CN110517234B - 特征骨异常检测方法及装置 - Google Patents

特征骨异常检测方法及装置 Download PDF

Info

Publication number
CN110517234B
CN110517234B CN201910760746.5A CN201910760746A CN110517234B CN 110517234 B CN110517234 B CN 110517234B CN 201910760746 A CN201910760746 A CN 201910760746A CN 110517234 B CN110517234 B CN 110517234B
Authority
CN
China
Prior art keywords
dimensional
vector
dimensional sample
bone
characteristic
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
Application number
CN201910760746.5A
Other languages
English (en)
Other versions
CN110517234A (zh
Inventor
傅君芬
郑永升
石磊
魏子昆
王�琦
丁泽震
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Yitu Healthcare Technology Co ltd
Original Assignee
Hangzhou Yitu Healthcare Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Yitu Healthcare Technology Co ltd filed Critical Hangzhou Yitu Healthcare Technology Co ltd
Priority to CN201910760746.5A priority Critical patent/CN110517234B/zh
Publication of CN110517234A publication Critical patent/CN110517234A/zh
Application granted granted Critical
Publication of CN110517234B publication Critical patent/CN110517234B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了特征骨异常检测方法及装置，其中，方法包括：基于手腕部影像确定各特征骨的评级；基于各特征骨的评级获得与各特征骨对应的第一N维向量；N为自然数，且N小于等于手腕部影像的特征骨的数量；获取多个N维样本向量，其中，该N维样本向量通过对多个手腕部影像样本的特征骨评级对应的多个N维向量聚合获得，每一个手腕部影像样本的特征骨评级对应一个N维向量；获取与第一N维向量最相似的第二N维样本向量；基于第一N维向量和第二N维样本向量确定与第一N维向量相关的特征骨是否异常。本技术方案用以准确识别出手腕部影像中发育异常的特征骨。

