CN110648320A - 骨龄获取方法及系统、服务器、计算机设备及介质 - Google Patents
骨龄获取方法及系统、服务器、计算机设备及介质 Download PDFInfo
- Publication number
- CN110648320A CN110648320A CN201910886856.6A CN201910886856A CN110648320A CN 110648320 A CN110648320 A CN 110648320A CN 201910886856 A CN201910886856 A CN 201910886856A CN 110648320 A CN110648320 A CN 110648320A
- Authority
- CN
- China
- Prior art keywords
- bone age
- user
- ray image
- network
- sample
- 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
Images
Classifications
-
- 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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
Abstract
本发明公开一种骨龄获取方法及系统、服务器、计算机设备及介质。该方法的一具体实施方式包括:将待获取骨龄用户的第一部位X光图像输入孪生网络中的一个子网络,并将多个标注了骨龄的与待获取骨龄用户相同性别的样本用户的第一部位X光图像输入孪生网络中的另一个子网络,得到待获取骨龄用户的第一部位X光图像与各样本用户的第一部位X光图像的匹配度;将匹配度最高的样本用户的第一部位X光图像所标注的骨龄作为待获取骨龄用户的骨龄。该实施方式可客观、快速、精确的获取用户的骨龄。
Description
技术领域
本发明涉及骨龄评估领域。更具体地,涉及一种骨龄获取方法及系统、服务器、计算机设备及介质。
背景技术
骨龄是人体成熟程度的重要指标,可以通过骨龄测定及早了解儿童的生长发育潜力,并依照骨骼发育趋势判断儿童是否适合接受某项体育运动的专业训练或是向适合本身骨骼发育趋势的职业方向发展。另外,骨龄测定对一些疾病的诊断也有很大帮助。
近年来,随着骨龄研究的不断深入和数字化影像技术在骨龄测试中的应用,使得骨龄测评方法得到广泛推广。目前国际上常用的方法有G-P图谱法、RWT法(膝部骨龄评价法)、TW计分法等等,我国常用的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、中国儿童骨龄评分法(叶氏法)等等。但这些人工评估骨龄方法繁琐费时且易受医生主观因素影响,随机误差较大,骨发育等级标准的文字描述在实际应用时比较复杂、系统误差较大。
因此,需要提供一种新的骨龄获取方法及系统、服务器、计算机设备及介质。
发明内容
本发明的目的在于提供一种骨龄获取方法及系统、服务器、计算机设备及介质,以解决现有技术存在的问题中的至少一个。
为达到上述目的,本发明采用下述技术方案:
本发明第一方面提供了一种骨龄获取方法,包括:
将待获取骨龄用户的第一部位X光图像输入孪生网络中的一个子网络,并将多个标注了骨龄的与待获取骨龄用户相同性别的样本用户的第一部位X光图像输入孪生网络中的另一个子网络,得到待获取骨龄用户的第一部位X光图像与各样本用户的第一部位X光图像的匹配度;
将匹配度最高的样本用户的第一部位X光图像所标注的骨龄作为待获取骨龄用户的骨龄。
本发明第一方面提供的骨龄获取方法,将待获取骨龄用户的第一部位X光图像与多个标注了骨龄的与待获取骨龄用户相同性别的样本用户的第一部位X光图像分别输入孪生网络进行匹配,利用孪生网络输出待获取骨龄用户的第一部位X光图像与各样本用户的第一部位X光图像的匹配度,最后将匹配度最高的样本用户的第一部位X光图像所标注的骨龄作为待获取骨龄用户的骨龄,可客观、快速、精确的获取用户的骨龄,且可实现远程的骨龄获取,提升了便捷性。
可选地,在所述将待获取骨龄用户的第一部位X光图像输入孪生网络中的一个子网络,并将多个标注了骨龄的与待获取骨龄用户相同性别的样本用户的第一部位X光图像输入孪生网络中的另一个子网络之前,该方法还包括:
分别对所述待获取骨龄用户的第一部位X光图像和所述多个样本用户的第一部位X光图像进行预处理,所述预处理包括统一各第一部位X光图像的分辨率。
采用此可选方式,可通过对待获取骨龄用户的第一部位X光图像与多个标注了骨龄的与待获取骨龄用户相同性别的样本用户的第一部位X光图像的统一化预处理,保证孪生网络进行匹配的精确度。
可选地,所述统一各第一部位X光图像的分辨率进一步包括:
分别对各第一部位X光图像依次进行基于高斯金字塔算法的下采样和双线性插值,以统一各第一部位X光图像的分辨率。
采用此可选方式,可精确高效地实现对待获取骨龄用户的第一部位X光图像与多个标注了骨龄的与待获取骨龄用户相同性别的样本用户的第一部位X光图像的分辨率统一,不会造成孪生网络进行匹配时依据的图像特征的丢失或改变,可保证孪生网络进行匹配的精确度。
可选地,所述预处理还包括对各第一部位X光图像进行降噪。
采用此可选方式,可进一步提升孪生网络进行匹配的精确度。
可选地,所述预处理还包括对各第一部位X光图像进行灰度分布均衡。
采用此可选方式,可突出X光图像中的骨骼结构和细节,增强孪生网络进行匹配时依据的图像特征,可进一步提升孪生网络进行匹配的精确度。
可选地,在所述将待获取骨龄用户的第一部位X光图像输入孪生网络中的一个子网络,并将多个标注了骨龄的与待获取骨龄用户相同性别的样本用户的第一部位X光图像输入孪生网络中的另一个子网络之前,该方法还包括:
构建训练数据集,所述训练数据集包括多个正样本数据和多个负样本数据,所述正样本数据包括标注了骨龄的第一性别的样本用户的第一部位X光图像,所述负样本数据包括标注了骨龄的第二性别的样本用户的第一部位X光图像、标注了骨龄的第一性别的样本用户的其他部位X光图像、标注了骨龄的第二性别的样本用户的其他部位X光图像中的至少一种;
根据所述训练数据集训练网络模型,得到孪生网络。
采用此可选方式,可建立有效的孪生网络,建立的孪生网络可对分别输入的待获取骨龄用户的第一部位X光图像与各标注了骨龄的与待获取骨龄用户相同性别的样本用户的第一部位X光图像进行快速精确的匹配。
本发明第二方面提供了一种执行本发明第一方面提供的骨龄获取方法的服务器,包括:
匹配度获取模块,用于将待获取骨龄用户的第一部位X光图像输入孪生网络中的一个子网络,并将多个标注了骨龄的与待获取骨龄用户相同性别的样本用户的第一部位X光图像输入孪生网络中的另一个子网络,得到待获取骨龄用户的第一部位X光图像与各样本用户的第一部位X光图像的匹配度;
骨龄获取模块,将匹配度最高的样本用户的第一部位X光图像所标注的骨龄作为待获取骨龄用户的骨龄。
本发明第三方面提供了一种骨龄获取系统,其特征在于,包括本发明第二方面提供的服务器和至少一个终端设备;
所述终端设备,用于将待获取骨龄用户的第一部位X光图像发送至所述服务器,还用于接收服务器返回的待获取骨龄用户的骨龄并输出,以使得用户可便捷地得知自身的骨龄。
本发明第四方面提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现本发明第一方面提供的骨龄获取方法。
本发明第五方面提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明第一方面提供的骨龄获取方法。
本发明的有益效果如下:
本发明所述技术方案将待获取骨龄用户的第一部位X光图像与多个标注了骨龄的与待获取骨龄用户相同性别的样本用户的第一部位X光图像分别输入孪生网络进行匹配,利用孪生网络输出待获取骨龄用户的第一部位X光图像与各样本用户的第一部位X光图像的匹配度,最后将匹配度最高的样本用户的第一部位X光图像所标注的骨龄作为待获取骨龄用户的骨龄,可客观、快速、精确的获取用户的骨龄,且可实现远程的骨龄获取,提升了便捷性。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明;
图1示出本发明实施例提供的骨龄获取方法的流程图。
图2示出孪生网络的网络结构示意图。
图3示出本发明实施例提供的骨龄获取系统的示意图。
图4示出本发明实施例提供的骨龄获取系统中的服务器的结构示意图。
具体实施方式
为了更清楚地说明本发明,下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解,下面所具体描述的内容是说明性的而非限制性的,不应以此限制本发明的保护范围。
如图1所示,本发明的一个实施例提供了一种骨龄获取方法,包括:
将待获取骨龄用户的第一部位X光图像输入孪生网络中的一个子网络,并将多个标注了骨龄的与待获取骨龄用户相同性别的样本用户的第一部位X光图像输入孪生网络中的另一个子网络,得到待获取骨龄用户的第一部位X光图像与各样本用户的第一部位X光图像的匹配度;
将匹配度最高的样本用户的第一部位X光图像所标注的骨龄作为待获取骨龄用户的骨龄。
其中,孪生网络中的两个子网络分别用于提取输入其的X光图像的特征,孪生网络还包括与两个子网络连接的一连接网络,该连接网络可以按照一定的计算策略计算两个子网络输出的X光图像特征的匹配度并作为分别输入两个子网络分的X光图像的匹配度输出,在待获取骨龄用户的第一部位X光图像输入孪生网络中的一个子网络且一标注了骨龄的与待获取骨龄用户相同性别的样本用户的第一部位X光图像输入孪生网络中的另一个子网络时,孪生网络中的两个子网络会分别提取输入的X光图像的特征,孪生网络中的连接网络计算得到分别输入两个子网络分的X光图像的匹配度后输出。
在一个具体示例中,第一部位为手掌,进一步,第一部位为左手手掌,即第一部位X光图像为左手手掌X光图像。
在一个具体示例中,多个标注了骨龄的与待获取骨龄用户相同性别的样本用户的第一部位X光图像由数据库中获取,该数据库中存储有多个标注了不同骨龄的男性样本用户的第一部位X光图像及多个标注了不同骨龄的女性样本用户的第一部位X光图像,即数据库中存储的样本用户的第一部位X光图像既标注了骨龄也标注了性别。
本实施例提供的骨龄获取方法,将待获取骨龄用户的第一部位X光图像与多个标注了骨龄的与待获取骨龄用户相同性别的样本用户的第一部位X光图像分别输入孪生网络进行匹配,利用孪生网络输出待获取骨龄用户的第一部位X光图像与各样本用户的第一部位X光图像的匹配度,最后将匹配度最高的样本用户的第一部位X光图像所标注的骨龄作为待获取骨龄用户的骨龄,可客观、快速、精确的获取用户的骨龄,且可实现远程的骨龄获取,提升了便捷性。获取的骨龄可用于内分泌紊乱、生长发育延迟等症状的筛查,也可用于评价治疗疾病时激素使用的干预效果等方面。
在本实施例的一些可选的实现方式中,在所述将待获取骨龄用户的第一部位X光图像输入孪生网络中的一个子网络,并将多个标注了骨龄的与待获取骨龄用户相同性别的样本用户的第一部位X光图像输入孪生网络中的另一个子网络之前,该方法还包括:
分别对所述待获取骨龄用户的第一部位X光图像和所述多个样本用户的第一部位X光图像进行预处理,所述预处理包括统一各第一部位X光图像的分辨率。
采用此实现方式,可通过对待获取骨龄用户的第一部位X光图像与多个标注了骨龄的与待获取骨龄用户相同性别的样本用户的第一部位X光图像的统一化预处理,保证孪生网络进行匹配的精确度,或者说保证孪生网络输出的匹配度的精确性。
在本实施例的一些可选的实现方式中,所述统一各第一部位X光图像的分辨率进一步包括:
分别对各第一部位X光图像依次进行基于高斯金字塔算法的下采样和双线性插值,以统一各第一部位X光图像的分辨率。
在一个具体示例中,
本实现方式将各第一部位X光图像的分辨率统一为300*300;
对一第一部位X光图像依次进行基于高斯金字塔算法的下采样和双线性插值进一步包括:
对第一部位X光图像依次进行基于高斯金字塔算法的下采样:从金字塔的第i层与高斯内核函数进行卷积后,去除偶数行和偶数列获得第i+1层图像,这样图像的分辨率是原图像的1/4:若原图像(第0层)的分辨率是R,则经过k次下采样,第k层的图像的分辨率为使得Rk≤300*300;
之后进行双线性插值使得图像的分辨率为300*300:双线性插值中对于一待求像素点而言,利用该待求像素点四个临近像素点在水平和垂直两个方向上的灰度变化来做先行插值。令(x,y)表示将要赋以灰度值的位置坐标,并令v(x,y)表示其灰度值,那么待求像素点的灰度值为v(x,y)=ax+by+cxy+d,其中a,b,c,d分别为待求像素点的四个临近像素点的灰度值。
采用此实现方式,可精确高效地实现对待获取骨龄用户的第一部位X光图像与多个标注了骨龄的与待获取骨龄用户相同性别的样本用户的第一部位X光图像的分辨率统一,不会造成孪生网络进行匹配时依据的图像特征的丢失或改变,可保证孪生网络进行匹配的精确度。
在本实施例的一些可选的实现方式中,所述预处理还包括对各第一部位X光图像进行降噪。
采用此实现方式,可进一步提升孪生网络进行匹配的精确度。
在一个具体示例中,根据X光图像的特点,对各第一部位X光图像进行降噪进一步包括:利用中值滤波器对分辨率统一的各第一部位X光图像进行降噪。
