CN109998577A - 一种人工智能骨龄检测终端设备 - Google Patents

Abstract

本发明提供一种人工智能骨龄检测终端设备，包括：机架，包括底板、顶箱及用以连接所述顶箱及所述底板的支撑板；X光发生器，设于所述顶箱下表面，用以发射X射线；检测板，设于所述底板的顶部，用以放置人手；X光探测器，设于所述底板内部，用以接收穿过人手的X射线；数据处理系统，用以根据人手的X光影像建立数据模型，并判断被检测者的骨龄。本发明的优点在于，提供一种人工智能骨龄检测终端设备，采用人工智能技术中的深度学习算法，通过采集幼儿或少年骨龄图片的手部X光图片推断出该被检测者的骨龄值，检测速度快、精准率高。

Description

一种人工智能骨龄检测终端设备

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终端设备。

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终端设备有百分计数法、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终端设备，可以有效解决了传统的人工智能骨龄检测终端设备中误差大、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和准确率。

为解决上述技术问题，本发明提供一种人工智能骨龄检测终端设备包括：机架，包括底板、顶箱及用以连接所述顶箱及所述底板的支撑板；X光发生器，设于所述顶箱下表面，用以发射X射线；检测板，设于所述底板的顶部，用以放置人手；X光探测器，设于所述底板内部，用以接收穿过人手的X射线；以及数据处理系统，用以根据人手的X光影像建立数据模型，并判断被检测者的骨龄。

进一步地，所述数据处理系统包括：影像获取单元，用以获取两个以上青少年的手骨影像图；存储单元，用以存储青少年的手骨影像图、影像数据及青少年的年龄；预处理单元，用以对两个以上所述手骨影像图进行数据化处理，获取两组以上影像数据，每一组影像数据包括至少一组特征数据；样本生成单元，用以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；样本分类单元，用以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；样本分组单元，用以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；数据模型构建单元，用以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；验证单元，用以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；以及数据模型优化单元，用以根据验证的结果构建优化数据模型；其中，所述存储单元用以存储所述初级数据模型及所述优化数据模型。

进一步地，所述预处理单元从所述特征区域筛选出17个有效的特征区域；每一有效的特征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，所述数据处理系统包括包括：存储单元，用以存储优化数据模型；样本采集单元，用以采集一被检测样本，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；骨龄判断单元，用以将被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，青少年手骨影像包括但不限于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；被检测人手骨影像包括但不限于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，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。

进一步地，所述人工智能骨龄检测终端设备还包括：输入单元，连接至所述数据处理系统；以及输出单元，连接至所述数据处理系统。

进一步地，所述输入单元包括但不限于键盘、DICOM接口或USB接口；所述输出单元包括但不限于打印机、显示屏、扬声器或USB接口。

进一步地，所述人工智能骨龄检测终端设备还包括：缺口，由所述底板、所述顶箱及所述支撑板围成；安全板，可拆卸式安装至所述缺口；所述安全板为可隔离X射线的材质制成；通孔，贯穿于所述安全板的一侧壁；以及三个以上车轮，设于所述机架底部。

本发明的有益效果是：本发明提供一种人工智能骨龄检测终端设备，采用人工智能技术中的深度学习算法，通过采集幼儿或少年骨龄图片的手部X光图片推断出该被检测者的骨龄值，检测速度快、精准率高。

本发明采用人工智能技术中的深度学习算法，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，采用海量的图片数据训练并建立数据模型，然后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，通过卷积进行特征选取，通过大量的特征数据推断出该被检测者的骨龄值。

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为本发明所述的人工智能骨龄检测终端设备的整体结构示意图；

图2为本发明所述的人工智能骨龄检测终端设备的部分结构示意图；

图3为本发明所述数据处理系统的结构示意图；

图4为本发明所述验证单元的结构示意图；

图5为本发明提供的骨龄智能检测方法流程图；

图6为本发明所述样本采集步骤的流程图；

图7为本发明样本预处理步骤的流程图；

图8为本发明验证步骤的流程图；

图9为本发明被检测样本采集步骤的流程图；

图10为本发明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。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1~2所示，本发明提供一种人工智能骨龄检测终端设备，包括机架1、X光发生器2、检测板3、X光探测器4及数据处理系统5。

机架1包括底板11、顶箱12及用以连接顶箱12及底板11的支撑板13；X光发生器2设于顶箱12下表面，用以发射X射线；检测板3设于底板11的顶部，用以放置人手；X光探测器4设于底板11内部，用以接收穿过人手的X射线；数据处理系统5，连接至X光探测器，用以根据人手的X光影像建立数据模型，并判断被检测者的骨龄。X光发生器2包括高压发生器以及X射线球管，X射线球管连接至所述高压发生器。