Description

特征骨异常检测方法及装置
技术领域
本发明实施例涉及机器学习技术领域，尤其涉及特征骨异常检测方法及装置。
背景技术
“骨龄”是骨骼年龄的简称，是青少年儿童骨骼发育水平同骨发育标准比较而得出的发育年龄，它比年龄、身高、体重更能精确的反映出身体的成熟程度，更加准确地反映个体的生长发育水平和成熟程度。
临床上通过检测骨龄来判读儿童的生物学年龄，通过生物年龄与日历年龄的差异来评估儿童发育状况，了解儿童性成熟的趋势，预测儿童的成年身高等，骨龄检测广泛用于影响儿童生长发育疾病的治疗监测，对一些儿科内分泌疾病的诊断有很大帮助。
现有技术中主要通过拍摄儿童的手腕部影像，由人工查看手腕部影像，判断手腕部影像中的各特征骨是否存在发育异常，但是该种方式受人为主观因素影响，不能准确识别出发育异常的特征骨。
发明内容
本发明实施例提供特征骨异常检测方法及装置，用以准确识别出手腕部影像中发育异常的特征骨。
本发明实施例提供的特征骨异常检测方法，包括：
基于手腕部影像确定各特征骨的评级；
基于所述各特征骨的评级获得与所述各特征骨对应的第一N维向量；N为自然数，且N小于等于手腕部影像的特征骨的数量；
获取多个N维样本向量，所述N维样本向量通过对多个手腕部影像样本的特征骨评级对应的多个N维向量聚合获得，其中每一个手腕部影像样本的特征骨评级对应一个N维向量；
获取第二N维样本向量，所述第二N维样本向量为与所述第一N维向量最相似的N维样本向量；
基于所述第一N维向量和所述第二N维样本向量确定与所述第一N维向量相关的特征骨是否异常。
可选的，所述获取第二N维样本向量，包括：
获取各个N维样本向量中各维度对应的评级与所述第一N维向量中对应的各个维度对应的评级之差；
确定各个N维样本向量中各维度对应的评级之差大于第一预设值的维度个数n，以获得各个N维样本向量对应的维度个数n；n大于等于0小于等于N；
以各个N维样本向量对应的维度个数n最小的N维样本向量作为第三N维样本向量；
以与所述第一N维向量最相似的第三N维样本向量作为第二N维样本向量。
可选的，所述基于所述第一N维向量和所述第二N维样本向量确定与所述第一N维向量相关的特征骨是否异常，包括：
判断所述第一N维向量中各维度对应的评级与所述第二N维样本向量中对应的各个维度对应的评级之差中，是否存在大于第二预设值的评级之差；
若存在，则将所述第一N维向量中维度对应的评级与第二N维样本向量中对应维度对应的评级之差大于第二预设值的维度所对应特征骨确定为发育异常的特征骨。
可选的，所述特征骨异常检测方法还包括：
基于手腕部影像各特征骨的评级，确定所述手腕部影像的骨龄值；
基于所述手腕部影像的骨龄值和所述手腕部影像对应的受检者的日历年龄确定所述受检者是否发育异常。
上述技术方案中，基于手腕部影像确定各特征骨的评级，并基于各特征骨的评级确定各特征骨对应的第一N维向量，获取多个N维样本向量，从多个N维样本向量中确定与第一N维向量最相似的第二N维样本向量，并将该第二N维样本向量作为第一N维向量对比的基准，用于确定第一N维向量相关的特征骨中是否存在异常，通过上述方式，无需人工查看，避免了人工主观因素的影响，且对大量手腕部影像样本的特征骨评级对应的多个N维向量执行聚类运算后生成多个N维样本向量，该多个N维样本向量是根据当前发育正常的手腕部影像样本所确定的，可以对受检者的手腕部特征骨的异常检测提供有效的对比依据。
相应的，本发明实施例还提供了特征骨异常检测装置，包括：
第一处理单元、第二处理单元和检测单元；
所述第一处理单元，用于基于手腕部影像确定各特征骨的评级；以及基于所述各特征骨的评级获得与所述各特征骨对应的第一N维向量；N为自然数，且N小于等于手腕部影像的特征骨的数量；
所述第二处理单元，用于获取多个N维样本向量和第二N维样本向量，所述N维样本向量通过对多个手腕部影像样本的特征骨评级对应的多个N维向量聚合获得，其中每一个手腕部影像样本的特征骨评级对应一个N维向量；所述第二N维样本向量为与所述第一N维向量最相似的N维样本向量；
所述检测单元，用于基于所述第一N维向量和所述第二N维样本向量确定与所述第一N维向量相关的特征骨是否异常。
