골 연령 판정 및 성인 신장 예측방법 및 그 프로그램이 기록된 기록매체 |
| 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 |
| 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 |
| 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 |
| CN108968991A (zh) * | 2018-05-08 | 2018-12-11 | 平安科技（深圳）有限公司 | 手骨x光片骨龄评估方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 刘鸣谦等: "基于多维度特征融合的深度学习骨龄评估模型", 《第二军医大学学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN112634193A (zh) * | 2020-09-30 | 2021-04-09 | 上海交通大学 | 一种图像异常检测方法及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110175993A (zh) | 一种基于FPN的Faster R-CNN肺结核征象检测系统及方法 | |
| CN109998577A (zh) | 一种人工智能骨龄检测终端设备 | |
| Anzer et al. | A goal scoring probability model for shots based on synchronized positional and event data in football (soccer) | |
| Gupta et al. | Visual semantic role labeling | |
| CN107767376A (zh) | 基于深度学习的x线片骨龄预测方法及系统 | |
| CN108810620A (zh) | 识别视频中的关键时间点的方法、计算机设备及存储介质 | |
| US9183431B2 (en) | Apparatus and method for providing activity recognition based application service | |
| CN109741309A (zh) | 一种基于深度回归网络的骨龄预测方法及装置 | |
| CN107563995A (zh) | 一种多判别器误差反传的对抗网络方法 | |
| CN106340000A (zh) | 骨龄评估方法 | |
| CN110267116A (zh) | 视频生成方法、装置、电子设备和计算机可读介质 | |
| CN109998576A (zh) | 一种人工智能骨龄检测方法 | |
| CN109145958A (zh) | 一种基于多任务生成对抗网络的真实场景小物体检测方法 | |
| CN110264444A (zh) | 基于弱分割的损伤检测方法及装置 | |
| CN108711148A (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
| CN108197636A (zh) | 一种基于深度多视点特征的稻谷检测和分类方法 | |
| JP6901007B2 (ja) | 学習装置、検査システム、学習方法、検査方法およびプログラム | |
| CN109858476A (zh) | 标签的扩充方法和电子设备 | |
| CN109636846A (zh) | 基于循环注意力卷积神经网络的目标定位方法 | |
| CN103617614A (zh) | 一种在视频图像中确定乒乓球落点数据的方法及系统 | |
| CN109285140A (zh) | 一种印刷电路板图像配准评估方法 | |
| CN104680188A (zh) | 一种人体姿态基准图像库的构建方法 | |
| CN115546688A (zh) | 跳远评测方法、装置、电子设备和存储介质 | |
| CN110051376A (zh) | 一种骨龄智能检测方法 | |
| 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 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190712 |