在本实施例的一些可选的实现方式中,所述预处理还包括对各第一部位X光图像进行灰度分布均衡。
采用此实现方式,可突出X光图像中的骨骼结构和细节,增强孪生网络进行匹配时依据的图像特征,可进一步提升孪生网络进行匹配的精确度。
在一个具体示例中,所述对各第一部位X光图像进行灰度分布均衡进一步包括:基于直方图均衡化算法对降噪后的各第一部位X光图像进行灰度分布均衡,或者说均衡各第一部位X光图像的像素的灰度分布,其中,基于直方图均衡化算法适用于前景和背景太亮或太暗的图像,可保证对于X光图像中的骨骼结构和细节的突出的效果。具体实现过程如下:接续各第一部位X光图像的分辨率统一为300*300的示例,首先计算图像的灰度级vk出现的概率计算得到图像的灰度级vk出现的概率Pv(vk)后,再利用图像灰度变换函数完成vk向sk的映射,使得图像的像素点集被均匀拉伸至0~255的像素值范围内。本示例中,预处理包括依次执行的统一各第一部位X光图像的分辨率、对各第一部位X光图像进行降噪及对各第一部位X光图像进行灰度分布均衡。
在本实施例的一些可选的实现方式中,在所述将待获取骨龄用户的第一部位X光图像输入孪生网络中的一个子网络,并将多个标注了骨龄的与待获取骨龄用户相同性别的样本用户的第一部位X光图像输入孪生网络中的另一个子网络之前,该方法还包括:
构建训练数据集,所述训练数据集包括多个正样本数据和多个负样本数据,所述正样本数据包括标注了骨龄的第一性别的样本用户的第一部位X光图像,所述负样本数据包括标注了骨龄的第二性别的样本用户的第一部位X光图像、标注了骨龄的第一性别的样本用户的其他部位X光图像、标注了骨龄的第二性别的样本用户的其他部位X光图像中的至少一种,其中,第一性别和第二性别分别为男性、女性中的一个和另一个;
根据所述训练数据集训练网络模型,得到孪生网络,其中,基于上述由多元化数据构建的训练数据集所训练得到的孪生网络,具有较高的泛化能力。
采用此实现方式,可建立有效的孪生网络,建立的孪生网络可对分别输入的待获取骨龄用户的第一部位X光图像与各标注了骨龄的与待获取骨龄用户相同性别的样本用户的第一部位X光图像进行快速精确的匹配。
在一个具体示例中,多个标注了骨龄的与待获取骨龄用户相同性别的样本用户的第一部位X光图像与训练数据集可从同一数据库中获取,该数据库中存储有多个标注了不同骨龄的男性样本用户的第一部位X光图像及多个标注了不同骨龄的女性样本用户的第一部位X光图像,还可存储有多个标注了不同骨龄的男性样本用户的其他部位X光图像及多个标注了不同骨龄的女性样本用户的其他部位X光图像,其中,其他部位是相对于第一部位而言,例如若第一部位是左手手掌,那么其他部位可以是肩部、膝部等。
在一个具体示例中,训练数据集中的负样本数据与正样本数据的数量比为3:1。
在一个具体示例中,如图2所示,孪生网络中的两个子网络均为卷积神经网络CNN,由于采用孪生网络架构,两个卷积神经网络可以进行参数共享,因此在训练网络模型时可以同时训练两个卷积神经网络而不需要增加参数量。
如图3所示,本发明的另一个实施例提供了一种骨龄获取系统,包括服务器200和终端设备100;服务器包括传输模块201、匹配度获取模块202、和骨龄获取模块203;
终端设备100,用于获取待获取骨龄用户的第一部位X光图像并发送至服务器200,其中,终端设备100可响应于用户的输入而获取待获取骨龄用户的第一部位X光图像;
传输模块201,用于接收待获取骨龄用户的第一部位X光图像并传递至匹配度获取模块202;
匹配度获取模块202,用于将待获取骨龄用户的第一部位X光图像输入孪生网络中的一个子网络,并将多个标注了骨龄的与待获取骨龄用户相同性别的样本用户的第一部位X光图像输入孪生网络中的另一个子网络,得到待获取骨龄用户的第一部位X光图像与各样本用户的第一部位X光图像的匹配度;
骨龄获取模块203,将匹配度最高的样本用户的第一部位X光图像所标注的骨龄作为待获取骨龄用户的骨龄并通过传输模块201将待获取骨龄用户的骨龄发送至终端设备100;
终端设备100,还用于接收服务器返回的待获取骨龄用户的骨龄并输出,其中,终端设备100可通过其显示装置向用户呈现其接收的用户左脚表征的康复状态等级和/或用户右脚表征的康复状态等级,也可通过其语音播放装置向用户播放其接收的用户左脚表征的康复状态等级和/或用户右脚表征的康复状态等级。