可选的，所述第二处理单元包括获取单元、第一确定单元和第二确定单元；
所述获取单元，用于获取各个N维样本向量中各维度对应的评级与所述第一N维向量中对应的各个维度对应的评级之差；
所述第一确定单元，用于确定各个N维样本向量中各维度对应的评级之差大于第一预设值的维度个数n，以获得各个N维样本向量对应的维度个数n；以各个N维样本向量对应的维度个数n最小的N维样本向量作为第三N维样本向量；n大于等于0小于等于N；
所述第二确定单元，用于以与所述第一N维向量最相似的第三N维样本向量作为第二N维样本向量。
可选的，所述检测单元包括判断单元和第三处理单元；
所述判断单元，用于判断所述第一N维向量中各维度对应的评级与所述第二N维样本向量中对应的各个维度对应的评级之差中，是否存在大于第二预设值的评级之差；
所述第三处理单元，用于在所述判断单元确定所述第一N维向量中各维度对应的评级与所述第二N维样本向量中对应的各个维度对应的评级之差中存在所述大于第二预设值的评级之差时，将所述第一N维向量中维度对应的评级与第二N维样本向量中对应维度对应的评级之差大于第二预设值的维度所对应特征骨确定为发育异常的特征骨。
可选的，所述特征骨异常检测装置还包括第三确定单元和第四处理单元；
所述第三确定单元，用于基于手腕部影像各特征骨的评级，确定所述手腕部影像的骨龄值；
所述第四处理单元，用于基于所述手腕部影像的骨龄值和所述手腕部影像对应的受检者的日历年龄确定所述受检者是否发育异常。
相应的，本发明实施例还提供了一种计算设备，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行上述特征骨异常检测方法。
相应的，本发明实施例还提供了一种计算机可读非易失性存储介质，包括计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得计算机执行上述特征骨异常检测方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，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，对于本领域的普通技术人员来讲，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他的附图。
图1为本发明实施例提供的一种特征骨异常检测方法的流程示意图；
图2为本发明实施例提供的一种手腕部影像；
图3为本发明实施例提供的一种手腕部影像的处理过程的示意图；
图4为本发明实施例提供的一种特征骨异常检测装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅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它实施例，都属于本发明保护的范围。
图1示例性的示出了本发明实施例提供的特征骨异常检测方法的流程，该流程可以由特征骨异常检测装置执行。
如图1所示，该流程具体包括：
步骤101，基于手腕部影像确定各特征骨的评级。
手腕部影像指采用X射线摄影设备拍摄的特定图像，通常将拍摄受检者左手的X光片作为手腕部影像，示例性地，如图2所示。
在拍摄到受检者的手腕部影像后，可以先对该手腕部影像进行预处理。具体的，可以结合图3示出的处理过程的示意图进行说明。
如图3(a)为获取到的受检者的手腕部影像；对该手腕部影像进行二值化处理，该二值化处理可以是采用自适应直方图二值化算法对手腕部影像进行处理，随后将经过二值化处理后的手腕部影像进行闭操作，具体为将二值化处理后的手腕部影像中的第一区域(即高亮区域，本实施例中为受检者的手腕部区域)进行膨胀腐蚀操作，可以如图3(b)、3(c)所示；然后通过漫水法(flood fill)从膨胀腐蚀操作后的第一区域中提取多个连通块，可以如图3(d)所示；并将多个连通块中除面积最大的连通块以外的连通块删除，以该面积最大的连通块为手腕部影像中的第二区域，如图3(e)；再次对手腕部影像中的第二区域进行膨胀操作，如图3(f)；将此时的手腕部影像与二值化处理之前的手腕部影像做点乘操作，即将图3(f)与图3(a)做点乘操作，则得到如图3(j)所示的手腕部影像。
