CN110874834A - 骨龄预测方法、装置、电子设备及可读存储介质 - Google Patents
骨龄预测方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN110874834A CN110874834A CN201911007755.3A CN201911007755A CN110874834A CN 110874834 A CN110874834 A CN 110874834A CN 201911007755 A CN201911007755 A CN 201911007755A CN 110874834 A CN110874834 A CN 110874834A
- Authority
- CN
- China
- Prior art keywords
- bone
- predicted
- training
- male
- female
- 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
- 210000000988 bone and bone Anatomy 0.000 title claims abstract description 513
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 52
- 238000013135 deep learning Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 115
- 238000012795 verification Methods 0.000 claims description 45
- 238000004590 computer program Methods 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 13
- 238000013077 scoring method Methods 0.000 abstract description 9
- 238000012545 processing Methods 0.000 abstract description 6
- 210000002745 epiphysis Anatomy 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 210000000623 ulna Anatomy 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000014461 bone development Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010058314 Dysplasia Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002124 endocrine Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 208000030212 nutrition disease Diseases 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000399 orthopedic effect Effects 0.000 description 1
- 230000011164 ossification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/20076—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种基于深度学习的骨龄预测方法、装置、电子设备及存储介质,涉及图像处理技术领域。所述方法包括:通过获取男性待预测对象和女性待预测对象的待预测X光骨图,输入骨关键区域提取模型,得到待预测对象的多张骨关键区域图,再输入骨成熟度预测模型,得到待预测对象的多张骨关键区域图对应的骨分类结果,进而通过男性骨龄预测模型或通过女性骨龄预测模型对骨分类结果进行计算,得到骨龄预测结果。通过结合现有的骨龄计分法,使用多个深度学习的模型,对待预测对象的X光骨图进行预测,每个模型得到的结果可用于临床解释,且能够快速且准确地输出预测结果。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种骨龄预测方法、装置、电子设备及可读存储介质。
背景技术
骨龄预测具有重要的临床意义,在临床上,可以用骨龄来推断骨的发育是否正常,根据骨骺闭合情况,还可以判断骨发育程度。于是对某些疾病,如内分泌、营养障碍和发育异常等诊断;了解儿童生长发育状态,确定矫形手术时间;预测未来身高;估计新生儿成熟程度等有重要价值。为刑事鉴定、推测人口出生时间等提供法律依据。
传统的骨龄评估方法是对孩子的左手进行X射线检查,然后根据X射线图像计算年龄。目前,我国进行骨龄评估主要由医生手动阅读X射线图像,耗时较长且不够准确。
发明内容
鉴于上述问题,提出了本发明实施例以便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基于深度学习的骨龄预测方法、装置、电子设备及可读存储介质。
第一方面,本申请实施例提供了一种基于深度学习的骨龄预测方法,所述方法包括:
获取待预测对象的待预测X光骨图,所述待预测对象包括男性待预测对象和女性待预测对象;
通过骨关键区域提取模型对所述待预测X光骨图进行关键点检测和关键区域提取,得到待预测对象的多张骨关键区域图;
通过骨成熟度预测模型对所述待预测对象的多张骨关键区域图进行预测,得到每张骨关键区域图属于每一类骨分类的概率,根据所述每张骨关键区域图属于每一类骨分类的概率,得到所述待预测对象的多张骨关键区域图对应的骨分类结果;
通过男性骨龄预测模型对所述男性待预测对象的所述多张骨关键区域图对应的骨分类结果进行计算,得到所述男性待预测对象的骨龄预测结果,或
通过女性骨龄预测模型对所述女性待预测对象的所述多张骨关键区域图对应的骨分类结果进行计算,得到所述女性待预测对象的骨龄预测结果。
可选地,所述方法还包括:
获取多张临床X光骨图样本;
将所述临床X光骨图样本分为训练集和验证集,对待训练骨关键区域提取模型进行多轮训练,直至输出的关键点预测的误差在第一预设轮数内均不再下降,结束训练,得到所述骨关键区域提取模型,所述骨关键区域提取模型用于输出多张预设大小的骨关键区域图。
可选地,所述方法还包括:
获取多张临床骨关键区域图样本;
将所述临床骨关键区域图样本分为训练集和验证集,对待训练骨成熟度预测模型进行多轮训练,直至输出的骨分类结果的误差在第二预设轮数内均不再下降,结束训练,得到所述骨成熟度预测模型。
可选地,所述方法还包括:
获取多组临床骨分类结果样本,每组所述骨分类结果样本包含每个待预测对象样本的多个骨分类结果样本,所述多组临床骨分类结果样本包括多组男性临床骨分类结果样本和多组女性临床骨分类结果样本,待预测对象样本包括男性待预测对象样本和女性待预测对象样本;
将所述多组男性临床骨分类结果样本分为训练集和验证集,对男性待训练骨龄预测模型进行多轮训练,直至输出的男性待预测对象样本的骨龄预测结果的误差在第三预设轮数内均不再下降,结束训练,得到男性骨龄预测模型;
将所述多组女性临床骨分类结果样本分为训练集和验证集,对女性待训练骨龄预测模型进行多轮训练,直至输出的女性待预测对象样本的骨龄预测结果误差在第三预设轮数内均不再下降,结束训练,得到女性骨龄预测模型。
第二方面,本申请实施例还提供了一种基于深度学习的骨龄预测装置,所述装置包括:
获取模块,用于获取待预测对象的待预测X光骨图,所述待预测对象包括男性待预测对象和女性待预测对象;
骨关键区域提取模块,用于通过骨关键区域提取模型对所述待预测X光骨图进行关键点检测和关键区域提取,得到待预测对象的多张骨关键区域图;
骨成熟度预测模块,用于通过骨成熟度预测模型对所述待预测对象的多张骨关键区域图进行预测,得到每张骨关键区域图属于每一类骨分类的概率,根据所述每张骨关键区域图属于每一类骨分类的概率,得到所述待预测对象的多张骨关键区域图对应的骨分类结果;
男性骨龄预测模块,用于通过男性骨龄预测模型对所述男性待预测对象的所述多张骨关键区域图对应的骨分类结果进行计算,得到所述男性待预测对象的骨龄预测结果;
女性骨龄预测模块,用于通过女性骨龄预测模型对所述女性待预测对象的所述多张骨关键区域图对应的骨分类结果进行计算,得到所述女性待预测对象的骨龄预测结果。
可选地,所述装置还包括:
第二获取模块,用于获取多张临床X光骨图样本;
骨关键区域提取模型训练模块,用于将所述临床X光骨图样本分为训练集和验证集,对待训练骨关键区域提取模型进行多轮训练,直至输出的关键点预测的误差在第一预设轮数内均不再下降,结束训练,得到所述骨关键区域提取模型,所述骨关键区域提取模型用于输出多张预设大小的骨关键区域图。
可选地,所述装置还包括:
第三获取模块,用于获取多张临床骨关键区域图样本;
骨成熟度预测模型训练模块,用于将所述临床骨关键区域图样本分为训练集和验证集,对待训练骨成熟度预测模型进行多轮训练,直至输出的骨分类结果的误差在第二预设轮数内均不再下降,结束训练,得到所述骨成熟度预测模型。
可选地,所述装置还包括:
第四获取模块,用于获取多组临床骨分类结果样本,每组所述骨分类结果样本包含每个待预测对象样本的多个骨分类结果样本,所述多组临床骨分类结果样本包括多组男性临床骨分类结果样本和多组女性临床骨分类结果样本,待预测对象样本包括男性待预测对象样本和女性待预测对象样本;
男性骨龄预测模型训练模块,用于将所述多组男性临床骨分类结果样本分为训练集和验证集,对男性待训练骨龄预测模型进行多轮训练,直至输出的男性待预测对象样本的骨龄预测结果的误差在第三预设轮数内均不再下降,结束训练,得到男性骨龄预测模型;
女性骨龄预测模型,用于将所述多组女性临床骨分类结果样本分为训练集和验证集,对女性待训练骨龄预测模型进行多轮训练,直至输出的女性待预测对象样本的骨龄预测结果误差在第三预设轮数内均不再下降,结束训练,得到女性骨龄预测模型。
第三方面,本申请实施例还提供了一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时,实现如第一方面所述的基于深度学习的骨龄预测方法的步骤。
第四方面,本申请实施例还提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,实现如第一方面所述的基于深度学习的骨龄预测方法的步骤。
本发明实施例包括以下优点:
在本发明实施例中,通过获取男性待预测对象和女性待预测对象的待预测X光骨图,然后通过骨关键区域提取模型对待预测X光骨图进行关键点检测和关键区域提取,得到待预测对象的多张骨关键区域图,再通过骨成熟度预测模型对待预测对象的多张骨关键区域图进行预测,得到每张骨关键区域图属于每一类骨分类的概率,根据每张骨关键区域图属于每一类骨分类的概率,得到待预测对象的多张骨关键区域图对应的骨分类结果,进而通过男性骨龄预测模型对男性待预测对象的多张骨关键区域图对应的骨分类结果进行计算,得到男性待预测对象的骨龄预测结果,或通过女性骨龄预测模型对女性待预测对象的多张骨关键区域图对应的骨分类结果进行计算,得到女性待预测对象的骨龄预测结果。通过结合现有的骨龄计分法,使用多个深度学习的模型,对待预测对象的X光骨图进行预测,每个模型得到的结果可用于临床解释,且能够快速且准确地输出预测结果。
附图说明
图1是本发明的一种基于深度学习的骨龄预测方法的步骤流程图;
图2是本发明的一种基于深度学习的骨龄预测装置的示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
现有的两种主要骨龄预测方法包括图谱法和计分法。
图谱法:正常儿童随年龄的增长而出现有规律性的骨骺X线解剖标志:如二次骨化中心出现、骺核增大、形状的变化;关节面出现与形成;骨突的出现与形成;骺线变为均匀一致和变窄;骨骺同干骺端部分联合或完全联合等。根据上述变化制定正常骨龄标准,即骨龄图谱,根据X光骨图与骨龄图谱进行对比,即得出骨龄预测结果,这种方法常常会出现较大的误差。
计分法:骨龄计分法是根据各骨发育的阶段或分期及其对应的分值,计算总分,从相应标准查出骨龄的评定方法,具体地,先预测出尺桡骨远端骨骺,掌指骨骨骺共13枚骨的成熟度,然后计算出骨发育总分,最后根据骨发育总分和性别得到骨龄。它也是目前测评骨龄的基本方法之一,是测评骨龄最为精确的方法,其代表是著名的TW骨龄计分法(TWmethod),在国际上被广泛直接采用或经本地标准化后转用,计分法精确度较高,但其计算过程较为复杂,且需要人工,对计算者的经验要求也较高。
本申请根据现有的骨龄计分法,结合深度学习的神经网络模型,得到了一种基于深度学习的骨龄预测方法,具有较好的临床解释性,且能够快速且准确地得到骨龄预测结果。
请参考图1,图1示出了本申请实施例的一种基于深度学习的骨龄预测方法的步骤流程图,如图1所示,所述方法包括以下步骤:
步骤S101,获取待预测对象的待预测X光骨图,所述待预测对象包括男性待预测对象和女性待预测对象。
本实施方式中,需要获取待预测对象的待预测X光骨图,其中,待预测X光骨图为手掌部位的X光骨图,由于男性和女性的发育存在较大的差异,往往相同的骨发育程度,所对应的女性的年龄小于男性的年龄,在获取待预测对象的待预测X光骨图的同时,便获取待预测对象的性别信息,判定待预测对象为男性待预测对象还是女性待预测对象,以便能够在最终的骨龄预测中,获得较为准确的骨龄预测结果。
步骤S102:通过骨关键区域提取模型对所述待预测X光骨图进行关键点检测和关键区域提取,得到待预测对象的多张骨关键区域图。
在本实施方式中,需要先获取待预测对象的多张骨关键区域图,具体地,包括尺桡骨远端骨骺和掌指骨骨骺共13枚骨的骨关键区域图,通过预先训练好的骨关键区域提取模型对待预测X光骨图进行关键点检测,能够较为准确地检测出尺桡骨远端骨骺,掌指骨骨骺共13枚骨的坐标点,进而以坐标点为中心,提取出预设大小的尺桡骨远端骨骺和掌指骨骨骺共13枚骨的骨关键区域图,具体实施时,骨关键区域提取模型的网络结构可采用Resnet-18、sub-pixel和DSNT网络结构组合而成。
其中,骨关键区域图的预设大小会影响后续的骨分类结果,太大会被其他骨结构干扰,太小视野不够,骨关键区域图的预设大小可为骨关键区域提取模型设置的超参数,可以通过实验得到,具体地,可以设置多种规格的骨关键区域图的预设大小,进行实验,选取其中获得的效果最好的规格作为最终的骨关键区域图的预设大小。
步骤S103:通过骨成熟度预测模型对所述待预测对象的多张骨关键区域图进行预测,得到每张骨关键区域图属于每一类骨分类的概率,根据所述每张骨关键区域图属于每一类骨分类的概率,得到所述待预测对象的多张骨关键区域图对应的骨分类结果。
在本实施方式中,在获得待预测对象的多张骨关键区域图之后,需要对每张骨关键区域图的骨发育程度进行分类,本实施方式将骨发育程度分为A-I 9类,通过预先训练好的骨成熟度预测模型对待预测对象的多张骨关键区域图进行预测,得到每张骨关键区域图属于每一类骨分类的概率,例如,对于某一张待预测对象的骨关键区域图进行预测得到的每张骨关键区域图属于每一类骨分类的概率结果为:
A-0.69%,B-1.46%,C-7.05%,D-41.52%,E-39.71%,F-9.26%,G-0.30%,H-0.01%,I-0.00%。
然后根据每张骨关键区域图属于每一类骨分类的概率结果,从中选择出概率最大的一类作为最终的骨分类结果,例如,上述举例中,D类的概率为41.52%,所以可确定D类为最终的骨分类结果,具体实施时,骨成熟度预测模型的网络结构可为Resnet-18网络结构。
本实施例中,采用连续的标签分布而不是离散的标签来计算骨龄,使得该计分法在判读临界情况时更加鲁棒,例如,对于某一张待预测对象的骨关键区域图,它实际发育程度可能介于D和E之间,临床没有办法显示,医生可能评判它为D类,也可能评判它为E类,我们用连续的标签分布引入建模,可以表示为:
A-0.69%,B-1.46%,C-7.05%,D-41.52%,E-39.71%,F-9.26%,G-0.30%,H-0.01%,I-0.00%。
进而可以很明确地评判它为D类。
步骤S104:通过男性骨龄预测模型对所述男性待预测对象的所述多张骨关键区域图对应的骨分类结果进行计算,得到所述男性待预测对象的骨龄预测结果,或
通过女性骨龄预测模型对所述女性待预测对象的所述多张骨关键区域图对应的骨分类结果进行计算,得到所述女性待预测对象的骨龄预测结果。
在本实施方式中,在得到待预测对象的多张骨关键区域图对应的骨分类结果后,需要对待预测对象的多张骨关键区域图对应的骨分类结果进行计分,并得到最终的骨龄预测结果,由于性别因素对此步骤的结果影响较大,所以此处需要对待预测对象分性别进行骨龄预测,使用预先训练好的男性骨龄预测模型对男性待预测对象的多张骨关键区域图对应的骨分类结果进行计算,得到男性待预测对象的骨龄预测结果,或者,通过预先训练好的女性骨龄预测模型对女性待预测对象的多张骨关键区域图对应的骨分类结果进行计算,得到女性待预测对象的骨龄预测结果。具体地,对于每一类的骨分类结果,都有对应的分数,将待预测对象的所有13枚骨的得分相加,得到待预测对象的骨龄总得分,并根据性别和骨龄总得分,得到待预测对象最终的骨龄预测结果,具体实施时,男性骨龄预测模型和女性骨龄预测模型可采用TW3或者SVR的骨龄预测方法。
在本发明实施例中,通过获取男性待预测对象和女性待预测对象的待预测X光骨图,然后通过骨关键区域提取模型对待预测X光骨图进行关键点检测和关键区域提取,得到待预测对象的多张骨关键区域图,再通过骨成熟度预测模型对待预测对象的多张骨关键区域图进行预测,得到每张骨关键区域图属于每一类骨分类的概率,根据每张骨关键区域图属于每一类骨分类的概率,得到待预测对象的多张骨关键区域图对应的骨分类结果,进而通过男性骨龄预测模型对男性待预测对象的多张骨关键区域图对应的骨分类结果进行计算,得到男性待预测对象的骨龄预测结果,或通过女性骨龄预测模型对女性待预测对象的多张骨关键区域图对应的骨分类结果进行计算,得到女性待预测对象的骨龄预测结果。通过结合现有的骨龄计分法,使用多个深度学习的模型,对待预测对象的X光骨图进行预测,每个模型得到的结果可用于临床解释,且能够快速且准确地输出预测结果。
在一种可行的实施方式中,骨关键区域提取模型可以由以下方式得到:
获取多张临床X光骨图样本;
将所述临床X光骨图样本分为训练集和验证集,对待训练骨关键区域提取模型进行多轮训练,直至输出的关键点预测的误差在第一预设轮数内均不再下降,结束训练,得到所述骨关键区域提取模型,所述骨关键区域提取模型用于输出多张预设大小的骨关键区域图。
在本实施方式中,首先获取多张临床X光骨图样本,然后将多张临床X光骨图样本分为训练集和验证集,其中,验证集需要人工标注,每张验证集的临床X光骨图样本均标注有正确的13个关键点的位置,首先,使用训练集对待训练骨关键区域提取模型进行第一轮训练,再使用验证集对第一轮训练后的待训练骨关键区域提取模型进行验证,具体地,使用第一轮训练后的待训练骨关键区域提取模型对输入的验证集进行识别,得到每张验证集的临床X光骨图样本对应的尺桡骨远端骨骺和掌指骨骨骺共13枚骨的坐标,获取医生标注的13个关键点的位置坐标,再将得到每张验证集的临床X光骨图样本对应的尺桡骨远端骨骺和掌指骨骨骺共13枚骨的坐标点与医生标注的13个关键点的位置坐标计算每个关键点的欧式距离,再将13个关键点的欧式距离的平均值作为误差值,对第一轮训练后的待训练骨关键区域提取模型进行性能的评估,再使用反向传播算法更新待训练骨关键区域提取模型的网络参数,再重复上述训练步骤,对更新后的待训练骨关键区域提取模型进行多轮训练操作,这里的训练操作包括上述训练、验证和更新的操作,直到计算出的误差值在第一预设轮数内都不再下降,则停止训练,选出效果最好的那一轮的待训练骨关键区域提取模型。
将图片大小设置为待训练骨关键区域提取模型的超参数,使用多个预设大小对选出的效果最好的待训练骨关键区域提取模型进行实验,输出预设大小的骨关键区域图,选择其中效果最好的骨关键区域图所对应的预设大小,作为选出的效果最好的待训练骨关键区域提取模型的最终图片预设大小,得到训练好的骨关键区域提取模型。
在本实施方式中,对图像的识别采用关键点检测而不是常用的目标检测,其中,关键点检测的对象是固定的,即尺桡骨远端骨骺和掌指骨骨骺共13枚骨的坐标点,而目标检测的对象是不固定的,为了实现不定对象数的检测,在模型训练时,需要构造大量的负样本进行训练,而采用关键点检测的方法则不需要构造大量的负样本进行训练,在使用临床X光骨图样本对待训练骨关键区域提取模型进行训练时,可以提高训练效率。
在一种可行的实施方式中,骨成熟度预测模型可以由以下方式得到:
获取多张临床骨关键区域图样本;
将所述临床骨关键区域图样本分为训练集和验证集,对待训练骨成熟度预测模型进行多轮训练,直至输出的骨分类结果的误差在第二预设轮数内均不再下降,结束训练,得到所述骨成熟度预测模型。
在本实施方式中,首先获取多张临床骨关键区域图样本,然后将多张临床骨关键区域图样本分为训练集和验证集,其中,验证集需要人工标注,每张验证集的临床骨关键区域图样本均标注有正确的骨分类结果,首先,使用训练集对待训练骨成熟度预测模型进行第一轮训练,再使用验证集对第一轮训练后的待训练骨成熟度预测模型进行验证,具体地,使用第一轮训练后的待训练骨成熟度预测模型对输入的验证集进行识别,得到每张验证集的临床骨关键区域图样本对应的9类分类结果的概率以及最终的骨分类结果,其中,最终的骨分类结果为得到的9类分类结果的概率中最大的概率所对应的类别,再将得到的每张验证集的临床骨关键区域图样本对应的9类分类结果的概率与医生标注的正确的骨分类结果计算交叉熵,得到第一轮训练后的待训练骨成熟度预测模型的误差值,再使用反向传播算法更新待训练骨成熟度预测模型的网络参数,将待训练骨成熟度预测模型得到的最终的骨分类结果与医生标注的正确的骨分类结果进行比较,得到准确率。再重复上述训练步骤,对更新后的待训练骨成熟度预测模型进行多轮训练操作,这里的训练操作包括上述训练、验证和更新的操作,直到计算出的误差值在第二预设轮数内都不再下降,则停止训练,选出准确率最高的那一轮的待训练骨成熟度预测模型作为最终训练好的骨成熟度预测模型。
在一种可行的实施方式中,男性待训练骨龄预测模型和女性待训练骨龄预测模型可以由以下方式得到:
获取多组临床骨分类结果样本,每组所述骨分类结果样本包含每个待预测对象样本的多个骨分类结果样本,所述多组临床骨分类结果样本包括多组男性临床骨分类结果样本和多组女性临床骨分类结果样本,待预测对象样本包括男性待预测对象样本和女性待预测对象样本;
将所述多组男性临床骨分类结果样本分为训练集和验证集,对男性待训练骨龄预测模型进行多轮训练,直至输出的男性待预测对象样本的骨龄预测结果的误差在第三预设轮数内均不再下降,结束训练,得到男性骨龄预测模型;
将所述多组女性临床骨分类结果样本分为训练集和验证集,对女性待训练骨龄预测模型进行多轮训练,直至输出的女性待预测对象样本的骨龄预测结果误差在第三预设轮数内均不再下降,结束训练,得到女性骨龄预测模型。
在本实施方式中,由于不同的性别对骨龄预测的结果有较大的影响,我们需要分别训练出男性骨龄预测模型和女性骨龄预测模型。
得到男性骨龄预测模型的步骤为:首先获取多组男性临床骨分类结果样本,然后将多组男性临床骨分类结果样本分为训练集和验证集,其中,验证集需要人工标注,每组验证集的男性临床骨分类结果样本均标注有正确的骨龄预测结果,首先,使用训练集对待训练男性骨龄预测模型进行第一轮训练,再使用验证集对第一轮训练后的待训练男性骨龄预测模型进行验证,具体地,使用第一轮训练后的待训练男性骨龄预测模型对输入的验证集进行识别,得到每组验证集的男性临床骨分类结果样本的骨龄预测结果,再将得到的每组验证集的男性临床骨分类结果样本的骨龄预测结果与医生标注的正确的骨龄预测结果计算差值,作为误差值,再使用反向传播算法更新待训练男性骨龄预测模型的网络参数。再重复上述训练步骤,对更新后的待训练男性骨龄预测模型进行多轮训练操作,这里的训练操作包括上述训练、验证和更新的操作,直到计算出的误差值在第三预设轮数内都不再下降,则停止训练,选出准确率最高的那一轮的待训练男性骨龄预测模型作为最终训练好的男性骨龄预测模型。
女性骨龄预测模型的训练方法和上述男性骨龄预测模型的训练方法类似,可参照上述内容,在此不再赘述。
基于同一发明构思,本申请一实施例提供一种基于深度学习的骨龄预测装置,参考图2,图2是申请实施例的一种基于深度学习的骨龄预测装置的示意图,如图2所示,所述装置包括:
获取模块201,用于获取待预测对象的待预测X光骨图,所述待预测对象包括男性待预测对象和女性待预测对象;
骨关键区域提取模块202,用于通过骨关键区域提取模型对所述待预测X光骨图进行关键点检测和关键区域提取,得到待预测对象的多张骨关键区域图;
骨成熟度预测模块203,用于通过骨成熟度预测模型对所述待预测对象的多张骨关键区域图进行预测,得到每张骨关键区域图属于每一类骨分类的概率,根据所述每张骨关键区域图属于每一类骨分类的概率,得到所述待预测对象的多张骨关键区域图对应的骨分类结果;
男性骨龄预测模块204,用于通过男性骨龄预测模型对所述男性待预测对象的所述多张骨关键区域图对应的骨分类结果进行计算,得到所述男性待预测对象的骨龄预测结果;
女性骨龄预测模块205,用于通过女性骨龄预测模型对所述女性待预测对象的所述多张骨关键区域图对应的骨分类结果进行计算,得到所述女性待预测对象的骨龄预测结果。
可选地,所述装置还包括:
第二获取模块,用于获取多张临床X光骨图样本;
骨关键区域提取模型训练模块,用于将所述临床X光骨图样本分为训练集和验证集,对待训练骨关键区域提取模型进行多轮训练,直至输出的关键点预测的误差在第一预设轮数内均不再下降,结束训练,得到所述骨关键区域提取模型,所述骨关键区域提取模型用于输出多张预设大小的骨关键区域图。
可选地,所述装置还包括:
第三获取模块,用于获取多张临床骨关键区域图样本;
骨成熟度预测模型训练模块,用于将所述临床骨关键区域图样本分为训练集和验证集,对待训练骨成熟度预测模型进行多轮训练,直至输出的骨分类结果的误差在第二预设轮数内均不再下降,结束训练,得到所述骨成熟度预测模型。
可选地,所述装置还包括:
第四获取模块,用于获取多组临床骨分类结果样本,每组所述骨分类结果样本包含每个待预测对象样本的多个骨分类结果样本,所述多组临床骨分类结果样本包括多组男性临床骨分类结果样本和多组女性临床骨分类结果样本,待预测对象样本包括男性待预测对象样本和女性待预测对象样本;
男性骨龄预测模型训练模块,用于将所述多组男性临床骨分类结果样本分为训练集和验证集,对男性待训练骨龄预测模型进行多轮训练,直至输出的男性待预测对象样本的骨龄预测结果的误差在第三预设轮数内均不再下降,结束训练,得到男性骨龄预测模型;
女性骨龄预测模型,用于将所述多组女性临床骨分类结果样本分为训练集和验证集,对女性待训练骨龄预测模型进行多轮训练,直至输出的女性待预测对象样本的骨龄预测结果误差在第三预设轮数内均不再下降,结束训练,得到女性骨龄预测模型。
基于同一发明构思,本申请另一实施例提供一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时,实现上述任一实施例所述的方法中的步骤。
基于同一发明构思,本申请另一实施例提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,实现如本申请上述任一实施例所述的方法中的步骤。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例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,本发明实施例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。
本发明实施例是参照根据本发明实施例的方法、终端设备(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终端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终端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终端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终端设备上,使得在计算机或其他可编程终端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终端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实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做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实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种基于深度学习的骨龄预测方法、一种基于深度学习的骨龄预测装置、一种电子设备和一种计算机可读存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于深度学习的骨龄预测方法,其特征在于,所述方法包括:
获取待预测对象的待预测X光骨图,所述待预测对象包括男性待预测对象和女性待预测对象;
通过骨关键区域提取模型对所述待预测X光骨图进行关键点检测和关键区域提取,得到待预测对象的多张骨关键区域图;
通过骨成熟度预测模型对所述待预测对象的多张骨关键区域图进行预测,得到每张骨关键区域图属于每一类骨分类的概率,根据所述每张骨关键区域图属于每一类骨分类的概率,得到所述待预测对象的多张骨关键区域图对应的骨分类结果;
通过男性骨龄预测模型对所述男性待预测对象的所述多张骨关键区域图对应的骨分类结果进行计算,得到所述男性待预测对象的骨龄预测结果,或
通过女性骨龄预测模型对所述女性待预测对象的所述多张骨关键区域图对应的骨分类结果进行计算,得到所述女性待预测对象的骨龄预测结果。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取多张临床X光骨图样本;
将所述临床X光骨图样本分为训练集和验证集,对待训练骨关键区域提取模型进行多轮训练,直至输出的关键点预测的误差在第一预设轮数内均不再下降,结束训练,得到所述骨关键区域提取模型,所述骨关键区域提取模型用于输出多张预设大小的骨关键区域图。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取多张临床骨关键区域图样本;
将所述临床骨关键区域图样本分为训练集和验证集,对待训练骨成熟度预测模型进行多轮训练,直至输出的骨分类结果的误差在第二预设轮数内均不再下降,结束训练,得到所述骨成熟度预测模型。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取多组临床骨分类结果样本,每组所述骨分类结果样本包含每个待预测对象样本的多个骨分类结果样本,所述多组临床骨分类结果样本包括多组男性临床骨分类结果样本和多组女性临床骨分类结果样本,待预测对象样本包括男性待预测对象样本和女性待预测对象样本;
将所述多组男性临床骨分类结果样本分为训练集和验证集,对男性待训练骨龄预测模型进行多轮训练,直至输出的男性待预测对象样本的骨龄预测结果的误差在第三预设轮数内均不再下降,结束训练,得到男性骨龄预测模型;
将所述多组女性临床骨分类结果样本分为训练集和验证集,对女性待训练骨龄预测模型进行多轮训练,直至输出的女性待预测对象样本的骨龄预测结果误差在第三预设轮数内均不再下降,结束训练,得到女性骨龄预测模型。
5.一种基于深度学习的骨龄预测装置,其特征在于,所述装置包括:
获取模块,用于获取待预测对象的待预测X光骨图,所述待预测对象包括男性待预测对象和女性待预测对象;
骨关键区域提取模块,用于通过骨关键区域提取模型对所述待预测X光骨图进行关键点检测和关键区域提取,得到待预测对象的多张骨关键区域图;
骨成熟度预测模块,用于通过骨成熟度预测模型对所述待预测对象的多张骨关键区域图进行预测,得到每张骨关键区域图属于每一类骨分类的概率,根据所述每张骨关键区域图属于每一类骨分类的概率,得到所述待预测对象的多张骨关键区域图对应的骨分类结果;
男性骨龄预测模块,用于通过男性骨龄预测模型对所述男性待预测对象的所述多张骨关键区域图对应的骨分类结果进行计算,得到所述男性待预测对象的骨龄预测结果;
女性骨龄预测模块,用于通过女性骨龄预测模型对所述女性待预测对象的所述多张骨关键区域图对应的骨分类结果进行计算,得到所述女性待预测对象的骨龄预测结果。
6.根据权利要求5所述的装置,其特征在于,所述装置还包括:
第二获取模块,用于获取多张临床X光骨图样本;
骨关键区域提取模型训练模块,用于将所述临床X光骨图样本分为训练集和验证集,对待训练骨关键区域提取模型进行多轮训练,直至输出的关键点预测的误差在第一预设轮数内均不再下降,结束训练,得到所述骨关键区域提取模型,所述骨关键区域提取模型用于输出多张预设大小的骨关键区域图。
7.根据权利要求5所述的装置,其特征在于,所述装置还包括:
第三获取模块,用于获取多张临床骨关键区域图样本;
骨成熟度预测模型训练模块,用于将所述临床骨关键区域图样本分为训练集和验证集,对待训练骨成熟度预测模型进行多轮训练,直至输出的骨分类结果的误差在第二预设轮数内均不再下降,结束训练,得到所述骨成熟度预测模型。
8.根据权利要求5所述的装置,其特征在于,所述装置还包括:
第四获取模块,用于获取多组临床骨分类结果样本,每组所述骨分类结果样本包含每个待预测对象样本的多个骨分类结果样本,所述多组临床骨分类结果样本包括多组男性临床骨分类结果样本和多组女性临床骨分类结果样本,待预测对象样本包括男性待预测对象样本和女性待预测对象样本;
男性骨龄预测模型训练模块,用于将所述多组男性临床骨分类结果样本分为训练集和验证集,对男性待训练骨龄预测模型进行多轮训练,直至输出的男性待预测对象样本的骨龄预测结果的误差在第三预设轮数内均不再下降,结束训练,得到男性骨龄预测模型;
女性骨龄预测模型,用于将所述多组女性临床骨分类结果样本分为训练集和验证集,对女性待训练骨龄预测模型进行多轮训练,直至输出的女性待预测对象样本的骨龄预测结果误差在第三预设轮数内均不再下降,结束训练,得到女性骨龄预测模型。
9.一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时,实现如权利要求1至4中任一项所述的基于深度学习的骨龄预测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,实现如权利要求1至4中任一项所述的基于深度学习的骨龄预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911007755.3A CN110874834A (zh) | 2019-10-22 | 2019-10-22 | 骨龄预测方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911007755.3A CN110874834A (zh) | 2019-10-22 | 2019-10-22 | 骨龄预测方法、装置、电子设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110874834A true CN110874834A (zh) | 2020-03-10 |
Family
ID=69717865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911007755.3A Pending CN110874834A (zh) | 2019-10-22 | 2019-10-22 | 骨龄预测方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110874834A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112785559A (zh) * | 2021-01-05 | 2021-05-11 | 四川大学 | 基于深度学习的多个异构模型相互组合的骨龄预测方法 |
CN112907537A (zh) * | 2021-02-20 | 2021-06-04 | 司法鉴定科学研究院 | 基于深度学习和现场虚拟仿真技术的骨骼性别鉴别方法 |
Citations (5)
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 |
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 |
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 |
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
- 2019-10-22 CN CN201911007755.3A patent/CN110874834A/zh active Pending
Patent Citations (6)
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 |
US20200020097A1 (en) * | 2016-09-21 | 2020-01-16 | The General Hospital Corporation | Systems, methods and media for automatically generating a bone age assessment from a radiograph |
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 |
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 |
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 (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112785559A (zh) * | 2021-01-05 | 2021-05-11 | 四川大学 | 基于深度学习的多个异构模型相互组合的骨龄预测方法 |
CN112785559B (zh) * | 2021-01-05 | 2022-07-12 | 四川大学 | 基于深度学习的多个异构模型相互组合的骨龄预测方法 |
CN112907537A (zh) * | 2021-02-20 | 2021-06-04 | 司法鉴定科学研究院 | 基于深度学习和现场虚拟仿真技术的骨骼性别鉴别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11922626B2 (en) | Systems and methods for automatic detection and quantification of pathology using dynamic feature classification | |
CN109741309B (zh) | 一种基于深度回归网络的骨龄预测方法及装置 | |
CN107591200B (zh) | 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 | |
CN110956626B (zh) | 一种基于图像的预后评估方法及装置 | |
CN110399927B (zh) | 识别模型训练方法、目标识别方法及装置 | |
Koitka et al. | Mimicking the radiologists’ workflow: Estimating pediatric hand bone age with stacked deep neural networks | |
US11471096B2 (en) | Automatic computerized joint segmentation and inflammation quantification in MRI | |
CN112819821B (zh) | 一种细胞核图像检测方法 | |
CN110111323B (zh) | 髋关节检测方法及装置 | |
CN112465231B (zh) | 地区人口健康状态预测方法、设备和可读存储介质 | |
CN110874834A (zh) | 骨龄预测方法、装置、电子设备及可读存储介质 | |
McCullough et al. | Convolutional neural network models for automatic preoperative severity assessment in unilateral cleft lip | |
Davis et al. | Automated bone age assessment using feature extraction | |
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 | |
de Jesus Guerrero-Turrubiates et al. | Fast Parabola Detection Using Estimation of Distribution Algorithms. | |
KR102639558B1 (ko) | 관심영역별 골 성숙 분포를 이용한 성장 분석 예측 장치 및 방법 | |
Rani et al. | A Deep Convolutional Architectural Framework for Radiograph Image Processing at Bit Plane Level for Gender & Age Assessment. | |
CN111414930B (zh) | 深度学习模型训练方法及装置、电子设备及存储介质 | |
CN116052848B (zh) | 一种医学成像质控的数据编码方法及系统 | |
CN116350203B (zh) | 一种体质测试数据处理方法及系统 | |
CN111667457A (zh) | 一种基于医学影像的脊椎椎体信息自动识别方法、系统、终端及存储介质 | |
CN114283114A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN113569829A (zh) | 集装箱编码数据识别方法及系统 | |
CN112447302B (zh) | 身高增长速度评价方法及终端设备 | |
Fischer et al. | Structural scene analysis and content-based image retrieval applied to bone age assessment |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200310 |