底板11、顶箱12及支撑板13围成缺口14，本实施例所述人工智能骨龄检测终端设备还包括安全板7，可拆卸式安装至缺口14。安全板7为可隔离X射线的材质制成，优选铅板，用以防止X射线溢出影响到其他人身体健康；安全板的一侧壁上设有通孔71，以便被检测者将手穿过通孔71伸入至安全板围成的空间内，并放置在检测板3上，通孔71设有门帘，所述门帘为可隔离X射线的材质制成，以防止X射线溢出。

所述人工智能骨龄检测终端设备还包括输入单元以及输出单元，设于顶箱12的外表面，分布连接至数据处理系统5。所述输入单元包括但不限于键盘或USB接口；所述输出单元包括但不限于打印机、显示屏、扬声器、DICOM接口或USB接口，还可以采用触控屏，既作为输入单元又作为输出单元。优选地，本实施例包括键盘61、显示屏62、扬声器63、打印机64、USB接口65等。

本实施例在工作中，用户可以用键盘61输入指令和已知数据，显示屏62用于显示待检测者的骨龄值，扬声器63用于语音播报待检测者的骨龄值。DICOM接口64或USB接口65用于获取X光影像图片及数据，USB接口65还可以用于将检测结果导出到PC机，打印机66用以将检测结果打印在纸张上，以便读取检测结果。检测结果可以包括被检测者的骨龄数值，以及骨骼发育是否正常的判断结论。

本实施例在工作中，用户还可以用键盘61录入被检测者的父母的身高，数据处理系统5可以根据幼儿的骨龄值及被检测者的父母的身高，推算幼儿成年后的身高。

所述人工智能骨龄检测终端设备还包括四个车轮8，设于机架1的底板11的底部，以便于整个设备的携带或运输。

如图3所示，数据处理系统5包括影像获取单元100、预处理单元200、样本生成单元300、样本分类单元400、样本分组单元500、数据模型构建单元600、验证单元700、数据模型优化单元800及存储单元900。

影像获取单元100连接至X光探测器4，用以采集青少年的手骨影像图。预处理单元200用以对两个以上所述手骨影像图进行数据化处理，获取两组以上影像数据，每一组影像数据包括至少一组特征数据，优选地，将每一手骨影像图分成两个以上特征区域，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。样本生成单元300用以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。样本分类单元400用以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。样本分组单元500用以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。数据模型构建单元600用以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。验证单元700用以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。数据模型优化单元800用以根据验证的结果构建优化数据模型，存储单元900，用以存储青少年的手骨影像图、影像数据及青少年的年龄，还用以存储所述初级数据模型及所述优化数据模型。

其中，在预处理单元200优选从所述特征区域选择17个有效区域；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。

其中，数据模型构建单元600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。

数据模型的构建、验证和优化可以事先在其他计算机设备中实现，并且存储于所述人工智能骨龄检测终端设备的存储单元内。样本采集单元300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。所述数据处理系统还包括骨龄判断单元1000，用以将被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。

如图4所示，验证单元700包括测试样本的组别标签预估单元701与测试样本的组别标签对比单元702。

测试样本的组别标签预估单元701用以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。

测试样本的组别标签对比单元702用以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。

如图5所示，基于前文所述的人工智能骨龄检测终端设备，在其工作过程中，采用如下所述的骨龄智能检测方法，该方法中的各个步骤与本设备数据处理系统中的各个单元相对应。所述骨龄智能检测方法具体包括如下步骤S1~S8。

S1、样本采集步骤，所述样本采集步骤目的主要是将两个以上同性别青少年手骨影像的数据化样本，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。

如图6所示，所述样本采集步骤包括如下步骤S11~S13。

S11、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结构会不同，所以在本发明的检测方法中需要将性别作为本发明的分类特征。

S12、样本预处理步骤，对两个以上所述手骨影像图进行数据化处理，获取两组以上影像数据，每一组影像数据包括至少一组特征数据。如图7所示，所述样本预处理步骤具体的包括如下步骤：S121、二值化步骤，对所述手骨影像图进行灰度二值化处理，使所述手骨影像图的灰度被限制在0~255的范围内；S122、均衡化步骤，提取所述手骨影像图灰度大于或等于一预设阈值的像素点，形成至少一前景区域，对每一前景区域的灰度按照均值为0、方差为1的正态分布重新进行均衡化处理；S123、分区步骤，将所述手骨影像图分成两个以上特征区域，每一特征区域为一矩形框，矩形框的尺寸优选256像素乘256像素，矩形框内包括至少一前景区域；S124、特征提取步骤，对每一特征区域进行卷积池化处理，提取每一特征区域的特征数据；所有特征区域的特征数据的集合即为所述影像数据。

所述样本预处理步骤中，所述二值化处理步骤是将整个医学图像呈现出明显的黑白效果，把大于某个临界灰度值的像素灰度设为灰度极大值，把小于这个值的像素灰度设为灰度极小值，从而实现二值化。根据预设阈值选取的不同，二值化的算法分为固定阈值和自适应阈值。比较常用的二值化方法则有：双峰法、P参数法、迭代法和OTSU法，本发明采用双峰法。