在对手腕部影像进行预处理之后，可以基于该预处理之后的手腕部影像确定各特征骨的评级，其中，手腕部的特征骨可以包括指骨、尺骨、桡骨等。
本实施例中，可以根据预先训练好的定位模型从手腕部影像中确定出各特征骨，即将该手腕部影像输入至定位模型后，输出该各特征骨的位置。进而根据各特征骨的特征、各特征骨的位置以及骨龄评分标准确定各特征骨评级。
在确定各特征骨评级时，不同的骨龄评级标准确定的特征骨评级也会不一样，骨龄评级标准包括但不限于CHN05-RUS、TW3-RUS、Carpal。
步骤102，基于所述各特征骨的评级获得与所述各特征骨对应的第一N维向量。
需要说明的是，可以基于手腕部影像中所有或者部分的特征骨的评级获取第一N维向量，也即N可以等于手腕部影像的特征骨的数量或者小于手腕部影像的特征骨的数量；且N为自然数。举例来说，确定出手腕部影像中有13个特征骨，且该13个特征骨分别对应各自的评级，可以根据该13个特征骨各自的评级确定出一个13维向量，即第一N维向量。
步骤103，获取多个N维样本向量。
其中，该N维样本向量是通过对多个手腕部影像样本的特征骨评级对应的多个N维向量聚合获得，其中每一个手腕部影像样本的特征骨评级对应一个N维向量。具体的，可以是收集大量手腕部影像样本，且该大量手腕部影像样本中的特征骨都标记有特征骨评级；基于每个手腕部影像样本中特征骨评级确定对应的N维向量，并将该N维向量视为高维空间中的一个点；将获取到的所有N维向量对应的点进行聚类，并将多个聚类中心分别确定为中心样本，即作为N维样本向量，该聚类方法可以是K-Means算法、KNN算法等。
在具体实现中，可以根据大量手腕部影像样本确定出具有代表性的多个N维样本向量，例如，获取了M个手腕部影像样本，然后对该M个手腕部影像样本进行上述处理后确定出m个N维样本向量，其中，M远远大于m，且任一个N维样本向量均代表了一些手腕部影像样本的普遍特性。M、m均为正整数。
步骤104，获取第二N维样本向量。
第二N维样本向量为多个N维样本向量中与第一N维向量最相似的N维样本向量。可以针对多个N维样本向量中的任一个N维样本向量，计算第一N维向量与该N维样本向量的相似度，并从中确定出相似度最高的N维样本向量。
本发明实施例中，先对多个N维样本向量进行初步过滤，将与第一N维向量相似度较低的N维样本向量过滤掉，得到初步过滤后的至少一个N维样本向量，进而计算过滤后得到的N维样本向量与第一N维向量的相似度，从而确定出与第一N维向量相似度最高的第二N维样本向量。
一种可选的初步过滤方式中，获取各个N维样本向量中各维度对应的评级与第一N维向量中对应的各个维度对应的评级之差，从而确定出各个N维样本向量中各维度对应的评级之差大于第一预设值的维度个数n，以获得各个N维样本向量对应的维度个数n，其中，n大于等于0小于等于N；以各个N维样本向量对应的维度个数n最小的N维样本向量作为第三N维样本向量，第三N维样本向量至少为一个。
本发明实施例中，若第三N维样本向量为一个，则可以将该第三N维样本向量直接确定为与该第一N维向量最相似的N维样本向量，也即该第三N维样本向量为第二N维样本向量。若第三N维样本向量为多个，则需要从该多个第三N维样本向量中确定与该第一N维向量最相似的N维样本向量，具体可以采用余弦相似度算法、欧式距离算法等确定第一N维向量与第三N维样本向量的相似度。
以欧式距离算法为例，公式为：
Figure BDA0002170175690000081
其中，X为第一N维向量；Y为第三N维样本向量；D(X，Y)为第一N维向量与第三N维样本向量间的欧式几何距离；xi为第一N维向量的第i个维度对应的评级；yi为第三N维样本向量的第i个维度对应的评级。
