CN110853003A - 手部骨骺发育等级确定方法及相关设备 - Google Patents
手部骨骺发育等级确定方法及相关设备 Download PDFInfo
- Publication number
- CN110853003A CN110853003A CN201911055720.7A CN201911055720A CN110853003A CN 110853003 A CN110853003 A CN 110853003A CN 201911055720 A CN201911055720 A CN 201911055720A CN 110853003 A CN110853003 A CN 110853003A
- Authority
- CN
- China
- Prior art keywords
- hand
- epiphyseal
- point
- development level
- probability
- 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.)
- Granted
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/50—Clinical applications
- A61B6/505—Clinical applications involving diagnosis of bone
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- 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
Abstract
本发明公开了一种手部骨骺发育等级确定方法及相关设备,可以获得第一手部骨骼图像的特征图;将所述特征图输入预设的手部骨骺发育等级确定模型中,获得所述手部骨骺发育等级确定模型输出的手部骨骺点的位置概率图和手部骨骺点的发育等级概率图;根据手部骨骺点的所述位置概率图和手部骨骺点的所述发育等级概率图确定手部骨骺点的发育等级。本发明通过手部骨骺发育等级确定模型确定手部骨骼图像中各位置是骨骺点位置的概率和确定各位置的发育等级的概率,从而确定手部骨骼图像中各手部骨骺点的发育等级的技术手段,克服了现有骨龄预测方法可信度低的技术问题,进而达到了科学确定骨龄的技术效果。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种手部骨骺发育等级确定方法及相关设备。
背景技术
如今,用户通过计算客户的骨龄,可以确定该客户的生物学年龄。骨龄在很多领域有应用价值。例如:结合客户的骨龄可以对该客户进行身高预测。同时,骨龄在运动员选拔及司法判定等方面也具有重要的参考价值。
现有技术可以通过简单的回归分析方法预测手部骨骼图像中的骨龄。然而,回归分析方法仅是利用机器学习的数据拟合能力对手部骨骼图像进行骨龄预测,在实际的使用中获得的骨龄预测结果可信度较低。
发明内容
鉴于上述问题,本发明提供一种克服上述问题或者至少部分地解决上述问题的一种手部骨骺发育等级确定方法及相关设备,技术方案如下:
一种手部骨骺发育等级确定方法,包括:
获得第一手部骨骼图像的特征图;
将所述特征图输入预设的手部骨骺发育等级确定模型中,获得所述手部骨骺发育等级确定模型输出的手部骨骺点的位置概率图和手部骨骺点的发育等级概率图;
根据手部骨骺点的所述位置概率图和手部骨骺点的所述发育等级概率图确定手部骨骺点的发育等级。
可选的,所述将所述特征图输入预设的手部骨骺发育等级确定模型中,获得所述手部骨骺发育等级确定模型输出的手部骨骺点的位置概率图和手部骨骺点的发育等级概率图,包括:
将所述特征图输入预设的手部骨骺发育等级确定模型中,以使所述预设的手部骨骺发育等级确定模型将所述特征图按照预设的第一卷积参数进行卷积,获得第一数量的手部骨骺点的位置概率图,以及使所述预设的手部骨骺发育等级确定模型将所述特征图按照预设的第二卷积参数进行卷积,获得第二数量的手部骨骺点的发育等级概率图。
可选的,所述第一数量的手部骨骺点的位置概率图中每个手部骨骺点的位置概率图均与一个手部骨骺点对应,且各手部骨骺点的位置概率图对应的手部骨骺点不同,任一所述手部骨骺点的发育等级概率图均与一个信息组合对应,且各所述手部骨骺点的发育等级概率图对应的信息组合不同,所述信息组合由一个手部骨骺点和一个发育等级组成。
可选的,所述根据手部骨骺点的所述位置概率图和手部骨骺点的所述发育等级概率图确定手部骨骺点的发育等级,包括:
对任一手部骨骺点:将该手部骨骺点的位置概率图分别与该手部骨骺点对应的各发育等级概率图相乘,获得第三数量的该手部骨骺点的发育等级概率结果,其中,所述第三数量为所述第二数量除以所述第一数量后得到的商;
将所述第三数量的所述发育等级概率结果中概率最大的发育等级,确定为该手部骨骺点的发育等级。
可选的,所述第一数量为13,所述第一卷积参数包括:卷积核尺寸为3×3和输出通道数量为13;
所述第二数量为117,所述第三数量为9,所述第二卷积参数包括:卷积核尺寸为3×3和输出通道数量为117。
可选的,在所述根据手部骨骺点的所述位置概率图和手部骨骺点的所述发育等级概率图确定手部骨骺点的发育等级之后,所述方法还包括:
根据确定的各手部骨骺点的发育等级,确定骨龄。
可选的,所述获得第一手部骨骼图像的特征图,包括:
获得第一手部骨骼图像在多个不同尺度下的初始图;
将所述多个不同尺度下的初始图进行融合,获得特征图。
可选的,所述将所述多个不同尺度下的初始图进行融合,获得特征图,包括:
将所述多个不同尺度下的初始图按照第一上采样参数进行上采样,获得第四数量的矩阵图,其中所述第四数量的矩阵图的尺度相同;
对所述第四数量的矩阵图进行元素求和,获得元素图;
将所述元素图按照第二上采样参数进行上采样,获得特征图。
一种手部骨骺发育等级确定装置,包括:特征图获得单元、概率图获得单元和发育等级确定单元,
所述特征图获得单元,用于获得第一手部骨骼图像的特征图;;
所述概率图获得单元,用于将所述特征图输入预设的手部骨骺发育等级确定模型中,获得所述手部骨骺发育等级确定模型输出的手部骨骺点的位置概率图和手部骨骺点的发育等级概率图;
所述发育等级确定单元,用于根据手部骨骺点的所述位置概率图和手部骨骺点的所述发育等级概率图确定手部骨骺点的发育等级。
可选的,所述概率图获得单元具体用于将所述特征图输入预设的手部骨骺发育等级确定模型中,以使所述预设的手部骨骺发育等级确定模型将所述特征图按照预设的第一卷积参数进行卷积,获得第一数量的手部骨骺点的位置概率图,以及使所述预设的手部骨骺发育等级确定模型将所述特征图按照预设的第二卷积参数进行卷积,获得第二数量的手部骨骺点的发育等级概率图。
可选的,所述第一数量的手部骨骺点的位置概率图中每个手部骨骺点的位置概率图均与一个手部骨骺点对应,且各手部骨骺点的位置概率图对应的手部骨骺点不同,任一所述手部骨骺点的发育等级概率图均与一个信息组合对应,且各所述手部骨骺点的发育等级概率图对应的信息组合不同,所述信息组合由一个手部骨骺点和一个发育等级组成。
可选的,所述发育等级确定单元包括:发育等级概率结果获得子单元和发育等级确定子单元,
所述发育等级概率结果获得子单元,用于对任一手部骨骺点:将该手部骨骺点的位置概率图分别与该手部骨骺点对应的各发育等级概率图相乘,获得第三数量的该手部骨骺点的发育等级概率结果,其中,所述第三数量为所述第二数量除以所述第一数量后得到的商。
所述发育等级确定子单元,用于将所述第三数量的所述发育等级概率结果中概率最大的发育等级,确定为该手部骨骺点的发育等级。
可选的,所述装置还包括:骨龄确定单元,
所述骨龄确定单元,用于根据确定的各手部骨骺点的发育等级,确定骨龄。
一种存储介质,所述存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现如上述任一项所述的手部骨骺发育等级确定方法。
一种计算机设备,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序,所述处理器执行程序时至少实现如上述任一项所述的手部骨骺发育等级确定方法。
一种手部骨骺发育等级确定设备,包括:手部骨骼图像接收设备、处理器、存储器、通信总线和输出设备,所述存储器上存储有可在所述处理器上运行的程序,
所述处理器通过所述通信总线分别与所述手部骨骼图像接收设备、所述存储器和所述输出设备通信连接;
所述手部骨骼图像接收设备接收第一手部骨骼图像;
所述处理器执行程序时至少实现如上述任一项所述的手部骨骺发育等级确定方法;
所述输出设备获得所述处理器确定的手部骨骺点的发育等级并输出。
借由上述技术方案,本发明提供的一种手部骨骺发育等级确定方法及相关设备,可以获得第一手部骨骼图像的特征图;将所述特征图输入预设的手部骨骺发育等级确定模型中,获得所述手部骨骺发育等级确定模型输出的手部骨骺点的位置概率图和手部骨骺点的发育等级概率图;根据手部骨骺点的所述位置概率图和手部骨骺点的所述发育等级概率图确定手部骨骺点的发育等级。本发明通过手部骨骺发育等级确定模型确定手部骨骼图像中各位置是骨骺点位置的概率和确定各位置的发育等级的概率,从而确定手部骨骼图像中各手部骨骺点的发育等级的技术手段,克服了现有骨龄预测方法可信度低的技术问题,进而达到了科学确定骨龄的技术效果。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的一种手部骨骺发育等级确定方法的流程示意图;
图2示出了本发明实施例提供的一种第一手部骨骼图像;
图3示出了本发明实施例提供的另一种手部骨骺发育等级确定方法的流程示意图;
图4示出了本发明实施例提供的另一种手部骨骺发育等级确定方法的流程示意图;
图5示出了本发明实施例提供的一种根据矩阵图获得元素图的说明示意图;
图6示出了本发明实施例提供的一种手部骨骺发育等级确定模型获得方法的流程示意图;
图7示出了本发明实施例提供的另一种手部骨骺发育等级确定方法的流程示意图;
图8示出了本发明实施例提供的一种手部骨骺点的位置概率图;
图9示出了本发明实施例提供的一种手部骨骺点的发育等级概率图;
图10示出了本发明实施例提供的另一种手部骨骺发育等级确定方法的流程示意图;
图11示出了本发明实施例提供的一种手部骨骺点的发育等级概率结果的示意图;
图12示出了本发明实施例提供的一种手部骨骺发育等级确定方法的流程示意图;
图13示出了本发明实施例提供的一种第二手部骨骼图像的示意图;
图14示出了本发明实施例提供的一种手部骨骺发育等级确定装置的结构示意图;
图15示出了本发明实施例提供的另一种手部骨骺发育等级确定装置的结构示意图;
图16示出了本发明实施例提供的一种手部骨骺发育等级确定设备的手部骨骼图像盛放盒伸出的示意图;
图17示出了本发明实施例提供的一种手部骨骺发育等级确定设备的手部骨骼图像盛放盒收回的示意图;
图18示出了本发明实施例提供的一种手部骨骺发育等级确定设备的处理器、存储器和通信总线的连接示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示,本发明实施例提供的一种手部骨骺发育等级确定方法,可以包括:
S100、获得第一手部骨骼图像的特征图。
具体的,如图2所示,第一手部骨骼图像可以是通过X光穿透照射获得的手部骨骼图像。尺度可以为图像在某一分辨率下的图像尺寸。第一手部骨骼图像的尺度可以为X光机输出的X光图像的尺度。例如,X光机输出的第一手部骨骼图像的尺度所对应的分辨率可以为512×512。可选的,第一手部骨骼图像可以是左手的骨骼图像。第一手部骨骼图像中可以显示包括桡骨、尺骨、拇指远端指骨、拇指近端指骨、拇指掌骨、中指远端指骨、中指中间指骨、中指近端指骨、中指掌骨、小指远端指骨、小指中间指骨、小指近端指骨和小指掌骨在内的部分或全部骨骺。
可选的,如图3所示,本发明实施例提供的另一种手部骨骺发育等级确定方法,步骤S100可以包括:
S110、获得第一手部骨骼图像在多个不同尺度下的初始图。
本发明实施例可以通过特征提取网络,获得第一手部骨骼图像的初始图。特征提取网络可以包括Resnext-50、Resnext-101、Resnext-152和Densenet在内的卷积神经网络。例如,通过Resnext-50,本发明实施例可以获得尺度分别为第一手部骨骼图像的尺度的1/32、1/16、1/8和1/4的初始图。本发明实施例可以获得第一手部骨骼图像在不同尺度下的同一特征点的图像特征。例如,本发明实施例可以在尺度分别为第一手部骨骼图像的尺度的1/32、1/16、1/8和1/4的初始图中,分别获得四个尺度下的初始图中的同一特征点的图像特征。可选的,本发明实施例可以通过补黑边的方式,使第一手部骨骼图像满足特征提取网络的要求,防止特征提取网络将不满足尺度要求的第一手部骨骼图像缩放变形,进而保证本发明实施例的技术方案的正确实施。
S120、将所述多个不同尺度下的初始图进行融合,获得特征图。
具体的,本发明实施例可以通过图像特征提取网络,对多个不同尺度下的初始图进行特征抽取后,将边缘、形状、轮廓、局部特征等信息进行综合处理后,获得特征图。图像特征提取网络可以包括:Unet、全卷积网络FCN(Fully Convolutional Networks)、Panoptic FPN(Panoptic Feature Pyramid Networks,全景特征金字塔网络)和SegNet等等网络。例如,基于上述通过Resnext-50,获得第一手部骨骼图像在四个尺度下的初始图的例子,本发明实施例可以通过Panoptic FPN,将尺度分别为第一手部骨骼图像的尺度的1/32、1/16、1/8和1/4的四个初始图融合成一个特征图。
基于图3所示的方法,如图4所示,本发明实施例提供的另一种手部骨骺发育等级确定方法,步骤S120可以包括:
S121、将所述多个不同尺度下的初始图按照第一上采样参数进行上采样,获得第四数量的矩阵图,其中所述第四数量的矩阵图的尺度相同。
具体的,本发明实施例可以将多个不同尺度下的初始图按照不同的第一上采样参数进行上采样,获得第四数量的矩阵图。其中,第四数量与初始图的数量有关。例如,当四个不同尺度下的初始图按照不同的第一上采样参数进行上采样后,获得四个矩阵图。
第一上采样参数可以根据初始图的尺度进行确定。为了便于理解,此处通过举例进行说明:本发明实施例若需要将尺度分别为第一手部骨骼图像的尺度的1/32、1/16、1/8和1/4的四个初始图按照不同的第一上采样参数进行上采样,则可以将尺度为第一手部骨骼图像的尺度的1/32的初始图可以按照第一上采样参数为3次卷积和2×双线性进行上采样,获得的矩阵图的尺度为第一手部骨骼图像的尺度的1/4,将尺度为第一手部骨骼图像的尺度的1/16的初始图可以按照第一上采样参数为2次卷积和2×双线性进行上采样,获得的矩阵图的尺度为第一手部骨骼图像的尺度的1/4,将尺度为第一手部骨骼图像的尺度的1/8的初始图可以按照第一上采样参数为1次卷积和2×双线性进行上采样,获得的矩阵图的尺度为第一手部骨骼图像的尺度的1/4,将尺度为第一手部骨骼图像的尺度的1/4的初始图可以按照第一上采样参数为0次卷积和2×双线性进行上采样,获得的矩阵图的尺度为第一手部骨骼图像的尺度的1/4,则获得四个矩阵图的尺度相同,获得的矩阵图均为第一手部骨骼图像的尺度的1/4。
S122、对所述第四数量的矩阵图进行元素求和,获得元素图。
具体的,元素求和可以是将第四数量的矩阵图中同一位置上的数字进行相加。本发明实施例可以将第四数量的矩阵图进行元素求和后的结果作为元素图。为了便于理解,此处结合图5进行举例说明:若第四数量的矩阵图分别为图5(a)和图5(b),则将图5(a)和图5(b)相同位置上的数字进行相加,则获得的元素图可以如图5(c)所示。需要注意的是,初始融合特征图的尺度与矩阵图的尺度相同。为了便于理解,图5所示矩阵图和元素图的尺度均为3×3,在实际过程中,元素图的尺度可以为第一手部骨骼图像的尺度的1/4。
S123、将所述元素图按照第二上采样参数进行上采样,获得特征图。
具体的,第二上采样参数可以根据第一手部骨骼图像的尺度和元素图的尺度确定。例如,当元素图的尺度为第一手部骨骼图像的尺度的1/4时,本发明实施例可以将元素图按照第二上采样参数为1次卷积和4×双线性进行上采样,获得与第一手部骨骼图像的尺度相同的特征图。
S200、将所述特征图输入预设的手部骨骺发育等级确定模型中,获得所述手部骨骺发育等级确定模型输出的手部骨骺点的位置概率图和手部骨骺点的发育等级概率图。
其中,预设的手部骨骺发育等级确定模型可以是卷积神经网络模型。预设的手部骨骺发育等级确定模型可以使用已标注手部骨骺点位置及该手部骨骺点发育等级的手部骨骼图像的特征图进行机器学习,从而学习到手部骨骺点的位置和手部骨骺点的发育等级的图像特征。下面提供一种手部骨骺发育等级确定模型获得方法,本发明实施例可以根据该方法获得预设的手部骨骺发育等级确定模型。
如图6所示,本发明实施例提供的一种手部骨骺发育等级确定模型获得方法,可以包括:
S010、获得至少一个手部骨骼训练图像在多个尺度下的训练初始图,其中,所述手部骨骼训练图像标注有手部骨骺点位置及该手部骨骺点发育等级;
S020、将所述多个尺度下的初始图进行融合,获得训练特征图;
S030、根据所述训练特征图进行机器学习,获得手部骨骺发育等级确定模型,所述手部骨骺发育等级确定模型的输入为:多个尺度下的初始图融合获得的训练特征图,所述手部骨骺发育等级确定模型的输出为:手部骨骺点的位置概率图和手部骨骺点的发育等级概率图。
具体的,手部骨骺发育等级确定模型对训练特征图进行机器学习,可以是对手部骨骼图像的训练特征图中标注手部骨骺点及该手部骨骺点发育等级的位置的图像特征进行机器学习,该图像特征可以包括图像几何特征和灰度值分布。在实际使用中,手部骨骺发育等级确定模型可以根据机器学习得到的手部骨骺点及该手部骨骺点发育等级的位置的图像特征,输出第一手部骨骼图像的特征图对应的各手部骨骺点的位置概率图和各手部骨骺点的发育等级概率图。
可选的,基于图1所示的方法,如图7所示,本发明实施例提供的另一种手部骨骺发育等级确定方法,步骤S200可以包括:
S210、将所述特征图输入预设的手部骨骺发育等级确定模型中,以使所述预设的手部骨骺发育等级确定模型将所述特征图按照预设的第一卷积参数进行卷积,获得第一数量的手部骨骺点的位置概率图,以及使所述预设的手部骨骺发育等级确定模型将所述特征图按照预设的第二卷积参数进行卷积,获得第二数量的手部骨骺点的发育等级概率图。
具体的,第一卷积参数可以包括卷积核尺寸和输出通道数量。第一数量与第一卷积参数中的输出通道数量相等。例如,第一卷积参数中的输出通道数量为5,则手部骨骺发育等级确定模型将特征图按照第一卷积参数进行卷积,获得手部骨骺点的位置概率图的第一数量为5。
在正常情况下,第一手部骨骼图像中可以显示出13个骨骺,因此,在本发明一可选的实施例中,所述第一数量可以为13,所述第一卷积参数可以包括:卷积核尺寸为3×3和输出通道数量为13。
其中,所述第一数量的手部骨骺点的位置概率图中每个手部骨骺点的位置概率图均与一个手部骨骺点对应,且各手部骨骺点的位置概率图对应的手部骨骺点不同。
具体的,第一数量的手部骨骺点的位置概率图中每个手部骨骺点的位置概率图仅为一个手部骨骺点在第一手部骨骼图像中各位置的概率预测,其中,该第一手部骨骼图像中各位置可以是第一手部骨骼图像中各像素点。因此,当第一数量为13时,13个手部骨骺点的位置概率图可以分别预测出13个手部骨骺点在第一手部骨骼图像中各位置的概率。例如,在第一手部骨骼图像中对应的某手部骨骺点的位置概率图可以如图8所示,其中,位置概率图中各位置上的概率为该位置是该手部骨骺点的位置的概率,在位置概率图中,各位置上的概率相加等于1。需要注意的是,为了便于理解,图8所示位置概率图的尺度为5×5,在实际使用中,手部骨骺点的位置概率图的尺度可以与第一手部骨骼图像的尺度相同。
可选的,在本发明实施例中使所述预设的手部骨骺发育等级确定模型将所述特征图按照预设的第一卷积参数进行卷积,获得第一数量的手部骨骺点的位置概率图的过程,可以包括:
使所述预设的手部骨骺发育等级确定模型将所述特征图按照预设的第一卷积参数进行卷积,获得第一数量的手部骨骺点的位置信息图;
对所述第一数量的手部骨骺点的位置信息图进行归一化处理,获得第一数量的手部骨骺点的位置信息图。
可选的,本发明实施例中可以通过softmax函数,对所述第一数量的手部骨骺点的位置信息图进行归一化处理,获得第一数量的手部骨骺点的位置信息图。
在本发明实施例中第二卷积参数可以包括卷积核尺寸和输出通道数量。第二数量与第二卷积参数中的输出通道数量相等。例如,第二卷积参数中的输出通道数量为8,则手部骨骺发育等级确定模型将特征图按照第二卷积参数进行卷积,获得手部骨骺点的发育等级概率图的第二数量为8。
在正常情况下,第一手部骨骼图像中可以显示出13个骨骺。在本发明实施例中,对骨骺的发育等级的评价可以采用TW3-RUS骨龄评价标准中对骨骺的发育等级的评价。TW3-RUS骨龄评价标准中每块骨骺可以分成A~I九个发育等级。因此,在本发明一可选的实施例中,所述第二数量为117,所述第二卷积参数可以包括:卷积核尺寸为3×3和输出通道数量为117。可以理解的是,第二数量可以等于骨骺发育等级的数量乘以第一手部骨骼图像中骨骺数量的积。假设根据其他骨龄评价标准,每块骨骺可以分成五个等级,则第二数量可以为65。
其中,任一所述手部骨骺点的发育等级概率图均与一个信息组合对应,且各所述手部骨骺点的发育等级概率图对应的信息组合不同,所述信息组合由一个手部骨骺点和一个发育等级组成。
具体的,各手部骨骺点的发育等级概率图对应的信息组合可以为手部骨骺点相同但发育等级不同、或者手部骨骺点不同但发育等级相同,或者手部骨骺点不同且发育等级不同,即手部骨骺点的发育等级概率图是对第一手部骨骼图像中各位置是手部骨骺点位置概率的预测,同时也是对第一手部骨骼图像中各位置对应的发育等级概率的预测。例如,假设图9所示的是骨骺为桡骨且该骨骺的发育等级为B等级的发育等级概率图,其中,0.38所示为该位置既为桡骨且发育等级为B等级的概率。可以理解的是,当采用的是TW3-RUS骨龄评价标准,则可以获得桡骨的9个不同发育等级的发育等级概率图,9个不同发育等级的发育等级概率图上的概率相加等于1。需要注意的是,为了便于理解,图9所示位置概率图的尺度为5×5,在实际使用中,手部骨骺点的发育等级概率图的尺度可以与第一手部骨骼图像的尺度相同。
因此,手部骨骺发育等级确定模型可以同时输出的手部骨骺点的位置概率图和手部骨骺点的发育等级概率图。
S300、根据手部骨骺点的所述位置概率图和手部骨骺点的所述发育等级概率图确定手部骨骺点的发育等级。
基于图7所示的方法,如图10所示,本发明实施例提供的另一种手部骨骺发育等级确定方法,步骤S300可以包括:
S310、对任一手部骨骺点:将该手部骨骺点的位置概率图分别与该手部骨骺点对应的各发育等级概率图相乘,获得第三数量的该手部骨骺点的发育等级概率结果,其中,所述第三数量为所述第二数量除以所述第一数量后得到的商。
为了便于理解,此处通过举例进行说明:假设图8为某手部骨骺点的位置概率图,图9为该手部骨骺点发育等级为B的发育等级概率图,将该手部骨骺点的位置概率图与该手部骨骺点发育等级为B的发育等级概率图相乘,获得的手部骨骺点的发育等级概率结果可以如图11所示。
当本发明实施例的第一手部骨骼图像中包括13个骨骺,且采用的是TW3-RUS骨龄评价标准时,所述第三数量可以为9,也就是说,任一手部骨骺点的位置概率图分别与该手部骨骺点对应的9个发育等级概率图相乘,获得9个该手部骨骺点的发育等级概率结果。
S320、将所述第三数量的所述发育等级概率结果中概率最大的发育等级,确定为该手部骨骺点的发育等级。
本发明实施例提供的一种手部骨骺发育等级确定方法,可以获得第一手部骨骼图像的特征图;将所述特征图输入预设的手部骨骺发育等级确定模型中,获得所述手部骨骺发育等级确定模型输出的手部骨骺点的位置概率图和手部骨骺点的发育等级概率图;根据手部骨骺点的所述位置概率图和手部骨骺点的所述发育等级概率图确定手部骨骺点的发育等级。本发明通过手部骨骺发育等级确定模型确定手部骨骼图像中各位置是骨骺点位置的概率和确定各位置的发育等级的概率,从而确定手部骨骼图像中各手部骨骺点的发育等级的技术手段,克服了现有骨龄预测方法可信度低的技术问题,进而达到了科学确定骨龄的技术效果。
可选的,如图12所示,本发明实施例提供的另一种手部骨骺发育等级确定方法,步骤S300之后,所述方法还包括:
S400、根据确定的各手部骨骺点的发育等级,确定骨龄。
本发明实施例可以根据第一手部骨骼图像的各手部骨骺点的发育等级,依据TW3-RUS骨龄评价标准,评价各手部骨骺点的发育等级对应的值,将各手部骨骺点的发育等级对应的值相加后,确定计算结果,该计算结果可以是第一手部骨骼图像所对应的客户的骨龄。例如,第一手部骨骼图像的各手部骨骺点的发育等级分别为:A、A、A、C、A、A、B、D、A、B、B、C和A,则按照A对应0,B对应1,依次类推的对应方式,则计算结果为10,该第一手部骨骼图像所对应的客户的骨龄为10岁。
可选的,在步骤S500之后,本发明实施例还可以输出在第一手部骨骼图像上标注各手部骨骺点的位置、各手部骨骺点的发育等级及根据各手部骨骺点的发育等级确定的骨龄的第二手部骨骼图像。该第二手部骨骼图像可以如图13所示。
与上述方法实施例相对应,本发明实施例还提供一种手部骨骺发育等级确定装置,其结构如图14所示,可以包括:特征图获得单元100、概率图获得单元200和发育等级确定单元300。
所述特征图获得单元100,用于获得第一手部骨骼图像的特征图。
具体的,如图2所示,第一手部骨骼图像可以是通过X光穿透照射获得的手部骨骼图像。尺度可以为图像在某一分辨率下的图像尺寸。第一手部骨骼图像的尺度可以为X光机输出的X光图像的尺度。可选的,第一手部骨骼图像可以是左手的骨骼图像。第一手部骨骼图像中可以显示包括桡骨、尺骨、拇指远端指骨、拇指近端指骨、拇指掌骨、中指远端指骨、中指中间指骨、中指近端指骨、中指掌骨、小指远端指骨、小指中间指骨、小指近端指骨和小指掌骨在内的部分或全部骨骺。
可选的,所述特征图获得单元100包括:初始图获得单元和特征图获得子单元,
所述初始图获得单元,用于获得第一手部骨骼图像在多个不同尺度下的初始图。
初始图获得单元可以通过特征提取网络,获得第一手部骨骼图像的初始图。初始图获得单元可以获得第一手部骨骼图像在不同尺度下的同一特征点的图像特征。
所述特征图获得子单元,用于将所述多个不同尺度下的初始图进行融合,获得特征图。
具体的,特征图获得子单元可以通过图像特征提取网络,对多个不同尺度下的初始图进行特征抽取后,将边缘、形状、轮廓、局部特征等信息进行综合处理后,获得特征图。
可选的,所述特征图获得子单元包括:矩阵图获得子单元、元素图获得子单元和上采样子单元。
所述矩阵图获得子单元,用于将所述多个不同尺度下的初始图按照第一上采样参数进行上采样,获得第四数量的矩阵图,其中所述第四数量的矩阵图的尺度相同。
具体的,矩阵图获得子单元可以将多个不同尺度下的初始图按照不同的第一上采样参数进行上采样,获得第四数量的矩阵图。其中,第四数量与初始图的数量有关。
第一上采样参数可以根据初始图的尺度进行确定。
所述元素图获得子单元,用于对所述第四数量的矩阵图进行元素求和,获得元素图。
具体的,元素求和可以是将第四数量的矩阵图中同一位置上的数字进行相加。元素图获得子单元可以将第四数量的矩阵图进行元素求和后的结果作为元素图。
所述上采样子单元,用于将所述元素图按照第二上采样参数进行上采样,获得特征图。
具体的,第二上采样参数可以根据第一手部骨骼图像的尺度和元素图的尺度确定。
所述概率图获得单元200,用于将所述特征图输入预设的手部骨骺发育等级确定模型中,获得所述手部骨骺发育等级确定模型输出的手部骨骺点的位置概率图和手部骨骺点的发育等级概率图。
其中,预设的手部骨骺发育等级确定模型可以是卷积神经网络模型。预设的手部骨骺发育等级确定模型可以使用已标注手部骨骺点位置及该手部骨骺点发育等级的手部骨骼图像的特征图进行机器学习,从而学习到手部骨骺点的位置和手部骨骺点的发育等级的图像特征。
可选的,所述概率图获得单元200具体用于将所述特征图输入预设的手部骨骺发育等级确定模型中,以使所述预设的手部骨骺发育等级确定模型将所述特征图按照预设的第一卷积参数进行卷积,获得第一数量的手部骨骺点的位置概率图,以及使所述预设的手部骨骺发育等级确定模型将所述特征图按照预设的第二卷积参数进行卷积,获得第二数量的手部骨骺点的发育等级概率图。
具体的,第一卷积参数可以包括卷积核尺寸和输出通道数量。第一数量与第一卷积参数中的输出通道数量相等。例如,第一卷积参数中的输出通道数量为5,则手部骨骺发育等级确定模型将特征图按照第一卷积参数进行卷积,获得手部骨骺点的位置概率图的第一数量为5。
在正常情况下,第一手部骨骼图像中可以显示出13个骨骺,因此,在本发明一可选的实施例中,所述第一数量可以为13,所述第一卷积参数可以包括:卷积核尺寸为3×3和输出通道数量为13。
其中,所述第一数量的手部骨骺点的位置概率图中每个手部骨骺点的位置概率图均与一个手部骨骺点对应,且各手部骨骺点的位置概率图对应的手部骨骺点不同。
具体的,第一数量的手部骨骺点的位置概率图中每个手部骨骺点的位置概率图仅为一个手部骨骺点在第一手部骨骼图像中各位置的概率预测,其中,该第一手部骨骼图像中各位置可以是第一手部骨骼图像中各像素点。因此,当第一数量为13时,13个手部骨骺点的位置概率图可以分别预测出13个手部骨骺点在第一手部骨骼图像中各位置的概率。
可选的,预设的手部骨骺发育等级确定模型将所述特征图按照预设的第一卷积参数进行卷积,获得第一数量的手部骨骺点的位置信息图;
对所述第一数量的手部骨骺点的位置信息图进行归一化处理,获得第一数量的手部骨骺点的位置信息图。
可选的,本发明实施例中可以通过softmax函数,对所述第一数量的手部骨骺点的位置信息图进行归一化处理,获得第一数量的手部骨骺点的位置信息图。
在本发明实施例中第二卷积参数可以包括卷积核尺寸和输出通道数量。第二数量与第二卷积参数中的输出通道数量相等。例如,第二卷积参数中的输出通道数量为8,则手部骨骺发育等级确定模型将特征图按照第二卷积参数进行卷积,获得手部骨骺点的发育等级概率图的第二数量为8。
在正常情况下,第一手部骨骼图像中可以显示出13个骨骺。在本发明实施例中,对骨骺的发育等级的评价可以采用TW3-RUS骨龄评价标准中对骨骺的发育等级的评价。TW3-RUS骨龄评价标准中每块骨骺可以分成A~I九个发育等级。因此,在本发明一可选的实施例中,所述第二数量为117,所述第二卷积参数可以包括:卷积核尺寸为3×3和输出通道数量为117。可以理解的是,第二数量可以等于骨骺发育等级的数量乘以第一手部骨骼图像中骨骺数量的积。假设根据其他骨龄评价标准,每块骨骺可以分成五个等级,则第二数量可以为65。
其中,任一所述手部骨骺点的发育等级概率图均与一个信息组合对应,且各所述手部骨骺点的发育等级概率图对应的信息组合不同,所述信息组合由一个手部骨骺点和一个发育等级组成。
具体的,各手部骨骺点的发育等级概率图对应的信息组合可以为手部骨骺点相同但发育等级不同、或者手部骨骺点不同但发育等级相同,或者手部骨骺点不同且发育等级不同中,即手部骨骺点的发育等级概率图是对第一手部骨骼图像中各位置是手部骨骺点位置概率的预测,同时也是对第一手部骨骼图像中各位置对应的发育等级概率的预测。
因此,手部骨骺发育等级确定模型可以同时输出的手部骨骺点的位置概率图和手部骨骺点的发育等级概率图。
所述发育等级确定单元300,用于根据手部骨骺点的所述位置概率图和手部骨骺点的所述发育等级概率图确定手部骨骺点的发育等级。
可选的,所述发育等级确定单元300可以包括:发育等级概率结果获得子单元和发育等级确定子单元。
所述发育等级概率结果获得子单元,用于对任一手部骨骺点:将该手部骨骺点的位置概率图分别与该手部骨骺点对应的各发育等级概率图相乘,获得第三数量的该手部骨骺点的发育等级概率结果,其中,所述第三数量为所述第二数量除以所述第一数量后得到的商。
所述发育等级确定子单元,用于将所述第三数量的所述发育等级概率结果中概率最大的发育等级,确定为该手部骨骺点的发育等级。
本发明实施例提供的一种手部骨骺发育等级确定装置,可以获得第一手部骨骼图像的特征图;将所述特征图输入预设的手部骨骺发育等级确定模型中,获得所述手部骨骺发育等级确定模型输出的手部骨骺点的位置概率图和手部骨骺点的发育等级概率图;根据手部骨骺点的所述位置概率图和手部骨骺点的所述发育等级概率图确定手部骨骺点的发育等级。本发明通过手部骨骺发育等级确定模型确定手部骨骼图像中各位置是骨骺点位置的概率和确定各位置的发育等级的概率,从而确定手部骨骼图像中各手部骨骺点的发育等级的技术手段,克服了现有骨龄预测方法可信度低的技术问题,进而达到了科学确定骨龄的技术效果。
可选的,如图15所示,本发明实施例提供的另一种手部骨骺发育等级确定装置,还可以包括:骨龄确定单元400,
所述骨龄确定单元400,用于根据确定的各手部骨骺点的发育等级,确定骨龄。
骨龄确定单元400可以根据第一手部骨骼图像的各手部骨骺点的发育等级,依据TW3-RUS骨龄评价标准,评价各手部骨骺点的发育等级对应的值,将各手部骨骺点的发育等级对应的值相加后,确定计算结果,该计算结果可以是第一手部骨骼图像所对应的客户的骨龄。
可选的,骨龄确定单元400还可以输出在第一手部骨骼图像上标注各手部骨骺点的位置、各手部骨骺点的发育等级及根据各手部骨骺点的发育等级确定的骨龄的第二手部骨骼图像。该第二手部骨骼图像可以如图13所示。
本发明实施例提供的一种存储介质,所述存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现如上述任一项所述的手部骨骺发育等级确定方法。
本发明实施例提供的一种计算机设备,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序,所述处理器执行程序时至少实现如上述任一项所述的手部骨骺发育等级确定方法。
可选的,如图16至图18所示,本发明实施例提供的一种手部骨骺发育等级确定设备,包括:手部骨骼图像接收设备、处理器50、存储器60、通信总线70和输出设备,所述存储器60上存储有可在所述处理器50上运行的程序,
所述处理器50通过所述通信总线70分别与所述手部骨骼图像接收设备、所述存储器60和所述输出设备通信连接;
所述手部骨骼图像接收设备接收第一手部骨骼图像;
所述处理器50执行程序时至少实现如上述任一项所述的手部骨骺发育等级确定方法;
所述输出设备获得所述处理器50确定的手部骨骺点的发育等级并输出。
其中,如图18所示为本发明实施例提供的处理器50、存储器60和通信总线70的连接示意图。
其中,如图16至图17所示,所述手部骨骼图像接收设备可以包括:手部骨骼图像盛放盒10和操作机构,所述手部骨骼图像接收设备还可以包括扫描设备或拍照设备。本发明实施例的操作机构可以先驱动手部骨骼图像盛放盒10从手部骨骺发育等级确定设备中伸出。具体的,手部骨骺发育等级确定设备上可以设置有出入口20,手部骨骼图像盛放盒10可以从出入口20伸出或收回。在手部骨骼图像盛放盒10从手部骨骺发育等级确定设备的出入口20伸出后,用户可以先将手部骨骼图像放入手部骨骼图像盛放盒10中。然后处理器50再通过控制操作机构将手部骨骼图像盛放盒10收回至手部骨骺发育等级确定设备。然后扫描设备或拍照设备可以对手部骨骼图像盛放盒10中的手部骨骼图像进行扫描或拍照,进而获得手部骨骼图像并发送至处理器50中,在处理器50对手部骨骼图像执行如上述任一项所述的手部骨骺发育等级确定方法之后,通过输出设备输出该手部骨骼图像的手部骨骺点的发育等级。
可选的,所述输出设备可以为显示屏30和/或打印机。
可选的,所述手部骨骺发育等级确定设备,还可以包括输入设备,其中所述输入设备可以为按键。可以理解的是,输入设备也可以是触摸屏。
用户可以通过按键或触摸屏控制手部骨骺发育等级确定设备,例如:用户首先控制手部骨骺发育等级确定设备将手部骨骼图像盛放盒10伸出,在放入手部骨骼图像后,再控制手部骨骼图像盛放盒10收回并进行如上述任一项所述的手部骨骺发育等级确定方法进行处理。
其中,输出手部骨骺点的发育等级可以自动输出,也可以根据用户的操作输出。例如从打印机输出打印的结果,打印机可以设置在手部骨骺发育等级确定设备的内部,并通过如图16至图17所示的打印纸输出口40输出打印纸。
当然,手部骨骺发育等级确定设备还可以包括数据接口,以通过数据接口从其他设备中获得手部骨骼图像。其中,数据接口可以为USB接口、蓝牙通信接口、Wi-Fi通信接口等,本发明不做限定。
所述手部骨骺发育等级确定装置包括处理器和存储器,上述特征图获得单元100、概率图获得单元200和发育等级确定单元300等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来确定各手部骨骺点的发育等级,从而确定骨龄。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现所述手部骨骺发育等级确定方法。
本发明实施例提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行所述手部骨骺发育等级确定方法。
本发明实施例提供了一种设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现上述任一项手部骨骺发育等级确定方法步骤。
本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有上述任一项手部骨骺发育等级确定方法步骤的程序:
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商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,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (16)
1.一种手部骨骺发育等级确定方法,其特征在于,包括:
获得第一手部骨骼图像的特征图;
将所述特征图输入预设的手部骨骺发育等级确定模型中,获得所述手部骨骺发育等级确定模型输出的手部骨骺点的位置概率图和手部骨骺点的发育等级概率图;
根据手部骨骺点的所述位置概率图和手部骨骺点的所述发育等级概率图确定手部骨骺点的发育等级。
2.根据权利要求1所述的方法,其特征在于,所述将所述特征图输入预设的手部骨骺发育等级确定模型中,获得所述手部骨骺发育等级确定模型输出的手部骨骺点的位置概率图和手部骨骺点的发育等级概率图,包括:
将所述特征图输入预设的手部骨骺发育等级确定模型中,以使所述预设的手部骨骺发育等级确定模型将所述特征图按照预设的第一卷积参数进行卷积,获得第一数量的手部骨骺点的位置概率图,以及使所述预设的手部骨骺发育等级确定模型将所述特征图按照预设的第二卷积参数进行卷积,获得第二数量的手部骨骺点的发育等级概率图。
3.根据权利要求2所述的方法,其特征在于,所述第一数量的手部骨骺点的位置概率图中每个手部骨骺点的位置概率图均与一个手部骨骺点对应,且各手部骨骺点的位置概率图对应的手部骨骺点不同,任一所述手部骨骺点的发育等级概率图均与一个信息组合对应,且各所述手部骨骺点的发育等级概率图对应的信息组合不同,所述信息组合由一个手部骨骺点和一个发育等级组成。
4.根据权利要求3所述的方法,其特征在于,所述根据手部骨骺点的所述位置概率图和手部骨骺点的所述发育等级概率图确定手部骨骺点的发育等级,包括:
对任一手部骨骺点:将该手部骨骺点的位置概率图分别与该手部骨骺点对应的各发育等级概率图相乘,获得第三数量的该手部骨骺点的发育等级概率结果,其中,所述第三数量为所述第二数量除以所述第一数量后得到的商;
将所述第三数量的所述发育等级概率结果中概率最大的发育等级,确定为该手部骨骺点的发育等级。
5.根据权利要求4所述的方法,其特征在于,所述第一数量为13,所述第一卷积参数包括:卷积核尺寸为3×3和输出通道数量为13;
所述第二数量为117,所述第三数量为9,所述第二卷积参数包括:卷积核尺寸为3×3和输出通道数量为117。
6.根据权利要求1所述的方法,其特征在于,在所述根据手部骨骺点的所述位置概率图和手部骨骺点的所述发育等级概率图确定手部骨骺点的发育等级之后,所述方法还包括:
根据确定的各手部骨骺点的发育等级,确定骨龄。
7.根据权利要求1至6中任一项所述的方法,其特征在于,所述获得第一手部骨骼图像的特征图,包括:
获得第一手部骨骼图像在多个不同尺度下的初始图;
将所述多个不同尺度下的初始图进行融合,获得特征图。
8.根据权利要求7所述的方法,其特征在于,所述将所述多个不同尺度下的初始图进行融合,获得特征图,包括:
将所述多个不同尺度下的初始图按照第一上采样参数进行上采样,获得第四数量的矩阵图,其中所述第四数量的矩阵图的尺度相同;
对所述第四数量的矩阵图进行元素求和,获得元素图;
将所述元素图按照第二上采样参数进行上采样,获得特征图。
9.一种手部骨骺发育等级确定装置,其特征在于,包括:特征图获得单元、概率图获得单元和发育等级确定单元,
所述特征图获得单元,用于获得第一手部骨骼图像的特征图;;
所述概率图获得单元,用于将所述特征图输入预设的手部骨骺发育等级确定模型中,获得所述手部骨骺发育等级确定模型输出的手部骨骺点的位置概率图和手部骨骺点的发育等级概率图;
所述发育等级确定单元,用于根据手部骨骺点的所述位置概率图和手部骨骺点的所述发育等级概率图确定手部骨骺点的发育等级。
10.根据权利要求9所述的装置,其特征在于,所述概率图获得单元具体用于将所述特征图输入预设的手部骨骺发育等级确定模型中,以使所述预设的手部骨骺发育等级确定模型将所述特征图按照预设的第一卷积参数进行卷积,获得第一数量的手部骨骺点的位置概率图,以及使所述预设的手部骨骺发育等级确定模型将所述特征图按照预设的第二卷积参数进行卷积,获得第二数量的手部骨骺点的发育等级概率图。
11.根据权利要求10所述的装置,其特征在于,所述第一数量的手部骨骺点的位置概率图中每个手部骨骺点的位置概率图均与一个手部骨骺点对应,且各手部骨骺点的位置概率图对应的手部骨骺点不同,任一所述手部骨骺点的发育等级概率图均与一个信息组合对应,且各所述手部骨骺点的发育等级概率图对应的信息组合不同,所述信息组合由一个手部骨骺点和一个发育等级组成。
12.根据权利要求11所述的装置,其特征在于,所述发育等级确定单元包括:发育等级概率结果获得子单元和发育等级确定子单元,
所述发育等级概率结果获得子单元,用于对任一手部骨骺点:将该手部骨骺点的位置概率图分别与该手部骨骺点对应的各发育等级概率图相乘,获得第三数量的该手部骨骺点的发育等级概率结果,其中,所述第三数量为所述第二数量除以所述第一数量后得到的商;
所述发育等级确定子单元,用于将所述第三数量的所述发育等级概率结果中概率最大的发育等级,确定为该手部骨骺点的发育等级。
13.根据权利要求9所述的装置,其特征在于,还包括:骨龄确定单元,
所述骨龄确定单元,用于根据确定的各手部骨骺点的发育等级,确定骨龄。
14.一种存储介质,其特征在于,所述存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现如上权利要求1至8任一项所述的手部骨骺发育等级确定方法。
15.一种计算机设备,其特征在于,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序,所述处理器执行程序时至少实现如上权利要求1至8任一项所述的手部骨骺发育等级确定方法。
16.一种手部骨骺发育等级确定设备,其特征在于,包括:手部骨骼图像接收设备、处理器、存储器、通信总线和输出设备,所述存储器上存储有可在所述处理器上运行的程序,
所述处理器通过所述通信总线分别与所述手部骨骼图像接收设备、所述存储器和所述输出设备通信连接;
所述手部骨骼图像接收设备接收第一手部骨骼图像;
所述处理器执行程序时至少实现如上权利要求1至8任一项所述的手部骨骺发育等级确定方法;
所述输出设备获得所述处理器确定的手部骨骺点的发育等级并输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911055720.7A CN110853003B (zh) | 2019-10-31 | 2019-10-31 | 手部骨骺发育等级确定方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911055720.7A CN110853003B (zh) | 2019-10-31 | 2019-10-31 | 手部骨骺发育等级确定方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110853003A true CN110853003A (zh) | 2020-02-28 |
CN110853003B CN110853003B (zh) | 2020-07-24 |
Family
ID=69599604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911055720.7A Active CN110853003B (zh) | 2019-10-31 | 2019-10-31 | 手部骨骺发育等级确定方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110853003B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035287A (zh) * | 2018-07-02 | 2018-12-18 | 广州杰赛科技股份有限公司 | 前景图像提取方法和装置、运动车辆识别方法和装置 |
CN111882517A (zh) * | 2020-06-08 | 2020-11-03 | 杭州深睿博联科技有限公司 | 一种基于图卷积神经网络的骨龄评测方法、系统、终端及存储介质 |
CN114601483A (zh) * | 2022-05-11 | 2022-06-10 | 山东第一医科大学第一附属医院(山东省千佛山医院) | 一种基于图像处理的骨龄分析方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018057714A1 (en) * | 2016-09-21 | 2018-03-29 | The General Hospital Corporation | Systems, methods and media for automatically generating a bone age assessment from a radiograph |
US20180322254A1 (en) * | 2017-05-02 | 2018-11-08 | James Paul Smurro | Multimodal cognitive collaboration and cybernetic knowledge exchange with visual neural networking streaming augmented medical intelligence |
CN109741309A (zh) * | 2018-12-27 | 2019-05-10 | 北京深睿博联科技有限责任公司 | 一种基于深度回归网络的骨龄预测方法及装置 |
CN109816721A (zh) * | 2018-12-29 | 2019-05-28 | 上海联影智能医疗科技有限公司 | 图像定位方法、装置、设备及存储介质 |
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 |
CN109949280A (zh) * | 2019-03-06 | 2019-06-28 | 上海联影智能医疗科技有限公司 | 图像处理方法、装置、设备存储介质及生长发育评估系统 |
CN110009605A (zh) * | 2019-03-21 | 2019-07-12 | 浙江工业大学 | 一种基于深度学习的骨龄预测方法及系统 |
-
2019
- 2019-10-31 CN CN201911055720.7A patent/CN110853003B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018057714A1 (en) * | 2016-09-21 | 2018-03-29 | The General Hospital Corporation | Systems, methods and media for automatically generating a bone age assessment from a radiograph |
US20180322254A1 (en) * | 2017-05-02 | 2018-11-08 | James Paul Smurro | Multimodal cognitive collaboration and cybernetic knowledge exchange with visual neural networking streaming augmented medical intelligence |
CN109741309A (zh) * | 2018-12-27 | 2019-05-10 | 北京深睿博联科技有限责任公司 | 一种基于深度回归网络的骨龄预测方法及装置 |
CN109816721A (zh) * | 2018-12-29 | 2019-05-28 | 上海联影智能医疗科技有限公司 | 图像定位方法、装置、设备及存储介质 |
CN109949280A (zh) * | 2019-03-06 | 2019-06-28 | 上海联影智能医疗科技有限公司 | 图像处理方法、装置、设备存储介质及生长发育评估系统 |
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 |
CN110009605A (zh) * | 2019-03-21 | 2019-07-12 | 浙江工业大学 | 一种基于深度学习的骨龄预测方法及系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035287A (zh) * | 2018-07-02 | 2018-12-18 | 广州杰赛科技股份有限公司 | 前景图像提取方法和装置、运动车辆识别方法和装置 |
CN109035287B (zh) * | 2018-07-02 | 2021-01-12 | 广州杰赛科技股份有限公司 | 前景图像提取方法和装置、运动车辆识别方法和装置 |
CN111882517A (zh) * | 2020-06-08 | 2020-11-03 | 杭州深睿博联科技有限公司 | 一种基于图卷积神经网络的骨龄评测方法、系统、终端及存储介质 |
CN114601483A (zh) * | 2022-05-11 | 2022-06-10 | 山东第一医科大学第一附属医院(山东省千佛山医院) | 一种基于图像处理的骨龄分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110853003B (zh) | 2020-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110853003B (zh) | 手部骨骺发育等级确定方法及相关设备 | |
CN111667011B (zh) | 损伤检测模型训练、车损检测方法、装置、设备及介质 | |
CN110782450B (zh) | 手部腕骨发育等级确定方法及相关设备 | |
CN107239786B (zh) | 一种字符识别方法和装置 | |
CN109165645B (zh) | 一种图像处理方法、装置以及相关设备 | |
CN110827345B (zh) | 心胸比确定方法、装置、设备、存储介质及计算机设备 | |
CN107977665A (zh) | 一种发票中关键信息的识别方法及计算设备 | |
CN109886928B (zh) | 一种目标细胞标记方法、装置、存储介质及终端设备 | |
CN108229299A (zh) | 证件的识别方法和装置、电子设备、计算机存储介质 | |
CN109919903B (zh) | 一种脊椎检测定位标记方法、系统及电子设备 | |
EP3843036B1 (en) | Sample labeling method and device, and damage category identification method and device | |
CN111291825A (zh) | 病灶分类模型训练方法、装置、计算机设备和存储介质 | |
CN111814716A (zh) | 印章去除方法、计算机设备和可读存储介质 | |
CN112348082A (zh) | 深度学习模型构建方法、影像处理方法及可读存储介质 | |
CN111028260A (zh) | 图像预测方法、装置、计算机设备和存储介质 | |
CN110879972A (zh) | 一种人脸检测方法及装置 | |
CN111008953B (zh) | 一种数字病理图像质控的方法及装置 | |
CN111091604B (zh) | 快速成像模型的训练方法、装置及服务器 | |
CN115908363B (zh) | 肿瘤细胞统计方法、装置、设备和存储介质 | |
US11928184B2 (en) | Generation of a second object model based on a first object model for use in object matching | |
CN110276755B (zh) | 一种肿瘤位置定位系统及相关装置 | |
CN113128496B (zh) | 一种从图像中提取结构化数据的方法、装置和设备 | |
CN110705633B (zh) | 目标物检测、目标物检测模型的建立方法及装置 | |
CN116486062A (zh) | 基于深度学习的图像分割的移位不变损失 | |
CN112509052A (zh) | 黄斑中心凹的检测方法、装置、计算机设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address |
Address after: Room B401, floor 4, building 1, Shangdi Information 12, Haidian District, Beijing 100085 Patentee after: Tuxiang Medical Technology Co., Ltd Address before: Room B401, floor 4, building 1, No. 12, Shangdi Information Road, Haidian District, Beijing 100085 Patentee before: Beijing Tuoxiang Technology Co.,Ltd. |
|
CP03 | Change of name, title or address |