所述均衡化步骤中的预设阀值一般大于等于1，根据每个像素点的灰度值进行筛选，用于接下来的所述分区步骤进行图像分割。所述特征提取采用卷积进行特征数据提取，特征数据的向量大小控制整体模型的拟合能力。在过拟合时可以降低特征向量的维数，在欠拟合时可以提高卷积层的输出维数。

S13、数据化样本生成步骤，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。

S2、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。

S3、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；所述青少年、所述被检测人的年龄精确到百分位；所述组别标签数量为2000组，分别代表0至20岁的青少年。所述组别类包含所述青少年医学影像的相关特征，用以进行分类识别。

S4、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。

S5、验证步骤，主要目的是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，核实本方法提出的数据处理模型。

具体地，将剩下的10%的检测样本投入到已经建立好的模型中进行验证，并得到初级数据模型的准确率。

如图8所示，所述验证步骤具体的包括如下步骤S51~S52。

S51、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。

S52、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。

S6、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。

S7、被检测样本采集步骤，所述被检测样本采集步骤主要目的是采集一被检测样本，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9所示，所述被检测样本采集步骤，包括如下步骤S71~S73：

S71、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；

S72、被检测样本预处理步骤，对被检测人的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。所述被检测样本预处理步骤，如图10所示，包括如下步骤：S721、被检测样本二值化步骤，对被检测人的手骨影像图进行灰度二值化处理，使所述手骨影像图的灰度被限制在0~255的范围内；S722、被检测样本均衡化步骤，提取所述手骨影像图灰度大于或等于一预设阈值的像素点，形成至少一前景区域，对每一前景区域的灰度按照均值为0、方差为1的正态分布重新进行均衡化处理；S723、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，每一特征区域为一矩形框，包括至少一前景区域；以及S724、被检测样本特征提取步骤，对每一特征区域进行卷积池化处理，提取每一特征区域的特征数据；所有特征区域的特征数据的集合即为所述被检测影像数据。

S73、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。

S8、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。

本发明提出一种人工智能骨龄检测终端设备，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。本发明通过海量的图片数据进行模型的训练，从而提高骨龄检测的速度和准确率。

本发明提出一种人工智能骨龄检测终端设备，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终端设备，其特征在于，包括：

机架，包括底板、顶箱及用以连接所述顶箱及所述底板的支撑板；

X光发生器，设于所述顶箱下表面，用以发射X射线；

检测板，设于所述底板的顶部，用以放置人手；

X光探测器，设于所述底板内部，用以接收穿过人手的X射线；以及

数据处理系统，用以根据人手的X光影像建立数据模型，并判断被检测者的骨龄。

2.如权利要求1所述的人工智能骨龄检测终端设备，其特征在于，

所述数据处理系统包括：

影像获取单元，用以获取两个以上青少年的手骨影像图；

存储单元，用以存储青少年的手骨影像图、影像数据及青少年的年龄；

预处理单元，用以对两个以上所述手骨影像图进行数据化处理，获取两组以上影像数据，每一组影像数据包括至少一组特征数据；

样本生成单元，用以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；

样本分类单元，用以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；

样本分组单元，用以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；

数据模型构建单元，用以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；

验证单元，用以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；以及

数据模型优化单元，用以根据验证的结果构建优化数据模型；

其中，所述存储单元用以存储所述初级数据模型及所述优化数据模型。

3.如权利要求2所述的人工智能骨龄检测终端设备，其特征在于，

所述预处理单元从所述特征区域筛选出17个有效的特征区域；

每一有效的特征区域包括一骨骼连接处影像或一骨骼的全部或部分影像。

4.如权利要求2所述的人工智能骨龄检测终端设备，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终端设备，其特征在于，所述数据处理系统包括：

存储单元，用以存储优化数据模型；

样本采集单元，用以采集一被检测样本，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；

骨龄判断单元，用以将被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。

6.如权利要求1所述的人工智能骨龄检测终端设备，其特征在于，

青少年手骨影像包括但不限于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；

被检测人手骨影像包括但不限于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。

7.如权利要求1所述的人工智能骨龄检测终端设备，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。

8.如权利要求1所述的人工智能骨龄检测终端设备，其特征在于，还包括

输入单元，连接至所述数据处理系统；以及

输出单元，连接至所述数据处理系统。

9.如权利要求8所述的人工智能骨龄检测终端设备，其特征在于，

所述输入单元包括但不限于键盘、DICOM接口或USB接口；

所述输出单元包括但不限于打印机、显示屏、扬声器或USB接口。

10.如权利要求1所述的人工智能骨龄检测终端设备，其特征在于，还包括：

缺口，由所述底板、所述顶箱及所述支撑板围成；

安全板，可拆卸式安装至所述缺口；所述安全板为可隔离X射线的材质制成；

通孔，贯穿于所述安全板的一侧壁；以及

三个以上车轮，设于所述机架底部。