举个例子，设N＝13，则受检者的手腕部影像对应的第一N维向量为第一13维向量。获取多个13维样本向量，将受检者的手腕部影像对应的第一13维向量与该多个13维样本向量中的每一个13维样本向量作对比。针对任一个13维样本向量来说，将第一13维向量的第1个维度对应的评级和该13维样本向量的第1个维度对应的评级做对比，确定第1个维度对应的评级的评级之差，将第一13维向量的第2个维度对应的评级和该13维样本向量的第2个维度对应的评级做对比，确定第2个维度对应的评级的评级之差，……，直至将第一13维向量的第13个维度对应的评级和该13维样本向量的第13个维度对应的评级做对比，确定第13个维度对应的评级的评级之差，统计评级之差大于2的维度个数。假设，多个13维样本向量中，共有3个13维样本向量存在最少的维度个数，且维度个数均为1个，则将该3个13维样本向量确定为3个第三13维样本向量，针对该3个第三13维样本向量中的任一个，确定第一13维向量与该第三13维样本向量的欧式距离，并将欧式距离最小的第三13维样本向量确定为第二13维样本向量。
步骤105，基于所述第一N维向量和所述第二N维样本向量确定与所述第一N维向量相关的特征骨是否异常。
具体的，判断第一N维向量中各维度对应的评级与第二N维样本向量中对应的各个维度对应的评级之差中，是否存在大于第二预设值的评级之差；若存在，则将所述第一N维向量中维度对应的评级与第二N维样本向量中对应维度对应的评级之差大于第二预设值的维度所对应特征骨确定为发育异常的特征骨；若不存在，则确定该受检者的各特征骨为发育正常。第二预设值可以等于第一预设值，也可以不等于。
举个例子，设N＝5，第二预设值为2，第一5维向量对应的评级分别为1、2、3、2、2，若确定出的第二5维样本向量对应的评级分别为4、2、4、2、2，则第一5维向量对应的评级和第二5维样本向量对应的评级的评级之差分别为3、0、1、0、0，存在评级之差大于2的维度，则可以确定该受检者的各特征骨中存在发育异常的特征骨，该发育异常的特征骨具体为第一个维度对应的特征骨。若确定出的第二5维样本向量对应的评级分别为2、2、4、2、2，则第一5维向量对应的评级和第二5维样本向量对应的评级的评级之差分别为1、0、1、0、0，则不存在评级之差大于2的维度，则可以确定该受检者的各特征骨为发育正常。
此外，本发明实施例还可以用于评估受检者是否发育异常，即根据受检者的手腕部影像确定生物学年龄，将该确定出的生物学年龄与受检者的日历年龄(实际年龄)做对比。一种可实现方式中，基于受检者的手腕部影像各特征骨的评级，确定手腕部影像的骨龄值，然后基于手腕部影像的骨龄值和受检者的日历年龄确定受检者是否发育异常。
可以判断受检者的手腕部影像的骨龄值与受检者的日历年龄的年龄差值是否大于第三预设值，若是，则在确定受检者的手腕部影像的骨龄值大于受检者的日历年龄之后，确定受检者为发育提前；在确定受检者的手腕部影像的骨龄值小于受检者的日历年龄之后，确定受检者为发育迟缓。该第三预设值可以是1，即受检者的手腕部影像的骨龄值和日历年龄相差大于1岁，则代表该受检者发育异常。
将上述发育异常信息报告给医生，如将具体哪块特征骨发育异常以及发育异常特征骨的异常等级报告给医生，或者是将受检者为发育迟缓或发育提前报告给医生，即可以使得医生根据该异常信息为受检者采取适应性的措施。
上述技术方案中，基于手腕部影像确定各特征骨的评级，并基于各特征骨的评级确定各特征骨对应的第一N维向量，获取多个N维样本向量，从多个N维样本向量中确定与第一N维向量最相似的第二N维样本向量，并将该第二N维样本向量作为第一N维向量对比的基准，用于确定第一N维向量相关的特征骨中是否存在异常，通过上述方式，无需人工查看，避免了人工主观因素的影响，且对大量手腕部影像样本的特征骨评级对应的多个N维向量执行聚类运算后生成多个N维样本向量，该多个N维样本向量是根据当前发育正常的手腕部影像样本所确定的，可以对受检者的手腕部特征骨的异常检测提供有效的对比依据。
此外，通过对受检者的手腕部影像中各特征骨分级，并确定第一N维向量，以及确定与第一N维向量最相似的第二N维样本向量，根据第一N维向量和第二N维样本向量，不仅可以确定出受检者的各特征骨是否发育异常，还可以用于测试上述特征骨评级算法是否正常，以及用于对人工给出的特征骨评级进行评估，判断人工给出的特征骨评级是否正确。
