CN111882517A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN111882517A
CN111882517A CN202010512567.2A CN202010512567A CN111882517A CN 111882517 A CN111882517 A CN 111882517A CN 202010512567 A CN202010512567 A CN 202010512567A CN 111882517 A CN111882517 A CN 111882517A
Authority
CN
China
Prior art keywords
bone
target
epiphyses
graph
network model
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
Application number
CN202010512567.2A
Other languages
English (en)
Inventor
宫平
尹子昊
俞益洲
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.)
Beijing Shenrui Bolian Technology Co Ltd
Shenzhen Deepwise Bolian Technology Co Ltd
Original Assignee
Beijing Shenrui Bolian Technology Co Ltd
Shenzhen Deepwise Bolian 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 Beijing Shenrui Bolian Technology Co Ltd, Shenzhen Deepwise Bolian Technology Co Ltd filed Critical Beijing Shenrui Bolian Technology Co Ltd
Priority to CN202010512567.2A priority Critical patent/CN111882517A/zh
Publication of CN111882517A publication Critical patent/CN111882517A/zh
Pending legal-status Critical Current

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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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
    • G06T2207/20—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

本申请所提供的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，所述方法包括：获取手腕骨影像的N个目标骨骺；采用特征提取网络模型，提取手腕骨影像的N个目标骨骺及其附近区域的初始特征X；采用基于图卷积网络的上下文特征融合网络模型，将初始特征X和经过多层图卷积后的上下文特征相加，得到最终的融合特征
Figure DDA0002528925740000011
将所述融合特征
Figure DDA0002528925740000012
输入预测分布网络模型，预测得到N个目标骨骺的发育等级分布，并相应计算发育等级期望和方差、发育分数期望、骨成熟度总分；利用预测的发育等级和计算的骨成熟度总分，根据骨龄标准计算得到最终骨龄预测值。本申请通过图卷积网络实现上下文特征融合促进不同局部骨区域间信息交流，并通过骨成熟度总分损失函数避免累计骨龄误差，实现了骨龄评测的精确性和鲁棒性。

Description

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
技术领域
本申请涉及骨龄评测技术领域，尤其是涉及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。
背景技术
骨龄是评价青少年及儿童生物年龄的主要方法，应用于临床医学、法医学和运动学等领域。计分法骨龄标准(如《中华-05》骨龄标准、TW3骨龄标准)规定对手腕骨的桡骨、尺骨以及其他短指骨分别进行发育等级评测。骨龄片拍摄质控要求取左手正位，五指舒展，避免关节弯曲；拍摄后，分别对每处骨化中心进行发育等级评分，并将算出相应分数总和，查表得出最终骨龄。需要注意的是，对于每处骨化中心，其成熟等级类别数存在差异。比如中华05标准中，发育等级最少的是远节指骨，只有11个等级；最多的是桡骨，有15个等级。而且发育等级与分数之间不是线性关系，一般而言，发育等级越高，相邻等级对应分数差别越大，医生错判带来的误差也会越大。
骨龄评测的第一个难点是非规范的骨龄拍摄。实际操作中，作为骨龄评测的主要受众，青少年儿童可能会不配合、不听从医嘱，手掌姿势不合规范或生长异常，导致对应部位的骨骺形态发生变化(比如旋转、形变、被遮挡)，对精确骨龄评测造成困难。另一个难点是现有标准下内生的“等级二义性”。无论是国际TW3标准，还是国内CHN05标准，发育等级都是离散的。但实际上，骨骼发育具有时间连续性，其真实发育程度落在现有标准的两个离散等级之间，导致医生难以准确评判。
对于上述问题，医学专家通常难以直接给该部位的成熟等级给出准确评测，而采取借鉴邻近部位的骨化中心的生长程度来进行综合考量，该行为的合理性在于邻近部位的骨化中心在生长模式上有高度相关性。
现有技术中利用机器学习进行自动化骨龄评测的技术，如
“基于卷积神经网络的全自动骨龄评定方法”，通过利用资料库中的手腕骨X线片进行标准化预处理，准备训练集；构建并训练卷积神经网络；利用训练好的卷积神经网络对新的骨龄片进行数据处理，得到骨龄评定结果。再有现有技术中CN201910231284.8公开的“一种基于概率的骨龄计算方法”，通过获取深度学习模型对左手各个骨头的分类等级及对应的概率的基础上，选择可能性最高的2个等级及对应的概率，通过归一化概率与各个骨头等级对应的分值相乘获得各自的分值，再相加获得该块骨头最终的分值，根据CHN法分值表查表得到骨龄。
在TW3标准下，在挖掘出目标骨骺区域后，仅仅根据单个骨骺的特征对该骨骺进行评级，忽视了其他骨骺区域的信息，且该方法适用于拍摄效果理想、发育正常的骨龄影像，对于拍摄手掌姿势不规范的而发生旋转、变形的骨骺，或者出现生长异常的骨骺，必须参考其他骨骺发育特征，才能对该骨骺进行鲁棒的发育等级评价。因此，现有技术普遍将骨龄评级处理为简单的分类或回归问题，认为骨龄的金标准为单一整数值，忽视了等级的二义性。因而，现有技术的缺点为主要是：1)没有深入考虑某些情况(诸如生长异常或手掌姿势不规范)下骨骺形态特征变化对于评级准确性的影响；2)评级仅根据单一骨骺区域的特征，忽视了其他骨骺区域提供的上下文信息；3)没有考虑骨龄金标准的内生二义性对于骨龄评测模型训练的影响。
因此，亟需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，以解决骨龄评测的标注任务中由于生长异常或手掌姿势不规范导致的骨骺形态发生变化，以及骨龄评测标准下骨骺发育程度只能归类到有限等级上导致标注具有二义性的问题，实现骨龄评测的精确性和鲁棒性。
发明内容
针对现有技术的不足，本申请提供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，解决了现有技术中骨龄评测的标注任务中普遍存在由不规范手掌姿势或佩戴饰物导致骨骼拍摄片不规范，以及骨龄评测标准下骨骺发育程度只能归类到有限等级上导致标注具有二义性等问题。
为解决上述技术问题，第一方面，本申请提供一种基于图卷积神经网络的骨龄评测方法，包括：
获取手腕骨影像的N个目标骨骺，其中，N是等于或大于2的整数；
采用特征提取网络模型，提取手腕骨影像的N个目标骨骺及其附近区域的初始特征X；
采用基于图卷积网络的上下文特征融合网络模型，将初始特征X和经过多层图卷积后的上下文特征相加，得到最终的融合特征
Figure BDA0002528925720000031
将所述融合特征
Figure BDA0002528925720000032
输入至预测分布网络模型，预测得到N个目标骨骺的发育等级分布，并相应计算发育等级期望和方差、发育分数期望、骨成熟度总分；
利用预测的发育等级和计算的骨成熟度总分，根据骨龄标准计算得到最终骨龄预测值。
可选的，所述获取手腕骨影像的N个目标骨骺，包括：
获取X线手腕骨正位片；
采用基于关键点检测、目标检测或实例分割的定位网络模型，定位出X线手腕骨正位片中的N个目标骨骺位置。
可选的，所述采用基于图卷积网络的上下文特征融合网络模型，将初始特征X和经过多层图卷积后的上下文特征相加，得到最终的融合特征
Figure BDA0002528925720000033
包括：
构建手腕骨N个目标骨骺的特征融合拓扑图；
将特征融合拓扑图的图邻接矩阵进行归一化处理，构建图卷积网络模型；
采用图卷积网络模型对初始特征进行图卷积，得到上下文特征；
采用目标特征融合网络模型，以残差学习的方式将初始特征X和上下文特征进行相加，得到最终的融合特征
Figure BDA0002528925720000034
可选的，所述将特征融合拓扑图的图邻接矩阵进行归一化处理，构建图卷积网络模型，包括：
构建手腕骨N个目标骨骺的特征融合拓扑图，记为G(V,E,A)，其中，V是势为N的顶点集，E是边集，A∈RN×N是邻接矩阵；
将特征融合拓扑图的图邻接矩阵A∈RN×N加自连接得到
Figure BDA0002528925720000041
其中，IN为单位阵，对线元素为1；
计算出度矩阵
Figure BDA0002528925720000042
计算得到邻接矩阵
Figure BDA0002528925720000043
根据邻接矩阵构建图卷积网络模型，其中，图卷积的函数定义为：
Figure BDA0002528925720000044
其中，Xl∈RN×C是作为输入的骨骺特征矩阵，Θ∈RC×F是GCN需要学习的卷积核参数，f表示非线性的激活函数。
可选的，所述将所述融合特征
Figure BDA0002528925720000045
输入至预测分布网络模型，预测得到N个目标骨骺的发育等级分布，并相应计算发育等级期望和方差、发育分数期望、骨成熟度总分，包括：
将基于医生标注的N个样本骨骺的发育等级进行标签平滑处理，生成高斯分布作为医生标注分布；
将所述N个样本骨骺的融合特征
Figure BDA0002528925720000046
输入至预测分布网络模型获取模型预测分布；
根据所述模型预测分布和医生标注分布，利用骨成熟度总分损失函数训练所述分布网络模型；
将所述N个目标骨骺的融合特征
Figure BDA0002528925720000047
输入至预测分布网络模型，预测得到N个目标骨骺的发育等级分布，并相应计算发育等级期望和方差、发育分数期望、骨成熟度总分。
可选的，所述利用预测的发育等级和计算的骨成熟度总分，根据骨龄标准计算得到最终骨龄预测值，包括：
利用预测的发育等级和计算的骨成熟度总分，采用计分法得到最终骨龄预测值。
第二方面，本申请还提供一种基于图卷积神经网络的骨龄评测系统，包括：
获取单元，配置用于获取手腕骨影像的N个目标骨骺，其中，N是等于或大于2的整数；
特征提取单元，配置用于采用特征提取网络模型，提取手腕骨影像的N个目标骨骺及其附近区域的初始特征X；
特征融合单元，配置用于采用基于图卷积网络的上下文特征融合网络模型，将初始特征X和经过多层图卷积后的上下文特征相加，得到最终的融合特征
Figure BDA0002528925720000051
模型预测单元，配置用于将所述融合特征
Figure BDA0002528925720000052
输入至预测分布网络模型，预测得到N个目标骨骺的发育等级分布，并相应计算发育等级期望和方差、发育分数期望、骨成熟度总分；
计算单元，配置用于利用预测的发育等级和计算的骨成熟度总分，根据骨龄标准计算得到最终骨龄预测值。
可选的，所述获取单元具体用于：
获取X线手腕骨正位片；
采用基于关键点检测、目标检测或实例分割的定位网络模型，定位出X线手腕骨正位片中的N个目标骨骺位置。
可选的，所述特征融合单元包括：
构建单元，配置用于构建手腕骨N个目标骨骺的特征融合拓扑图；
处理单元，配置用于将特征融合拓扑图的图邻接矩阵进行归一化处理，构建图卷积网络模型；
图卷积单元，配置用于采用图卷积网络模型对初始特征进行图卷积，得到上下文特征；
融合处理单元，配置用于采用目标特征融合网络模型，以残差学习的方式将初始特征X和上下文特征相加，得到最终的融合特征
Figure BDA0002528925720000053
可选的，所述构建单元具体用于：
构建手腕骨N个目标骨骺的特征融合拓扑图，记为G(V,E,A)，其中，V是势为N的顶点集，E是边集，A∈RN×N是邻接矩阵；
将特征融合拓扑图的图邻接矩阵A∈RN×N加自连接得到
Figure BDA0002528925720000054
其中，IN为单位阵，对线元素为1；
计算出度矩阵
Figure BDA0002528925720000055
计算得到邻接矩阵
Figure BDA0002528925720000061
根据邻接矩阵构建图卷积网络模型，其中，图卷积的函数定义为：
Figure BDA0002528925720000062
其中，Xl∈RN×C是作为输入的骨骺特征矩阵，Θ∈RC×F是GCN需要学习的卷积核参数，f表示非线性的激活函数。
可选的，所述模型预测单元包括：
分布标注单元，配置用于将基于医生标注的N个样本骨骺的发育等级进行标签平滑处理，生成高斯分布作为医生标注分布；
分布预测单元，配置用于将所述N个样本骨骺的融合特征
Figure BDA0002528925720000063
输入至预测分布网络模型获取模型预测分布；
模型训练单元，配置用于根据所述模型预测分布和医生标注分布，利用骨成熟度总分损失函数训练所述分布网络模型；
分布预测单元，配置用于将所述N个目标骨骺的融合特征
Figure BDA0002528925720000064
输入至预测分布网络模型，预测得到N个目标骨骺的发育等级分布，并相应计算发育等级期望和方差、发育分数期望、骨成熟度总分。
可选的，计算单元具体用于：
利用预测的发育等级和计算的骨成熟度总分，采用计分法得到最终骨龄预测值。
第三方面，本申请提供一种终端，包括：
处理器、存储器，其中，
该存储器用于存储计算机程序，
该处理器用于从存储器中调用并运行该计算机程序，使得终端执行上述的终端的方法。
第四方面，本申请提供了一种计算机存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述各方面所述的方法。
与现有技术相比，本申请具有如下有益效果：
1、本申请在对目标骨骺进行骨龄评级时，通过将目标骨骺及其附近区域的初始特征与经过图卷积后的上下文特征相加，实现了有效的特征融合、上下文信息传递，不仅考虑了目标骨骺的局部影像特征，还根据骨骺种类、骨骺相对位置、骨骺生长模式等因素，充分利用了其他相关骨骺的影像特征，尤其对于存在明显二义性的难例，实现骨龄评测的精确性、鲁棒性。
2、本申请利用骨成熟度总分损失函数进行预测分布网络模型优化，该损失函数通过约束模型预测的手腕骨目标骨骺的成熟度总分和医生标注的成熟度总分尽量接近，迫使上述图卷积网络对各个骨骺的评价误差“互相抵消”，可避免累计骨龄误差，显著降低骨龄评测模型的系统偏差。
3、本申请充分考虑了现行骨龄标准的内生缺陷，并通过诸如标签平滑、使用预测分布期望取代直接预测、降低模型预测分布方差等分布学习技术，使得骨龄评测模型训练更为科学精确。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例所提供的一种基于图卷积神经网络的骨龄评测方法的流程图；
图2为本申请另一实施例所提供的一种基于图卷积神经网络的骨龄评测系统的结构示意图；
图3为本申请实施例所提供的一种终端系统的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。
请参考图1，图1为本申请实施例所提供的一种基于图卷积神经网络的骨龄评测方法的流程图，该方法100包括：
S101：获取手腕骨影像的N个目标骨骺，其中，N是等于或大于2的整数；
S102：采用特征提取网络模型，提取手腕骨影像的N个目标骨骺及其附近区域的初始特征X；
S103：采用基于图卷积网络的上下文特征融合网络模型，将初始特征X和经过多层图卷积后的上下文特征相加，得到最终的融合特征
Figure BDA0002528925720000081
S104：将所述融合特征
Figure BDA0002528925720000082
输入至预测分布网络模型，预测得到N个目标骨骺的发育等级分布，并相应计算发育等级期望和方差、发育分数期望、骨成熟度总分；
S105：利用预测的发育等级和计算的骨成熟度总分，根据骨龄标准计算得到最终骨龄预测值。
基于上述实施例，作为可选的实施例，所述S101获取手腕骨影像的N个目标骨骺，包括：
获取X线手腕骨正位片；
采用基于关键点检测、目标检测或实例分割的定位网络模型，定位出X线手腕骨正位片中的N个目标骨骺位置。
例如，对CH05掌指骨骨龄评测法，定位出13块掌指骨的位置。
基于上述实施例，作为可选的实施例，所述S103采用基于图卷积网络的上下文特征融合网络模型，将初始特征X和经过多层图卷积后的上下文特征相加，得到最终的融合特征
Figure BDA0002528925720000083
包括：
构建手腕骨N个目标骨骺的特征融合拓扑图；
将特征融合拓扑图的图邻接矩阵进行归一化处理，构建图卷积网络模型；
采用图卷积网络模型对初始特征进行图卷积，得到上下文特征；
采用目标特征融合网络模型，以残差学习的方式将初始特征X和上下文特征相加，得到最终的融合特征
Figure BDA0002528925720000091
需要说明的是，作为本实施例可替换的方案，在对每一个目标骨骺的X射线局部影像，提取出对应局部特征后，将所有局部特征合并起来，作为后续骨龄等级评测网络的输入特征。该方案理论上精确度不如本发明。同时存在缺点：1)不能以图卷积网络的方式，通过共享卷积核而节省参数，因而会消耗更多计算资源，同时模型训练面临过拟合风险更大；2)不能通过设计“特征融合拓扑图”，将医学先验和骨骺特征相关性等信息纳入进来，完全依靠网络去学习骨骺间的发育相关性，训练难度更大。因此本申请优选将初始特征X和上下文特征进行特征融合处理进行模型预测的方案。
基于上述实施例，作为可选的实施例，将特征融合拓扑图的图邻接矩阵进行归一化处理，构建图卷积网络模型，包括：
构建手腕骨N个目标骨骺的特征融合拓扑图，记为G(V,E,A)，其中，V是势为N的顶点集，E是边集，A∈RN×N是邻接矩阵；
将特征融合拓扑图的图邻接矩阵A∈RN×N加自连接得到
Figure BDA0002528925720000092
其中，IN为单位阵，对线元素为1；
计算出度矩阵
Figure BDA0002528925720000093
计算得到邻接矩阵
Figure BDA0002528925720000094
根据邻接矩阵构建图卷积网络模型，其中，图卷积的函数定义为：
Figure BDA0002528925720000095
其中，Xl∈RN×C是作为输入的骨骺特征矩阵，Θ∈RC×F是GCN需要学习的卷积核参数，f表示非线性的激活函数。
需要说明的是，此特征融合拓扑图为无向图，V是势为N的顶点集，每个顶点代表一个待评测骨骺的特征。E是边集，每条边连通的两个顶点代表两处骨骺区域其生长发育过程高度相关，可以进行信息传递。A∈RN×N是邻接矩阵，有多种定义方式：第一种定义方式是构建全连接图，即任意一个手腕骨的目标骨骺局部区域特征，均和其他所有的手腕骨的局部区域特征存在直接连通的“边”；第二种方法基于医学先验知识，参考骨龄标准以及专家意见，综合骨化模式、骨骺种类、位置等因素，将紧密相关的骨骺连接起来；第三种方法，基于骨骺间的发育等级相关性，可选的相关性的衡量指标，包括但不限于相关系数、互信息等；然后基于该指标，计算出骨龄数据库中，N块骨骺的发育等级相关性矩阵M。其中Mij＝corr(di,dj)表示属于同一测试者的第i块骨骺等级di和第j块骨骺等级dj的相关系数。若Mij大于某阈值τ，则在认为第i、j块骨骺是紧密相关的，在它们间连边。
此外，出于数值稳定的考虑，需要对特征融合拓扑图的图邻接矩阵A∈RN×N进行归一化处理。首先需要加自连接
Figure BDA0002528925720000101
其中IN为单位阵，对线元素为1，使得每块骨骺到自身连边。然后计算出度矩阵
Figure BDA0002528925720000102
即将邻接矩阵的每一行里边的个数相加，算出i节点有多少边连到其他节点。最后计算得到归一化后的邻接矩阵
Figure BDA0002528925720000103
以上为单层图卷积算子的定义，通过将多层图卷积算子叠加起来，模型可以通过节点间多步的信息传递，学习到不同目标骨骺区域间更为丰富的发育联系。为了精简参数，使模型更加高效轻便，对于输入
Figure BDA0002528925720000104
第一层图卷积算子将特征维度缩小到F2(F2<F1)，接着第二层图卷积算子以第一层的输出为输入，并将特征维度恢复到F1。因此，本申请优选两层图卷积运算。
基于上述实施例，作为可选的实施例，所述S104将所述融合特征
Figure BDA0002528925720000105
输入至预测分布网络模型，预测得到N个目标骨骺的发育等级分布，并相应计算发育等级期望和方差、发育分数期望、骨成熟度总分，包括：
将基于医生标注的N个样本骨骺的发育等级进行标签平滑处理，生成高斯分布作为医生标注分布；
将所述N个样本骨骺的融合特征
Figure BDA0002528925720000106
输入至预测分布网络模型获取模型预测分布；
根据所述模型预测分布和医生标注分布，利用骨成熟度总分损失函数训练所述分布网络模型；
将所述N个目标骨骺的融合特征
Figure BDA0002528925720000107
输入至预测分布网络模型，预测得到N个目标骨骺的发育等级分布，并相应计算发育等级期望和方差、发育分数期望、骨成熟度总分。
具体的，包括如下步骤：
1、将基于医生标注的N块骨骺的发育等级Y＝(y1,y2,…,yN)，进行标签平滑处理，生成高斯分布T＝(t1,t2,…,tN)，即ti是以医生标注yi为期望、医生标注误差σi为标准差的高斯分布；
2、将N个样本骨骺的融合特征
Figure BDA0002528925720000111
输入至预测分布网络模型获取模型预测分布P＝(p1,p2,…,pN)，对于第i个骨骺特征
Figure BDA0002528925720000112
它将通过全连接层(FullyConnected Layer后简称FC)及softmax函数归一化为发育等级的预测概率分布向量
Figure BDA0002528925720000118
其中，Ci是第i类骨骺的发育等级数；
3、采用全监督的方式进行分布学习，对于第i块骨骺，分别有模型预测分布pi和医生标注分布ti，引入损失函数，使两种分布(pi,ti)尽量接近，使得基于两种分布算出的发育等级期望接近，使模型预测发育等级分布的方差尽量小，实现预测分布网络模型的优化训练；其中，对于分布损失，常用的函数包括但不限于KL散度；对于等级期望和分数期望，常用的损失函数包括但不限于绝对值误差、平方误差；
4、基于预测分布模型计算出骨骺发育等级的期望
Figure BDA0002528925720000113
和方差
Figure BDA0002528925720000114
Figure BDA0002528925720000115
骨骺发育分数的期望
Figure BDA0002528925720000116
其中Sij是TW3标准下第i类骨骺发育到第j个等级对应的发育分数；
5、将对N个目标骨骺并行计算出上述骨骺发育等级分布、骨骺发育等级期望和方差、骨骺发育分数期望，并将N个骨骺的分数期望求和
Figure BDA0002528925720000117
作为目标骨骺成熟度总分，即最终整个手的骨龄TW3分数。
需要说明的是，由生长异常或手掌姿势不规范所导致的骨骺形态变化，对医生进行精确骨骺评级造成很大困难。这种情况下，除了目标骨骺区域的影像特征，医生还会以其他紧密相关的骨骺区域为参考，以使得骨龄评测结果更加准确鲁棒。例如，第五中节指骨处骨骺形态出现异常，医生会参考第五远节指骨和第三中节指骨处的骨骺发育状态。这样做的合理性在于：每处骨骺其骨化模式具有高度相关性，不同骨骺的特征在合理的引导下可以被相互利用，进行充分的信息交流，使得骨龄评级更加鲁棒精确。
基于上述实施例，作为可选的实施例，所述S105利用预测的发育等级和计算的骨成熟度总分，根据骨龄标准计算得到最终骨龄预测值，包括：
利用预测的发育等级和计算的骨成熟度总分，采用计分法得到最终骨龄预测值。
具体的，计分法采用查表的方式得到最终骨龄预测值。
请参考图2，图2为本申请实施例所提供的一种基于图卷积神经网络的骨龄评测系统的结构示意图，该系统200，包括：
获取单元201，配置用于获取手腕骨影像的N个目标骨骺，其中，N是等于或大于2的整数；
特征提取单元202，配置用于采用特征提取网络模型，提取手腕骨影像的N个目标骨骺及其附近区域的初始特征X；
特征融合单元203，配置用于采用基于图卷积网络的上下文特征融合网络模型，将初始特征X和经过多层图卷积后的上下文特征相加，得到最终的融合特征
Figure BDA0002528925720000121
模型预测单元204，配置用于将所述融合特征
Figure BDA0002528925720000122
输入至预测分布网络模型，预测得到N个目标骨骺的发育等级分布，并相应计算发育等级期望和方差、发育分数期望、骨成熟度总分；
计算单元205，配置用于利用预测的发育等级和计算的骨成熟度总分，根据骨龄标准计算得到最终骨龄预测值。
基于上述实施例，作为可选的实施例，所述获取单元201具体用于：
获取X线手腕骨正位片；
采用基于关键点检测、目标检测或实例分割的定位网络模型，定位出X线手腕骨正位片中的N个目标骨骺位置。
基于上述实施例，作为可选的实施例，所述特征融合单元203，包括：
构建单元，配置用于构建手腕骨N个目标骨骺的特征融合拓扑图；
处理单元，配置用于将特征融合拓扑图的图邻接矩阵进行归一化处理，构建图卷积网络模型；
图卷积单元，配置用于采用图卷积网络模型对初始特征进行图卷积，得到上下文特征；
融合处理单元，配置用于采用目标特征融合网络模型，以残差学习的方式将初始特征X和上下文特征相加，得到最终的融合特征
Figure BDA0002528925720000131
基于上述实施例，作为可选的实施例，所述构建单元，具体用于：
构建手腕骨N个目标骨骺的特征融合拓扑图，记为G(V,E,A)，其中，V是势为N的顶点集，E是边集，A∈RN×N是邻接矩阵；
将特征融合拓扑图的图邻接矩阵A∈RN×N加自连接得到
Figure BDA0002528925720000132
其中，IN为单位阵，对线元素为1；
计算出度矩阵
Figure BDA0002528925720000133
计算得到邻接矩阵
Figure BDA0002528925720000134
根据邻接矩阵构建图卷积网络模型，其中，图卷积的函数定义为：
Figure BDA0002528925720000135
其中，Xl∈RN×C是作为输入的骨骺特征矩阵，Θ∈RC×F是GCN需要学习的卷积核参数，f表示非线性的激活函数。
基于上述实施例，作为可选的实施例，所述模型预测单元204，包括：
分布标注单元，配置用于将基于医生标注的N个样本骨骺的发育等级进行标签平滑处理，生成高斯分布作为医生标注分布；
分布预测单元，配置用于将所述N个样本骨骺的融合特征
Figure BDA0002528925720000136
输入至预测分布网络模型获取模型预测分布；
模型训练单元，配置用于根据所述模型预测分布和医生标注分布，利用骨成熟度总分损失函数训练所述分布网络模型；
分布预测单元，配置用于将所述N个目标骨骺的融合特征
Figure BDA0002528925720000137
输入至预测分布网络模型，预测得到N个目标骨骺的发育等级分布，并相应计算发育等级期望和方差、发育分数期望、骨成熟度总分。
基于上述实施例，作为可选的实施例，所述计算单元205具体用于：
利用预测的发育等级和计算的骨成熟度总分，采用计分法得到最终骨龄预测值。
请参考图3，图3为本申请实施例所提供的一种终端系统300的结构示意图，该终端系统300可以用于执行本发明实施例提供的基于图卷积神经网络的骨龄评测方法。
其中，该终端系统300可以包括：处理器301、存储器302及通信单元303。这些组件通过一条或多条总线进行通信，本领域技术人员可以理解，图中示出的服务器的结构并不构成对本发明的限定，它既可以是总线形结构，也可以是星型结构，还可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
其中，该存储器302可以用于存储处理器301的执行指令，存储器302可以由任何类型的易失性或非易失性存储终端或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。当存储器302中的执行指令由处理器301执行时，使得终端系统300能够执行以下上述方法实施例中的部分或全部步骤。
处理器301为存储终端的控制中心，利用各种接口和线路连接整个电子终端的各个部分，通过运行或执行存储在存储器302内的软件程序和/或模块，以及调用存储在存储器内的数据，以执行电子终端的各种功能和/或处理数据。所述处理器可以由集成电路(Integrated Circuit，简称IC)组成，例如可以由单颗封装的IC所组成，也可以由连接多颗相同功能或不同功能的封装IC而组成。举例来说，处理器301可以仅包括中央处理器(Central Processing Unit，简称CPU)。在本发明实施方式中，CPU可以是单运算核心，也可以包括多运算核心。
通信单元303，用于建立通信信道，从而使所述存储终端可以与其它终端进行通信。接收其他终端发送的用户数据或者向其他终端发送用户数据。
本申请还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时可包括本发明提供的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文：read-only memory，简称：ROM)或随机存储记忆体(英文：random access memory，简称：RAM)等。
本申请在对目标骨骺进行骨龄评级时，通过将目标骨骺及其附近区域的初始特征与经过图卷积后的上下文特征相加，实现了有效的特征融合、上下文信息传递，不仅考虑了目标骨骺的局部影像特征，还根据骨骺种类、骨骺相对位置、骨骺生长模式等因素，充分利用了其他相关骨骺的影像特征，尤其对于存在明显二义性的难例，实现骨龄评测的精确性、鲁棒性。本申请充分考虑了现行骨龄标准的内生缺陷，并通过诸如标签平滑、使用预测分布期望取代直接预测、降低模型预测分布方差等分布学习技术，使得骨龄评测模型训练更为科学精确。本申请利用骨成熟度总分损失函数进行预测分布网络模型优化，可显著降低骨龄评测模型的系统偏差，该损失函数通过约束模型预测的手腕骨目标骨骺的成熟度总分和医生标注的成熟度总分尽量接近，迫使模型对各个骨骺的评价误差“互相抵消”，从而避免较大的累积骨龄误差。
说明书中各个实施例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部分互相参见即可。对于实施例提供的系统而言，由于其与实施例提供的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本申请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申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是，在本说明书中，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。

Claims (14)

1.一种基于图卷积神经网络的骨龄评测方法，其特征在于，包括：
获取手腕骨影像的N个目标骨骺，其中，N是等于或大于2的整数；
采用特征提取网络模型，提取手腕骨影像的N个目标骨骺及其附近区域的初始特征X；
采用基于图卷积网络的上下文特征融合网络模型，将初始特征X和经过多层图卷积后的上下文特征相加，得到最终的融合特征
Figure FDA0002528925710000011
将所述融合特征
Figure FDA0002528925710000012
输入至预测分布网络模型，预测得到N个目标骨骺的发育等级分布，并相应计算发育等级期望和方差、发育分数期望、骨成熟度总分；
利用预测的发育等级和计算的骨成熟度总分，根据骨龄标准计算得到最终骨龄预测值。
2.根据权利要求1所述的基于图卷积神经网络的骨龄评测方法，其特征在于，所述获取手腕骨影像的N个目标骨骺，包括：
获取X线手腕骨正位片；
采用基于关键点检测、目标检测或实例分割的定位网络模型，定位出X线手腕骨正位片中的N个目标骨骺位置。
3.根据权利要求1所述的基于图卷积神经网络的骨龄评测方法，其特征在于，所述采用基于图卷积网络的上下文特征融合网络模型，将初始特征X和经过多层图卷积后的上下文特征相加，得到最终的融合特征
Figure FDA0002528925710000013
包括：
构建手腕骨N个目标骨骺的特征融合拓扑图；
将特征融合拓扑图的图邻接矩阵进行归一化处理，构建图卷积网络模型；
采用图卷积网络模型对初始特征进行图卷积，得到上下文特征；
采用目标特征融合网络模型，以残差学习的方式将初始特征X和上下文特征相加，得到最终的融合特征
Figure FDA0002528925710000014
4.根据权利要求3所述的基于图卷积神经网络的骨龄评测方法，其特征在于，所述将特征融合拓扑图的图邻接矩阵进行归一化处理，构建图卷积网络模型，包括：
构建手腕骨N个目标骨骺的特征融合拓扑图，记为G(V,E,A)，其中，V是势为N的顶点集，E是边集，A∈RN×N是邻接矩阵；
将特征融合拓扑图的图邻接矩阵A∈RN×N加自连接得到
Figure FDA0002528925710000021
其中，IN为单位阵，对线元素为1；
计算出度矩阵
Figure FDA0002528925710000022
计算得到邻接矩阵
Figure FDA0002528925710000023
根据邻接矩阵构建图卷积网络模型，其中，图卷积的函数定义为：
Figure FDA0002528925710000024
其中，Xl∈RN×C是作为输入的骨骺特征矩阵，Θ∈RC×F是GCN需要学习的卷积核参数，f表示非线性的激活函数。
5.根据权利要求1所述的基于图卷积神经网络的骨龄评测方法，其特征在于，所述将所述融合特征
Figure FDA0002528925710000025
输入至预测分布网络模型，预测得到N个目标骨骺的发育等级分布，并相应计算发育等级期望和方差、发育分数期望、骨成熟度总分，包括：
将基于医生标注的N个样本骨骺的发育等级进行标签平滑处理，生成高斯分布作为医生标注分布；
将所述N个样本骨骺的融合特征
Figure FDA0002528925710000026
输入至预测分布网络模型获取模型预测分布；
根据所述模型预测分布和医生标注分布，利用骨成熟度总分损失函数训练所述分布网络模型；
将所述N个目标骨骺的融合特征
Figure FDA0002528925710000027
输入至预测分布网络模型，预测得到N个目标骨骺的发育等级分布，并相应计算发育等级期望和方差、发育分数期望、骨成熟度总分。
6.根据权利要求1所述的基于图卷积神经网络的骨龄评测方法，其特征在于，利用预测的发育等级和计算的骨成熟度总分，采用计分法得到最终骨龄预测值。
7.一种基于图卷积神经网络的骨龄评测系统，其特征在于，包括：
获取单元，配置用于获取手腕骨影像的N个目标骨骺，其中，N是等于或大于2的整数；
特征提取单元，配置用于采用特征提取网络模型，提取手腕骨影像的N个目标骨骺及其附近区域的初始特征X；
特征融合单元，配置用于采用基于图卷积网络的上下文特征融合网络模型，将初始特征X和经过多层图卷积后的上下文特征相加，得到最终的融合特征
Figure FDA0002528925710000031
模型预测单元，配置用于将所述融合特征
Figure FDA0002528925710000032
输入至预测分布网络模型，预测得到N个目标骨骺的发育等级分布，并相应计算发育等级期望和方差、发育分数期望、骨成熟度总分；
计算单元，配置用于利用预测的发育等级和计算的骨成熟度总分，根据骨龄标准计算得到最终骨龄预测值。
8.根据权利要求7所述的基于图卷积神经网络的骨龄评测系统，其特征在于，所述获取单元具体用于：
获取X线手腕骨正位片；
采用基于关键点检测、目标检测或实例分割的定位网络模型，定位出X线手腕骨正位片中的N个目标骨骺位置。
9.根据权利要求7所述的基于图卷积神经网络的骨龄评测系统，其特征在于，所述特征融合单元包括：
构建单元，配置用于构建手腕骨N个目标骨骺的特征融合拓扑图；
处理单元，配置用于将特征融合拓扑图的图邻接矩阵进行归一化处理，构建图卷积网络模型；
图卷积单元，配置用于采用图卷积网络模型对初始特征进行图卷积，得到上下文特征；
融合处理单元，配置用于采用目标特征融合网络模型，以残差学习的方式将初始特征X和上下文特征相加，得到最终的融合特征
Figure FDA0002528925710000033
10.根据权利要求9所述的基于图卷积神经网络的骨龄评测系统，其特征在于，所述构建单元具体用于：
构建手腕骨N个目标骨骺的特征融合拓扑图，记为G(V,E,A)，其中，V是势为N的顶点集，E是边集，A∈RN×N是邻接矩阵；
将特征融合拓扑图的图邻接矩阵A∈RN×N加自连接得到
Figure FDA0002528925710000034
其中，IN为单位阵，对线元素为1；
计算出度矩阵
Figure FDA0002528925710000041
计算得到邻接矩阵
Figure FDA0002528925710000042
根据邻接矩阵构建图卷积网络模型，其中，图卷积的函数定义为：
Figure FDA0002528925710000043
其中，Xl∈RN×C是作为输入的骨骺特征矩阵，Θ∈RC×F是GCN需要学习的卷积核参数，f表示非线性的激活函数。
11.根据权利要求7所述的基于图卷积神经网络的骨龄评测系统，其特征在于，所述模型预测单元包括：
分布标注单元，配置用于将基于医生标注的N个样本骨骺的发育等级进行标签平滑处理，生成高斯分布作为医生标注分布；
分布预测单元，配置用于将所述N个样本骨骺的融合特征
Figure FDA0002528925710000044
输入至预测分布网络模型获取模型预测分布；
模型训练单元，配置用于根据所述模型预测分布和医生标注分布，利用骨成熟度总分损失函数训练所述分布网络模型；
分布预测单元，配置用于将所述N个目标骨骺的融合特征
Figure FDA0002528925710000045
输入至预测分布网络模型，预测得到N个目标骨骺的发育等级分布，并相应计算发育等级期望和方差、发育分数期望、骨成熟度总分。
12.根据权利要求7所述的基于图卷积神经网络的骨龄评测系统，其特征在于，所述计算单元具体用于：
利用预测的发育等级和计算的骨成熟度总分，采用计分法得到最终骨龄预测值。
13.一种终端，其特征在于，包括：
处理器；
用于存储处理器的执行指令的存储器；
其中，所述处理器被配置为执行权利要求1-6任一项所述的方法。
14.一种存储有计算机程序的计算机可读存储介质，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。
CN202010512567.2A 2020-06-08 2020-06-08 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 Pending CN111882517A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010512567.2A CN111882517A (zh) 2020-06-08 2020-06-08 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010512567.2A CN111882517A (zh) 2020-06-08 2020-06-08 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

Publications (1)

Publication Number Publication Date
CN111882517A true CN111882517A (zh) 2020-11-03

Family

ID=73154137

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010512567.2A Pending CN111882517A (zh) 2020-06-08 2020-06-08 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

Country Status (1)

Country Link
CN (1) CN111882517A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113780092A (zh) * 2021-08-13 2021-12-10 中国科学院大学 基于区块弱标注的人群计数方法
CN113989206A (zh) * 2021-10-20 2022-01-28 杭州深睿博联科技有限公司 一种基于轻量化模型的骨龄预测方法及装置
CN114663735A (zh) * 2022-04-06 2022-06-24 杭州健培科技有限公司 基于联合全局及局部卷积神经网络特征的双骨龄评估方法
CN114723754A (zh) * 2022-06-08 2022-07-08 中国科学技术大学 超声髋关节骨龄评估方法、系统、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109272002A (zh) * 2018-09-30 2019-01-25 杭州依图医疗技术有限公司 一种骨龄片的分类方法及装置
CN109377484A (zh) * 2018-09-30 2019-02-22 杭州依图医疗技术有限公司 一种检测骨龄的方法及装置
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
CN110335670A (zh) * 2019-06-10 2019-10-15 北京深睿博联科技有限责任公司 用于骨骺等级分级的图像数据处理方法及装置
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
CN110853003A (zh) * 2019-10-31 2020-02-28 北京推想科技有限公司 手部骨骺发育等级确定方法及相关设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109272002A (zh) * 2018-09-30 2019-01-25 杭州依图医疗技术有限公司 一种骨龄片的分类方法及装置
CN109377484A (zh) * 2018-09-30 2019-02-22 杭州依图医疗技术有限公司 一种检测骨龄的方法及装置
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
CN110335670A (zh) * 2019-06-10 2019-10-15 北京深睿博联科技有限责任公司 用于骨骺等级分级的图像数据处理方法及装置
CN110853003A (zh) * 2019-10-31 2020-02-28 北京推想科技有限公司 手部骨骺发育等级确定方法及相关设备

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113780092A (zh) * 2021-08-13 2021-12-10 中国科学院大学 基于区块弱标注的人群计数方法
CN113780092B (zh) * 2021-08-13 2022-06-10 中国科学院大学 基于区块弱标注的人群计数方法
CN113989206A (zh) * 2021-10-20 2022-01-28 杭州深睿博联科技有限公司 一种基于轻量化模型的骨龄预测方法及装置
CN114663735A (zh) * 2022-04-06 2022-06-24 杭州健培科技有限公司 基于联合全局及局部卷积神经网络特征的双骨龄评估方法
CN114723754A (zh) * 2022-06-08 2022-07-08 中国科学技术大学 超声髋关节骨龄评估方法、系统、设备及存储介质

Similar Documents

Publication Publication Date Title
CN111882517A (zh) 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
Sánchez-González et al. Quality indicators for business process models from a gateway complexity perspective
US20190180379A1 (en) Life insurance system with fully automated underwriting process for real-time underwriting and risk adjustment, and corresponding method thereof
Koitka et al. Mimicking the radiologists’ workflow: Estimating pediatric hand bone age with stacked deep neural networks
CN109740689A (zh) 一种图像语义分割的错误标注数据筛选方法及系统
WO2020036590A1 (en) Evaluation and development of decision-making models
CN110797101A (zh) 医学数据处理方法、装置、可读存储介质和计算机设备
Alelaumi et al. A predictive abnormality detection model using ensemble learning in stencil printing process
CN111797320A (zh) 数据处理方法、装置、设备及存储介质
CN112420125A (zh) 分子属性预测方法、装置、智能设备和终端
CN112465231A (zh) 地区人口健康状态预测方法、设备和可读存储介质
CN115423040A (zh) 互动营销平台的用户画像识别方法及ai系统
KR102639558B1 (ko) 관심영역별 골 성숙 분포를 이용한 성장 분석 예측 장치 및 방법
CN111159241A (zh) 一种点击转化预估方法及装置
CN113555110A (zh) 一种训练多疾病转诊模型的方法及设备
CN113674065B (zh) 基于服务触点的业务推荐方法、装置、电子设备及介质
CN111563874B (zh) 骨龄评测方法和装置
CN112905713B (zh) 联合罪名预测的涉案新闻重叠实体关系抽取方法
Ding et al. Bone age estimation from carpal radiography images using deep learning
CN111666754B (zh) 基于电子疾病文本的实体识别方法、系统和计算机设备
CN113987351A (zh) 基于人工智能的智能推荐方法、装置、电子设备及介质
CN111723872A (zh) 行人属性识别方法及装置、存储介质、电子装置
Sarabi Sarvarani et al. An Ensemble Convolutional Neural Networks for Detection of Growth Anomalies in Children with X-ray Images
Cerqueira et al. Model Selection for Time Series Forecasting An Empirical Analysis of Multiple Estimators
JP2020057264A (ja) 計算機システム及びデータ分類の分析方法

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