其中,终端设备100可以是各种电子设备,包括但不限于个人电脑、智能手机、智能手表、平板电脑、个人数字助理等等。终端设备100与服务器200的传输模块201通过网络进行通信,该网络可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。可理解的是,服务器200可与多个终端设备100交互,多个用户可通过各自持有的终端设备100对各自的骨龄分别进行获取。
在本实施例的一些可选的实现方式中,服务器200还包括预处理模块204;
预处理模块204,用于分别对所述待获取骨龄用户的第一部位X光图像和所述多个样本用户的第一部位X光图像进行预处理,包括统一各第一部位X光图像的分辨率。
在本实施例的一些可选的实现方式中,所述预处理模块204进一步用于分别对各第一部位X光图像依次进行基于高斯金字塔算法的下采样和双线性插值,以统一各第一部位X光图像的分辨率。
在本实施例的一些可选的实现方式中,所述预处理模块204还用于对各第一部位X光图像进行降噪。
在本实施例的一些可选的实现方式中,所述预处理模块204还用于对各第一部位X光图像进行灰度分布均衡。
在本实施例的一些可选的实现方式中,服务器200还用于:
构建训练数据集,所述训练数据集包括多个正样本数据和多个负样本数据,所述正样本数据包括标注了骨龄的第一性别的样本用户的第一部位X光图像,所述负样本数据包括标注了骨龄的第二性别的样本用户的第一部位X光图像、标注了骨龄的第一性别的样本用户的其他部位X光图像、标注了骨龄的第二性别的样本用户的其他部位X光图像中的至少一种;
根据所述训练数据集训练网络模型,得到孪生网络。
需要说明的是,本实施例提供的骨龄获取系统的原理及工作流程与上述骨龄获取方法相似,相关之处可以参照上述说明,在此不再赘述。
如图4所示,适于用来实现本实施例提供的服务器200的计算机系统,包括中央处理模块(CPU),其可以根据存储在只读存储器(ROM)中的程序或者从存储部分加载到随机访问存储器(RAM)中的程序而执行各种适当的动作和处理。在RAM中,还存储有计算机系统操作所需的各种程序和数据。CPU、ROM以及RAM通过总线被此相连。输入/输入(I/O)接口也连接至总线。
以下部件连接至I/O接口:包括键盘、鼠标等的输入部分;包括诸如液晶显示器(LCD)等以及扬声器等的输出部分;包括硬盘等的存储部分;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至I/O接口。可拆卸介质,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器上,以便于从其上读出的计算机程序根据需要被安装入存储部分。
特别地,根据本实施例,上文流程图描述的过程可以被实现为计算机软件程序。例如,本实施例包括一种计算机程序产品,其包括有形地包含在计算机可读介质上的计算机程序,上述计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分从网络上被下载和安装,和/或从可拆卸介质被安装。
附图中的流程图和示意图,图示了本实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或示意图中的每个方框可以代表一个模块、程序段或代码的一部分,上述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,示意图和/或流程图中的每个方框、以及示意和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器,包括预处理模块204、匹配度获取模块202和骨龄获取模块203。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定。例如,匹配度获取模块还可以被描述为相似度获取模块。
作为另一方面,本实施例还提供了一种非易失性计算机存储介质,该非易失性计算机存储介质可以是上述实施例中上述装置中所包含的非易失性计算机存储介质,也可以是单独存在,未装配入终端中的非易失性计算机存储介质。上述非易失性计算机存储介质存储有一个或者多个程序,当上述一个或者多个程序被一个设备执行时,使得上述设备:将待获取骨龄用户的第一部位X光图像输入孪生网络中的一个子网络,并将多个标注了骨龄的与待获取骨龄用户相同性别的样本用户的第一部位X光图像输入孪生网络中的另一个子网络,得到待获取骨龄用户的第一部位X光图像与各样本用户的第一部位X光图像的匹配度;将匹配度最高的样本用户的第一部位X光图像所标注的骨龄作为待获取骨龄用户的骨龄。
需要说明的是,在本发明的描述中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定,对于本领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (10)
1.一种骨龄获取方法,其特征在于,包括:
将待获取骨龄用户的第一部位X光图像输入孪生网络中的一个子网络,并将多个标注了骨龄的与待获取骨龄用户相同性别的样本用户的第一部位X光图像输入孪生网络中的另一个子网络,得到待获取骨龄用户的第一部位X光图像与各样本用户的第一部位X光图像的匹配度;
将匹配度最高的样本用户的第一部位X光图像所标注的骨龄作为待获取骨龄用户的骨龄。
2.根据权利要求1所述的方法,其特征在于,在所述将待获取骨龄用户的第一部位X光图像输入孪生网络中的一个子网络,并将多个标注了骨龄的与待获取骨龄用户相同性别的样本用户的第一部位X光图像输入孪生网络中的另一个子网络之前,该方法还包括:
分别对所述待获取骨龄用户的第一部位X光图像和所述多个样本用户的第一部位X光图像进行预处理,所述预处理包括统一各第一部位X光图像的分辨率。
3.根据权利要求2所述的方法,其特征在于,所述统一各第一部位X光图像的分辨率进一步包括:
分别对各第一部位X光图像依次进行基于高斯金字塔算法的下采样和双线性插值,以统一各第一部位X光图像的分辨率。
4.根据权利要求2所述的方法,其特征在于,所述预处理还包括对各第一部位X光图像进行降噪。
5.根据权利要求2所述的方法,其特征在于,所述预处理还包括对各第一部位X光图像进行灰度分布均衡。
6.根据权利要求1所述的方法,其特征在于,在所述将待获取骨龄用户的第一部位X光图像输入孪生网络中的一个子网络,并将多个标注了骨龄的与待获取骨龄用户相同性别的样本用户的第一部位X光图像输入孪生网络中的另一个子网络之前,该方法还包括:
构建训练数据集,所述训练数据集包括多个正样本数据和多个负样本数据,所述正样本数据包括标注了骨龄的第一性别的样本用户的第一部位X光图像,所述负样本数据包括标注了骨龄的第二性别的样本用户的第一部位X光图像、标注了骨龄的第一性别的样本用户的其他部位X光图像、标注了骨龄的第二性别的样本用户的其他部位X光图像中的至少一种;
根据所述训练数据集训练网络模型,得到孪生网络。
7.一种执行如权利要求1-6中任一项所述方法的服务器,其特征在于,包括:
匹配度获取模块,用于将待获取骨龄用户的第一部位X光图像输入孪生网络中的一个子网络,并将多个标注了骨龄的与待获取骨龄用户相同性别的样本用户的第一部位X光图像输入孪生网络中的另一个子网络,得到待获取骨龄用户的第一部位X光图像与各样本用户的第一部位X光图像的匹配度;
骨龄获取模块,将匹配度最高的样本用户的第一部位X光图像所标注的骨龄作为待获取骨龄用户的骨龄。
8.一种骨龄获取系统,其特征在于,包括如权利要求7所述的服务器和至少一个终端设备;
所述终端设备,用于将待获取骨龄用户的第一部位X光图像发送至所述服务器,还用于接收服务器返回的待获取骨龄用户的骨龄并输出。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-6中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910886856.6A CN110648320A (zh) | 2019-09-19 | 2019-09-19 | 骨龄获取方法及系统、服务器、计算机设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910886856.6A CN110648320A (zh) | 2019-09-19 | 2019-09-19 | 骨龄获取方法及系统、服务器、计算机设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110648320A true CN110648320A (zh) | 2020-01-03 |
Family
ID=68992017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910886856.6A Pending CN110648320A (zh) | 2019-09-19 | 2019-09-19 | 骨龄获取方法及系统、服务器、计算机设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110648320A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113655348A (zh) * | 2021-07-28 | 2021-11-16 | 国网湖南省电力有限公司 | 一种基于深度孪生网络的电力设备局部放电故障诊断方法、系统终端及可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050196031A1 (en) * | 2004-03-03 | 2005-09-08 | Chi-Wen Hsieh | Method of automatically assessing skeletal age of hand radiographs |
CN108446612A (zh) * | 2018-03-07 | 2018-08-24 | 腾讯科技(深圳)有限公司 | 车辆识别方法、装置及存储介质 |
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 |
CN109508655A (zh) * | 2018-10-28 | 2019-03-22 | 北京化工大学 | 基于孪生网络的不完备训练集的sar目标识别方法 |
CN109948522A (zh) * | 2019-03-18 | 2019-06-28 | 浙江工业大学 | 一种基于深度神经网络的x光片手骨成熟度判读方法 |
CN110136101A (zh) * | 2019-04-17 | 2019-08-16 | 杭州数据点金科技有限公司 | 一种基于孪生距离比对的轮胎x光病疵检测方法 |
CN110147745A (zh) * | 2019-05-09 | 2019-08-20 | 深圳市腾讯计算机系统有限公司 | 一种视频关键帧检测方法及装置 |
-
2019
- 2019-09-19 CN CN201910886856.6A patent/CN110648320A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050196031A1 (en) * | 2004-03-03 | 2005-09-08 | Chi-Wen Hsieh | Method of automatically assessing skeletal age of hand radiographs |
CN108446612A (zh) * | 2018-03-07 | 2018-08-24 | 腾讯科技(深圳)有限公司 | 车辆识别方法、装置及存储介质 |
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 |
CN109508655A (zh) * | 2018-10-28 | 2019-03-22 | 北京化工大学 | 基于孪生网络的不完备训练集的sar目标识别方法 |
CN109948522A (zh) * | 2019-03-18 | 2019-06-28 | 浙江工业大学 | 一种基于深度神经网络的x光片手骨成熟度判读方法 |
CN110136101A (zh) * | 2019-04-17 | 2019-08-16 | 杭州数据点金科技有限公司 | 一种基于孪生距离比对的轮胎x光病疵检测方法 |
CN110147745A (zh) * | 2019-05-09 | 2019-08-20 | 深圳市腾讯计算机系统有限公司 | 一种视频关键帧检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
L. BOCCHI等: "An artificial neural network architecture for skeletal age assessment", 《PROCEEDINGS 2003 INTERNATIONAL CONFERENCE ON IMAGE PROCESSING》 * |