基于同一发明构思，图4示例性的示出了本发明实施例提供的一种特征骨异常检测装置的结构，该装置可以执行特征骨异常检测方法的流程。
该装置包括：
第一处理单元401、第二处理单元402和检测单元403；
所述第一处理单元401，用于基于手腕部影像确定各特征骨的评级；以及基于所述各特征骨的评级获得与所述各特征骨对应的第一N维向量；N为自然数，且N小于等于手腕部影像的特征骨的数量；
所述第二处理单元402，用于获取多个N维样本向量和第二N维样本向量，所述N维样本向量通过对多个手腕部影像样本的特征骨评级对应的多个N维向量聚合获得，其中每一个手腕部影像样本的特征骨评级对应一个N维向量；所述第二N维样本向量为与所述第一N维向量最相似的N维样本向量；
所述检测单元403，用于基于所述第一N维向量和所述第二N维样本向量确定与所述第一N维向量相关的特征骨是否异常。
可选的，所述第二处理单元402包括获取单元4021、第一确定单元4022和第二确定单元4023；
所述获取单元4021，用于获取各个N维样本向量中各维度对应的评级与所述第一N维向量中对应的各个维度对应的评级之差；
所述第一确定单元4022，用于确定各个N维样本向量中各维度对应的评级之差大于第一预设值的维度个数n，以获得各个N维样本向量对应的维度个数n；以各个N维样本向量对应的维度个数n最小的N维样本向量作为第三N维样本向量；n大于等于0小于等于N；
所述第二确定单元4023，用于以与所述第一N维向量最相似的第三N维样本向量作为第二N维样本向量。
可选的，所述检测单元403包括判断单元4031和第三处理单元4032；
所述判断单元4031，用于判断所述第一N维向量中各维度对应的评级与所述第二N维样本向量中对应的各个维度对应的评级之差中，是否存在大于第二预设值的评级之差；
所述第三处理单元4032，用于在所述判断单元4031确定所述第一N维向量中各维度对应的评级与所述第二N维样本向量中对应的各个维度对应的评级之差中存在所述大于第二预设值的评级之差时，将所述第一N维向量中维度对应的评级与第二N维样本向量中对应维度对应的评级之差大于第二预设值的维度所对应特征骨确定为发育异常的特征骨。
可选的，所述特征骨异常检测装置还包括第三确定单元404和第四处理单元405；
所述第三确定单元404，用于基于手腕部影像各特征骨的评级，确定所述手腕部影像的骨龄值；
所述第四处理单元405，用于基于所述手腕部影像的骨龄值和所述手腕部影像对应的受检者的日历年龄确定所述受检者是否发育异常。
基于同一发明构思，本发明实施例还提供了一种计算设备，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行上述特征骨异常检测方法。
基于同一发明构思，本发明实施例还提供了一种计算机可读非易失性存储介质，包括计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得计算机执行上述特征骨异常检测方法。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.特征骨异常检测方法，其特征在于，包括：
基于手腕部影像确定各特征骨的评级；
基于所述各特征骨的评级获得与所述各特征骨对应的第一N维向量；N为自然数，且N小于等于手腕部影像的特征骨的数量；
获取多个N维样本向量，所述N维样本向量通过对多个手腕部影像样本的特征骨评级对应的多个N维向量聚合获得，其中每一个手腕部影像样本的特征骨评级对应一个N维向量；
获取第二N维样本向量，所述第二N维样本向量为与所述第一N维向量最相似的N维样本向量；
基于所述第一N维向量和所述第二N维样本向量确定与所述第一N维向量相关的特征骨是否异常，包括：
判断所述第一N维向量中各维度对应的评级与所述第二N维样本向量中对应的各个维度对应的评级之差中，是否存在大于第二预设值的评级之差；
若存在，则将所述第一N维向量中维度对应的评级与第二N维样本向量中对应维度对应的评级之差大于第二预设值的维度所对应特征骨确定为发育异常的特征骨。
2.如权利要求1所述的方法，其特征在于，所述获取第二N维样本向量，包括：
