CN111027571B - 一种手腕部参照骨特征区域自适应提取方法 - Google Patents
一种手腕部参照骨特征区域自适应提取方法 Download PDFInfo
- Publication number
- CN111027571B CN111027571B CN201911197604.9A CN201911197604A CN111027571B CN 111027571 B CN111027571 B CN 111027571B CN 201911197604 A CN201911197604 A CN 201911197604A CN 111027571 B CN111027571 B CN 111027571B
- Authority
- CN
- China
- Prior art keywords
- reference bone
- bone
- wrist
- self
- feature region
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06T7/0002—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
- 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
- G06T2207/20004—Adaptive 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种手腕部参照骨特征区域自适应提取方法,包括以下步骤:步骤1:参照骨特征区域图像的提取和处理;步骤2:训练生成参照骨特征区域的自适应提取模型;步骤3:参照骨特征区域的自适应提取。本发明通过特征区域自适应的提取方法,准确地提取出手腕部参照骨的特征区域;在保证参照骨特征信息完整的基础上,减少了周边骨块、肌肉组织的干扰。该发明对所有参照骨均有较强的普适性,对骨龄的自动识别和临床医生评测骨龄都有重要意义。
Description
技术领域
本发明涉及一种手腕部参照骨特征区域提取方法。
背景技术
通过评测参照骨的成熟等级,综合所有参照骨成熟等级来计算骨龄的方法是目前医学界最普遍的骨龄计算方法,同时计分方式算出的骨龄值偏差较小。无论是临床医生评测参照骨的成熟等级,还是使用人工智能评测参照骨的成熟等级,由于在X线片中手腕部的参照骨形状不规则,参照骨与周边肌肉组织的对比度不高,当骨龄较大时参照骨会和周边其他骨块发生融合,为专家测评尤其是人工智能测评参照骨的成熟等级增大了难度。如何从手腕骨中提取参照骨的特征区域,在保证参照骨特征信息完整的基础上,还要减少周边骨块、肌肉组织的干扰是一个挑战。
目前常见的手腕部参照骨提取方法多是基于边缘检测、或兴趣区域识别、或是手工切割来实现的。但当大批量进行分割,以及参照骨和其他骨块随着骨龄增大而开始融合的时候,这些方法的准确率会下降。
发明内容
为了克服现有手腕部参照骨提取方法的准确率较低的不足,本发明提供一种准确率较高的手腕部参照骨特征区域提取方法。
本发明解决技术问题采用如下技术方案:
一种手腕部参照骨特征区域提取方法,包括以下步骤:
步骤1:手腕部参照骨特征区域图像的提取和处理,过程如下:
1.1)使用工具软件LabelImg标注手腕部X线片,用作特征区域自适应提取模型的训练学习,分为训练集和测试集,利用工具软件标注出参照骨特征区域的左上角坐标和右下角坐标,特征区域的尺寸大小确定原则是在保留参照骨完整信息的基础上,尽可能减少特征区域中的软组织和其他骨块;
1.2)完成图片的标注后,提取出参照骨的特征区域图像;
1.3)取得特征区域图像的尺寸信息,即长和宽,公式为:
其中(xmin,ymin)是参照骨特征区域的左上角坐标,(xmax,ymax)是参照骨特征区域的右下角坐标;
步骤2:训练生成参照骨特征区域的自适应提取模型,过程如下:
2.1)提取X线片所属者的身高和年龄信息,身高与年龄和手腕骨的大小、形态存在较强相关性;将身高、年龄信息和参照骨特征区域的尺寸一一对应起来,完成训练集和测试集的制作;
2.2)搭建BP神经网络,给定输入层的神经元个数、隐藏层的神经元个数和输出层神经元个数;
2.3)构建损失函数,采用最小绝对偏差损失函数(Least absolute deviationsloss,L1 Loss),公式如(1-2)所示。
其中truth为期待的目标输出真实值,xi为传输层的输出值;
2.4)将身高和年龄信息作为输入信号,输入BP神经网络,通过前向传播从输入层到隐藏层,最后到达输出层,在输出端的得到输出信号,即参照骨特征区域尺寸;对误差进行反向传播,对神经元之间的连接权值进行更新,权值更新公式如下:
其中ωij为输入层的第i个神经元与隐藏层的第j个神经元间的权值,Ep为误差信号,η为学习率;
2.5)通过不断更新权值,设定训练学习,验证模型可靠性,最终得到参照骨特征区域提取的网络模型,保存网络模型;
步骤3:手腕部参照骨特征区域的自适应提取,过程如下:
3.1)选择要提取参照骨,确定参照骨骨块中心点坐标;
3.2)加载步骤2中保存的网络模型,向特征区域自适应网络模型中输入X线片所属者的身高和年龄信息,得到对应的特征区域尺寸信息;
3.3)依据参照骨骨块在3.1)中确定的中心点和3.2)中确定的特征区域尺寸,完成对X线片中参照骨特征区域的自适应提取。
本发明具有如下有益效果:
(1)准确地提取出手腕部参照骨的特征区域;
(2)可以在保证手腕部参照骨特征信息完整的基础上,减少周边骨块、肌肉组织的干扰;
(3)可以提高人工智能判定骨龄时的识别准确率,也可为临床医生提供参考信息,具有普适性。
附图说明
图1是本发明的总体流程图。
图2是本发明使用的BP神经网络的结构图。
图3是本发明方法提取的手腕部参照骨特征区域结果图(以桡骨和钩骨为例),其中,(a)是本发明提取的桡骨特征区域图像,(b)是本发明提取的钩骨特征区域图像。
具体实施方式
下面结合附图对本发明的技术方案作进一步阐述。
参照图1~图3,一种手腕部参照骨分割方法,包括如下步骤:
步骤1:手腕部参照骨特征区域图像的提取和处理;
步骤2:训练生成参照骨特征区域的自适应提取模型;
步骤3:手腕部参照骨特征区域的自适应提取。
所述步骤1的过程如下:
3.1)使用工具软件LabelImg标注996张手腕部X线片,用作特征区域自适应提取模型的训练学习,其中训练集836张,测试集160张。利用工具软件标注出参照骨特征区域的左上角坐标和右下角坐标,特征区域的尺寸大小确定原则是在保留参照骨完整信息的基础上,尽可能减少特征区域中的软组织和其他骨块;
1.2)完成图片的标注后,提取出参照骨的特征区域图像;
1.3)取得特征区域图像的尺寸信息,即长和宽,公式为:
其中(xmin,ymin)是参照骨特征区域的左上角坐标,(xmax,ymax)是参照骨特征区域的右下角坐标;
所述步骤2的过程如下:
2.1)提取X线片所属者的身高和年龄信息,身高与年龄和手腕骨的大小、形态存在较强相关性。将身高、年龄信息和参照骨特征区域的尺寸一一对应起来,完成训练集和测试集的制作;
2.2)搭建BP神经网络,输入层的神经元个数为2,隐藏层的神经元个数为50,输出层神经元个数为2。
2.3)构建损失函数,采用最小绝对偏差损失函数(Least absolute deviationsloss,L1 Loss),公式如(1-2)所示。
其中truth为期待的目标输出真实值,xi为传输层的输出值;
2.4)将身高和年龄信息作为输入信号,输入BP神经网络,通过前向传播从输入层到隐藏层,最后到达输出层,在输出端的得到输出信号,即参照骨特征区域尺寸;对误差进行反向传播,对神经元之间的连接权值进行更新,权值更新公式如下:
其中ωij为输入层的第i个神经元与隐藏层的第j个神经元间的权值,Ep为误差信号,η为学习率;
2.5)通过不断更新权值,训练学习500次,验证模型可靠性,最终得到参照骨特征区域提取的网络模型,保存网络模型。
所述步骤3的过程如下:
3.1)选择要提取参照骨,确定参照骨骨块中心点坐标;
3.2)加载步骤2中保存的网络模型,向特征区域自适应网络模型中输入X线片所属者的身高和年龄信息,得到对应的特征区域尺寸信息;
3.3)依据参照骨骨块在3.1)中确定的中心点和3.2)中确定的特征区域尺寸,完成对X线片中参照骨特征区域的自适应提取。
最后应说明的是:以上实施方式仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施方式对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施方式技术方案的精神和范围。
Claims (1)
1.一种手腕部参照骨特征区域自适应提取方法,其特征在于,所述方法包括以下步骤:
步骤1:手腕部参照骨特征区域图像的提取和处理,过程如下:
1.1)使用工具软件LabelImg标注手腕部X线片,用作特征区域自适应提取模型的训练学习,分为训练集和测试集,利用工具软件标注出参照骨特征区域的左上角坐标和右下角坐标;
1.2)完成图片的标注后,提取出参照骨的特征区域图像;
1.3)取得特征区域图像的尺寸信息,即长和宽,公式为:
其中(xmin,ymin)是参照骨特征区域的左上角坐标,(xmax,ymax)是参照骨特征区域的右下角坐标;
步骤2:训练生成参照骨特征区域的自适应提取模型,过程如下:
2.1)提取X线片所属者的身高和年龄信息,身高与年龄和手腕骨的大小、形态存在较强相关性;将身高、年龄信息和参照骨特征区域的尺寸一一对应起来,完成训练集和测试集的制作;
2.2)搭建BP神经网络,给定输入层的神经元个数、隐藏层的神经元个数和输出层神经元个数;
2.3)构建损失函数,采用最小绝对偏差损失函数,公式如(1-2)所示:
其中truth为期待的目标输出真实值,xi为传输层的输出值;
2.4)将身高和年龄信息作为输入信号,输入BP神经网络,通过前向传播从输入层到隐藏层,最后到达输出层,在输出端的得到输出信号,即参照骨特征区域尺寸;对误差进行反向传播,对神经元之间的连接权值进行更新,权值更新公式如下:
其中ωij为输入层的第i个神经元与隐藏层的第j个神经元间的权值,Ep为误差信号,η为学习率;
2.5)通过不断更新权值,设定训练学习,验证模型可靠性,最终得到参照骨特征区域提取的网络模型,保存网络模型;
步骤3:手腕部参照骨特征区域的自适应提取,过程如下:
3.1)选择要提取参照骨,确定参照骨骨块中心点坐标;
3.2)加载步骤2中保存的网络模型,向特征区域自适应网络模型中输入X线片所属者的身高和年龄信息,得到对应的特征区域尺寸信息;
3.3)依据参照骨骨块在3.1)中确定的中心点和3.2)中确定的特征区域尺寸,完成对X线片中参照骨特征区域的自适应提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911197604.9A CN111027571B (zh) | 2019-11-29 | 2019-11-29 | 一种手腕部参照骨特征区域自适应提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911197604.9A CN111027571B (zh) | 2019-11-29 | 2019-11-29 | 一种手腕部参照骨特征区域自适应提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111027571A CN111027571A (zh) | 2020-04-17 |
CN111027571B true CN111027571B (zh) | 2022-03-01 |
Family
ID=70203288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911197604.9A Active CN111027571B (zh) | 2019-11-29 | 2019-11-29 | 一种手腕部参照骨特征区域自适应提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111027571B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023195A (zh) * | 2016-05-18 | 2016-10-12 | 河南师范大学 | 基于自适应遗传算法的bp神经网络图像分割方法及装置 |
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 |
CN107767376A (zh) * | 2017-11-02 | 2018-03-06 | 西安邮电大学 | 基于深度学习的x线片骨龄预测方法及系统 |
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 |
CN109886320A (zh) * | 2019-01-30 | 2019-06-14 | 姜姿君 | 一种人体股骨x光片智能识读方法及系统 |
CN109948614A (zh) * | 2019-03-26 | 2019-06-28 | 浙江康体汇科技有限公司 | 一种基于机器学习的手腕骨兴趣区域切割方法 |
CN110310292A (zh) * | 2019-06-28 | 2019-10-08 | 浙江工业大学 | 一种手腕部参照骨分割方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200529794A (en) * | 2004-03-03 | 2005-09-16 | Chi-Wen Hsieh | Method of automatically evaluating age of bone and skeleton via hand X-ray photograph |
US10818011B2 (en) * | 2017-12-29 | 2020-10-27 | Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences | Carpal segmentation and recognition method and system, terminal and readable storage medium |
-
2019
- 2019-11-29 CN CN201911197604.9A patent/CN111027571B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023195A (zh) * | 2016-05-18 | 2016-10-12 | 河南师范大学 | 基于自适应遗传算法的bp神经网络图像分割方法及装置 |
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 |
CN107767376A (zh) * | 2017-11-02 | 2018-03-06 | 西安邮电大学 | 基于深度学习的x线片骨龄预测方法及系统 |