赵景晨: "基于超像素和孪生卷积神经网络的无监督高分辨率多光谱遥感影像变化检测技术", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113655348A (zh) * | 2021-07-28 | 2021-11-16 | 国网湖南省电力有限公司 | 一种基于深度孪生网络的电力设备局部放电故障诊断方法、系统终端及可读存储介质 |
CN113655348B (zh) * | 2021-07-28 | 2023-12-08 | 国网湖南省电力有限公司 | 一种基于深度孪生网络的电力设备局部放电故障诊断方法、系统终端及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110807495B (zh) | 多标签分类方法、装置、电子设备及存储介质 | |
US20190139191A1 (en) | Image processing methods and image processing devices | |
CN110570426B (zh) | 使用深度学习的图像联合配准和分割 | |
CN108197592B (zh) | 信息获取方法和装置 | |
CN111950638A (zh) | 基于模型蒸馏的图像分类方法、装置和电子设备 | |
Rahaman et al. | An efficient multilevel thresholding based satellite image segmentation approach using a new adaptive cuckoo search algorithm | |
Li | Deep learning for image denoising | |
CN111127387B (zh) | 无参考图像的质量的评价方法 | |
CN113688862B (zh) | 一种基于半监督联邦学习的脑影像分类方法及终端设备 | |
Kwasniewska et al. | Super-resolved thermal imagery for high-accuracy facial areas detection and analysis | |
CN112419326B (zh) | 图像分割数据处理方法、装置、设备及存储介质 | |
CN115082968B (zh) | 基于红外光和可见光融合的行为识别方法及终端设备 | |
CN111666890A (zh) | 脊柱变形人群识别方法、装置、计算机设备及存储介质 | |
Li et al. | Single image dehazing with an independent detail-recovery network | |
Jenifa et al. | Classification of cotton leaf disease using multi-support vector machine | |
CN109961435B (zh) | 脑图像获取方法、装置、设备及存储介质 | |
CN114240779A (zh) | 一种点云去噪方法、装置、设备及存储介质 | |
CN112489062B (zh) | 基于边界及邻域引导的医学图像分割方法及系统 | |
CN110648320A (zh) | 骨龄获取方法及系统、服务器、计算机设备及介质 | |
CN112348808A (zh) | 屏幕透图检测方法及装置 | |
CN111814804A (zh) | 基于ga-bp-mc神经网络的人体三维尺寸信息预测方法及装置 | |
Becerikli et al. | Alternative neural network based edge detection | |
CN115393241A (zh) | 医学图像增强方法、装置、电子设备及可读存储介质 | |
CN115601281A (zh) | 基于深度学习的遥感图像时空融合方法、系统及电子设备 | |
Zhu et al. | A random-valued impulse noise removal algorithm via just noticeable difference threshold detector and weighted variation method |
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 |