获取各个N维样本向量中各维度对应的评级与所述第一N维向量中对应的各个维度对应的评级之差；
确定各个N维样本向量中各维度对应的评级之差大于第一预设值的维度个数n，以获得各个N维样本向量对应的维度个数n；n大于等于0小于等于N；
以各个N维样本向量对应的维度个数n最小的N维样本向量作为第三N维样本向量；
以与所述第一N维向量最相似的第三N维样本向量作为第二N维样本向量。
3.如权利要求1所述的方法，其特征在于，还包括：
基于手腕部影像各特征骨的评级，确定所述手腕部影像的骨龄值；
基于所述手腕部影像的骨龄值和所述手腕部影像对应的受检者的日历年龄确定所述受检者是否发育异常。
4.特征骨异常检测装置，其特征在于，包括：
第一处理单元、第二处理单元和检测单元；
所述第一处理单元，用于基于手腕部影像确定各特征骨的评级；以及基于所述各特征骨的评级获得与所述各特征骨对应的第一N维向量；N为自然数，且N小于等于手腕部影像的特征骨的数量；
所述第二处理单元，用于获取多个N维样本向量和第二N维样本向量，所述N维样本向量通过对多个手腕部影像样本的特征骨评级对应的多个N维向量聚合获得，其中每一个手腕部影像样本的特征骨评级对应一个N维向量；所述第二N维样本向量为与所述第一N维向量最相似的N维样本向量；
所述检测单元，用于基于所述第一N维向量和所述第二N维样本向量确定与所述第一N维向量相关的特征骨是否异常；所述检测单元包括判断单元和第三处理单元；
所述判断单元，用于判断所述第一N维向量中各维度对应的评级与所述第二N维样本向量中对应的各个维度对应的评级之差中，是否存在大于第二预设值的评级之差；
所述第三处理单元，用于在所述判断单元确定所述第一N维向量中各维度对应的评级与所述第二N维样本向量中对应的各个维度对应的评级之差中存在大于第二预设值的评级之差时，将所述第一N维向量中维度对应的评级与第二N维样本向量中对应维度对应的评级之差大于第二预设值的维度所对应特征骨确定为发育异常的特征骨。
5.如权利要求4所述的装置，其特征在于，所述第二处理单元包括获取单元、第一确定单元和第二确定单元；
所述获取单元，用于获取各个N维样本向量中各维度对应的评级与所述第一N维向量中对应的各个维度对应的评级之差；
所述第一确定单元，用于确定各个N维样本向量中各维度对应的评级之差大于第一预设值的维度个数n，以获得各个N维样本向量对应的维度个数n；以各个N维样本向量对应的维度个数n最小的N维样本向量作为第三N维样本向量；n大于等于0小于等于N；
所述第二确定单元，用于以与所述第一N维向量最相似的第三N维样本向量作为第二N维样本向量。
6.如权利要求4所述的装置，其特征在于，还包括第三确定单元和第四处理单元；
所述第三确定单元，用于基于手腕部影像各特征骨的评级，确定所述手腕部影像的骨龄值；
所述第四处理单元，用于基于所述手腕部影像的骨龄值和所述手腕部影像对应的受检者的日历年龄确定所述受检者是否发育异常。
7.一种计算设备，其特征在于，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行权利要求1至3任一项所述的方法。
8.一种计算机可读非易失性存储介质，其特征在于，包括计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得计算机执行如权利要求1至3任一项所述的方法。
CN201910760746.5A 2019-08-16 2019-08-16 特征骨异常检测方法及装置 Active CN110517234B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910760746.5A CN110517234B (zh) 2019-08-16 2019-08-16 特征骨异常检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910760746.5A CN110517234B (zh) 2019-08-16 2019-08-16 特征骨异常检测方法及装置