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 |
CN109886320A (zh) * | 2019-01-30 | 2019-06-14 | 姜姿君 | 一种人体股骨x光片智能识读方法及系统 |
CN109948614A (zh) * | 2019-03-26 | 2019-06-28 | 浙江康体汇科技有限公司 | 一种基于机器学习的手腕骨兴趣区域切割方法 |
CN110310292A (zh) * | 2019-06-28 | 2019-10-08 | 浙江工业大学 | 一种手腕部参照骨分割方法 |
Non-Patent Citations (4)
Title |
---|
A deep automated skeletal bone age assessment model via region-based convolutional neural network;BaoyuLiang 等;《 Future Generation Computer Systems》;20190930;第98卷;第54-59页 * |
Pediatric Bone Age Assessment Using Deep Convolutional Neural Networks;Vladimir Iglovikov等;《arXiv》;20180619;第1-14页 * |
基于BP神经网络的全身骨SPECT图像分割;朱春媚等;《 生物医学工程学杂志》;20071217;第24卷(第5期);第1050-1053页 * |
骨龄 X 射线图像的手骨兴趣区域定位研究;宋日刚;《计算机应用与软件》;20140731;第31卷(第7期);第226-228页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111027571A (zh) | 2020-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109145939B (zh) | 一种小目标敏感的双通道卷积神经网络语义分割方法 | |
CN110837803B (zh) | 基于深度图网络的糖尿病视网膜病变分级方法 | |
CN107610087B (zh) | 一种基于深度学习的舌苔自动分割方法 | |
CN108334899A (zh) | 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 | |
CN109902584A (zh) | 一种口罩缺陷的识别方法、装置、设备及存储介质 | |
CN112069874A (zh) | 胚胎光镜图像中细胞的识别方法及系统、设备及存储介质 | |
WO2024051597A1 (zh) | 一种引体向上的规范计数方法、系统及其存储介质 | |
CN112101315B (zh) | 一种基于深度学习的运动评判指导方法和系统 | |
CN110503155A (zh) | 一种信息分类的方法及相关装置、服务器 | |
CN111553880A (zh) | 模型生成方法、标签标注方法、虹膜图像质量评价方法及装置 | |
CN111428639A (zh) | 手势识别模型的训练方法、手势识别方法及装置 | |
WO2023160666A1 (zh) | 一种目标检测方法、目标检测模型训练方法及装置 | |
CN111144462B (zh) | 一种雷达信号的未知个体识别方法及装置 | |
CN114170212A (zh) | 一种基于ct影像中肺小结节假阳检测方法及系统 | |
CN111027571B (zh) | 一种手腕部参照骨特征区域自适应提取方法 | |
CN111985432B (zh) | 一种基于贝叶斯定理和自适应权值调整的多模态数据融合方法 | |
CN115393351B (zh) | 一种基于朗格汉斯细胞判断角膜免疫状态的方法及装置 | |
CN111414930A (zh) | 深度学习模型训练方法及装置、电子设备及存储介质 | |
CN112001877A (zh) | 一种基于深度学习的甲状腺恶性结节检测方法 | |
CN115393336A (zh) | 一种骨龄评估方法、系统及计算机可读存储介质 | |
CN113469954B (zh) | 一种肺结节良恶性评价方法及装置 | |
CN112733729A (zh) | 模型训练、回归分析的方法、装置、存储介质和设备 | |
CN114067159A (zh) | 一种基于eus的粘膜下肿瘤细粒度分类方法 | |
CN113781398B (zh) | 一种基于双向门控循环网络的骨龄识别方法和模型 | |
CN114445649A (zh) | 用多尺度超像素融合检测rgb-d单幅图像阴影的方法 |
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 |