Publications (2)

Publication Number Publication Date
CN110517234A CN110517234A (zh) 2019-11-29
CN110517234B true CN110517234B (zh) 2022-02-11

Family

ID=68626455

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910760746.5A Active CN110517234B (zh) 2019-08-16 2019-08-16 特征骨异常检测方法及装置

Country Status (1)

Country Link
CN (1) CN110517234B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111563874B (zh) * 2020-03-05 2023-04-28 北京深睿博联科技有限责任公司 骨龄评测方法和装置
CN113647965B (zh) * 2021-08-30 2023-11-28 北京理工大学 一种前臂骨识别方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
KR20190030151A (ko) * 2017-09-13 2019-03-21 이재준 영상 분석 방법, 장치 및 컴퓨터 프로그램

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8591225B2 (en) * 2008-12-12 2013-11-26 Align Technology, Inc. Tooth movement measurement by automatic impression matching
KR101217866B1 (ko) * 2010-08-18 2013-01-03 한국원자력의학원 혈관신생 억제용 약학 조성물 및 혈관신생 억제용 활성물질을 스크리닝하는 방법
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
CN108606811A (zh) * 2018-04-12 2018-10-02 上海交通大学医学院附属上海儿童医学中心 一种超声骨龄检测系统及其方法
CN109740660A (zh) * 2018-12-27 2019-05-10 深圳云天励飞技术有限公司 图像处理方法及装置
CN109961431B (zh) * 2019-03-26 2022-04-12 浙江康体汇科技有限公司 一种基于概率的骨龄计算方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
KR20190030151A (ko) * 2017-09-13 2019-03-21 이재준 영상 분석 방법, 장치 및 컴퓨터 프로그램

Also Published As

Publication number Publication date
CN110517234A (zh) 2019-11-29

Similar Documents

Publication Publication Date Title
US11170545B2 (en) Systems and methods for diagnostic oriented image quality assessment
CN109272002B (zh) 一种骨龄片的分类方法及装置
CN111008643B (zh) 基于半监督学习的图片分类方法、装置和计算机设备
CN111598867B (zh) 用于检测特定面部综合征的方法、装置及计算机可读存储介质
CN110807491A (zh) 车牌图像清晰度模型训练方法、清晰度检测方法及装置
CN109919254B (zh) 乳腺密度分类方法、系统、可读存储介质和计算机设备
CN111598875A (zh) 甲状腺结节自动检测模型构建方法、系统及装置
CN110517234B (zh) 特征骨异常检测方法及装置
CN115699208A (zh) 用于清洗数据以训练人工智能(ai)模型的ai方法
CN109255786B (zh) 一种检测骨龄的方法及装置
CN111914665A (zh) 一种人脸遮挡检测方法、装置、设备及存储介质
CN114494263B (zh) 融合临床信息的医学影像病变检测方法、系统及设备
US11132790B2 (en) Wafer map identification method and computer-readable recording medium
CN117315379B (zh) 面向深度学习的医学影像分类模型公平性评估方法及装置
CN111968087B (zh) 一种植物病害区域检测方法
CN112861743A (zh) 一种掌静脉图像防伪方法、装置和设备
US6941288B2 (en) Online learning method in a decision system
CN116091963B (zh) 临床试验机构质量评估方法、装置、电子设备及存储介质
Mankar et al. Automatic detection of diabetic retinopathy using morphological operation and machine learning
CN115526882A (zh) 一种医学图像的分类方法、装置、设备及存储介质
CN110516715B (zh) 一种手骨分类方法及装置
Sharma et al. Robust and Uncertainty-Aware VAE (RU-VAE) for One-Class Classification
CN114708634A (zh) 基于人脸图像的相对体重分析方法、装置及电子设备
KR102303111B1 (ko) 기계학습 기반 소프트웨어의 학습데이터 품질 평가 방법
CN115187512A (zh) 肝细胞癌大血管侵犯风险预测方法、系统、装置及介质

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
CB03 Change of inventor or designer information

Inventor after: Fu Junfen

Inventor after: Zheng Yongsheng

Inventor after: Shi Lei

Inventor after: Wei Zikun

Inventor after: Wang Qi

Inventor after: Ding Zezhen

Inventor before: Zheng Yongsheng

Inventor before: Shi Lei

Inventor before: Wei Zikun

Inventor before: Wang Qi

Inventor before: Ding Zezhen

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant