CN112801994B - 骨龄评估方法和系统 - Google Patents
骨龄评估方法和系统 Download PDFInfo
- Publication number
- CN112801994B CN112801994B CN202110159391.1A CN202110159391A CN112801994B CN 112801994 B CN112801994 B CN 112801994B CN 202110159391 A CN202110159391 A CN 202110159391A CN 112801994 B CN112801994 B CN 112801994B
- Authority
- CN
- China
- Prior art keywords
- bone
- image
- user
- gender
- hand
- 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
- 210000000988 bone and bone Anatomy 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 27
- 210000002411 hand bone Anatomy 0.000 claims abstract description 141
- 235000011034 Rubus glaucus Nutrition 0.000 claims abstract description 58
- 235000009122 Rubus idaeus Nutrition 0.000 claims abstract description 58
- 240000007651 Rubus glaucus Species 0.000 claims abstract description 57
- 210000005036 nerve Anatomy 0.000 claims abstract description 44
- 238000006243 chemical reaction Methods 0.000 claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims abstract description 14
- 210000003010 carpal bone Anatomy 0.000 claims description 25
- 238000011176 pooling Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 5
- 210000000707 wrist Anatomy 0.000 claims description 5
- 210000000236 metacarpal bone Anatomy 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 7
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000006855 networking Effects 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 101100293720 Caenorhabditis elegans ncs-2 gene Proteins 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 244000235659 Rubus idaeus Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000012488 skeletal system development Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
-
- 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
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种骨龄评估方法和系统。应用于树莓派,所述方法包括:接收骨龄评估请求;根据所述骨龄评估请求获取手骨图像以及所述手骨图像对应的用户性别;将所述手骨图像进行裁剪和直方图匹配,以及将所述用户性别进行数值转换后输送到神经计算棒,通过预先训练好部署在所述神经计算棒中的骨龄评估模型根据所述手骨图像和所述用户性别进行骨龄评估。采用本方法能够提高安全性,同时提高处理速度以提高评估的效率。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种骨龄评估方法和系统。
背景技术
随着图像处理与机器学习技术的快速发展,深度学习算法已经在骨龄评估等领域展现了优异的性能。然而,传统技术中,大多都是通过将算法部署到高配置的服务器中,并且需要联网才能进行骨龄评估的使用,降低了安全性。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高安全性的骨龄评估方法和系统。
一种骨龄评估方法,应用于树莓派,所述方法包括:
接收骨龄评估请求;
根据所述骨龄评估请求获取手骨图像以及所述手骨图像对应的用户性别;
将所述手骨图像进行裁剪和直方图匹配,以及将所述用户性别进行数值转换后输送到神经计算棒,通过预先训练好部署在所述神经计算棒中的骨龄评估模型根据所述手骨图像和所述用户性别进行骨龄评估。
在其中一个实施例中,将所述手骨图像和所述用户性别输送到神经计算棒,通过预先训练好部署在所述神经计算棒中的骨龄评估模型根据所述手骨图像和所述用户性别进行骨龄评估,包括:
利用所述骨龄评估模型中的图像特征提取网络层对所述手骨图像进行特征提取,并利用卷积层和全局平均池化层将所述手骨图像特征进行降维,得到手骨图像特征;
利用所述骨龄评估模型中的第一全连接层所述用户性别进行升维,得到用户性别特征;
利用特征融合层拼接所述手骨图像特征和所述用户性别特征,得到拼接特征;
利用所述骨龄评估模型中的第二全连接层对所述拼接特征进行骨龄评估。
在其中一个实施例中,所述将所述手骨图像进行裁剪和直方图匹配,包括:
调用训练好的腕骨识别网络识别所述手骨图像中的腕骨区域,并根据所述腕骨区域对所述手骨图像进行裁减;
获取预设标定图像的灰度直方图;
根据所述灰度直方图对裁剪后的所述手骨图像进行直方图匹配。
在其中一个实施例中,所述将所述用户性别进行数值转换,包括:
获取预设的性别数值;
根据所述性别数值将所述用户性别进行数值转换。
在其中一个实施例中,所述根据所述骨龄评估请求获取手骨图像以及所述手骨图像对应的用户性别,包括:
响应所述骨龄评估请求生成采集语音并播放所述采集语音,以提示采集手骨图像和用户性别;
获取采集的所述手骨图像和所述用户性别。
一种骨龄评估系统,所述系统包括树莓派控制板、与所述树莓派控制板连接的神经计算棒;
所述树莓派控制板,用于接收骨龄评估请求;根据所述骨龄评估请求获取手骨图像以及所述手骨图像对应的用户性别;将所述手骨图像进行裁剪和直方图匹配,以及将所述用户性别进行数值转换后输送到所述神经计算棒;
所述神经计算棒,用于接收所述树莓派控制板输送的所述手骨图像和所述用户性别,通过预先训练好部署在所述神经计算棒中的骨龄评估模型根据所述手骨图像和所述用户性别进行骨龄评估。
在其中一个实施例中,所述系统还包括与所述树莓派控制板连接的语音模块、图像采集模块和显示屏;
所述树莓派控制板,还用于响应所述骨龄评估请求生成采集语音;
所述语音模块,用于根据所述树莓派控制板的控制播放所述采集语音,以提示采集手骨图像和用户性别;
所述图像采集模块,用于根据所述树莓派控制板的控制采集用户根据所述采集语音输入的手骨图像;
所述显示屏,用于接收用户根据所述采集语音输入的用户性别;
所述树莓派控制板,还用于接收所述图像采集模块发送的所述手骨图像和所述显示屏接收的所述用户性别。
在其中一个实施例中,所述树莓派控制板包括Raspberry Pi 3B+控制板。
在其中一个实施例中,所述神经计算棒包括英特尔第二代神经计算棒,所述树莓派控制板通过通用串行总线接口与所述英特尔第二代神经计算棒连接。
在其中一个实施例中,所述图像采集模块包括摄像头,所述树莓派控制板通过相机串行接口与所述摄像头连接;
所述显示屏包括电容触摸屏,所述树莓派控制板通过微观高清多媒体接口以及通用串行接口与所述电容触摸屏连接;
所述语音模块包括数字功放板。
上述骨龄评估方法和系统,应用于树莓派,在树莓派接受到骨龄评估请求后,根据骨龄评估请求获取手骨图像以及手骨图像对应的用户性别,进而将手骨图像进行裁剪和直方图匹配,和用户性别进行数值转换后输送到神经计算棒,通过预先训练好部署在神经计算棒中的骨龄评估模型根据手骨图像和所述用户性别进行骨龄评估。该方法通过树莓派实现骨龄评估,无需联网,提高了安全性。同时,将训练好的骨龄评估模型部署到神经计算棒中使用,进一步提高安全性的同时能够利用神经计算棒进行加速处理,从而提高评估的效率。
附图说明
图1为一个实施例中骨龄评估方法的流程示意图;
图2为一个实施例中将手骨图像进行裁剪和直方图匹配的步骤的流程示意图;
图3为一个实施例中骨龄评估系统的结构框图;
图4为另一个实施例中骨龄评估方法的流程示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种骨龄评估方法,以该方法应用于树莓派为例进行说明,包括以下步骤:
步骤S102,接收骨龄评估请求。
具体地,骨龄评估请求是指用户下发的用于进行骨龄评估操作的请求。当用户需要进行骨龄评估时,通过树莓派平台上的输入装置下发骨龄评估请求。
步骤S104,根据骨龄评估请求获取手骨图像以及手骨图像对应的用户性别。
其中,手骨图像是指包含手骨的图像。
具体地,当树莓派接收到用户的下发的骨龄评估请求时,响应该骨龄评估请求采集用户的手骨图像以及性别,获取到手骨图像和用户性别。
步骤S106,将手骨图像进行裁剪和直方图匹配,以及将用户性别进行数值转换后输送到神经计算棒,通过预先训练好部署在神经计算棒中的骨龄评估模型根据手骨图像和用户性别进行骨龄评估。
其中,直方图匹配又称为直方图规定化,是指将一幅图像的直方图变成规定形状的直方图和进行图像增强方法。数值转化是指将用户性别转换为对应的数值,可以理解为是用数值标识男性或者女性。骨龄评估模型是预先训练好,用于进行骨龄预测评估的神经网络模型。本实施例中,训练骨龄评估模型采用的数据集是RSNA(Radiological Societyof North America,北美放射学会)公开的手骨图像数据集。一共包括12611个样本,每个样本包含手骨X光图像和该手骨对应的骨龄标签。骨龄标签范围为0至228个月(0到19岁),覆盖了骨骼发育的全部时期。训练好的骨龄评估模型可以通过使用OpenVINO工具套件将其部署到神经计算棒完成模型的部署,具体的部署步骤可以参考OpenVINO工具的使用说明。
具体地,当树莓派通过采集而获取到手骨图像和用户性别后,首先对手骨图像进行裁剪,去掉手骨图像中腕骨以下的图像区域,裁剪后的手骨图像保留腕骨、指骨和掌骨。再利用直方图匹配算法将裁剪后的手骨图像进行直方图匹配。同时,通过数值转换将用户性别转换为对应的性别数值。然后,将裁剪以及直方图匹配后的手骨图像、完成数值转换后的用户性别输送到神经计算棒。通过部署在神经计算棒中的骨龄评估模型根据裁剪以及直方图匹配后的手骨图像、完成数值转换后的用户性别进行骨龄的预测评估。
上述骨龄评估方法,在树莓派接受到骨龄评估请求后,根据骨龄评估请求获取手骨图像以及手骨图像对应的用户性别,进而将手骨图像进行裁剪和直方图匹配,和用户性别进行数值转换后输送到神经计算棒,通过预先训练好部署在神经计算棒中的骨龄评估模型根据手骨图像和所述用户性别进行骨龄评估。该方法通过树莓派实现骨龄评估,无需联网,提高了安全性。同时,将训练好的骨龄评估模型部署到神经计算棒中使用,进一步提高安全性的同时能够利用神经计算棒进行加速处理,从而提高评估的效率。
在一个实施例中,骨龄评估模型包括图像特征提取网络层(优选Xception网络)、1×1卷积层、全局平均池化层(GAP,Global Average Pooling)、第一全连接层(Dense1)、特征融合层(Concat)以及第二全连接层(包括Dense2、Dens3和Dense4)。其中,1×1卷积层位于图像特征提取网络层最后一层卷积层之后,全局平均池化层位于1×1卷积层之后。
步骤S106包括:利用骨龄评估模型中的图像特征提取网络层对手骨图像进行特征提取,并利用卷积层和全局平均池化层将手骨图像特征进行降维,得到手骨图像特征;利用骨龄评估模型中的第一全连接层对用户性别进行升维,得到用户性别特征;利用特征融合层拼接手骨图像特征和用户性别特征,得到拼接特征;利用骨龄评估模型中的第二全连接层对拼接特征进行骨龄评估。
具体地,当树莓派将手骨图像和用户性别输送到神经计算棒之后,神经计算棒调用训练好的骨龄评估模型,将手骨图像和用户性别输入到骨龄评估模型中。利用骨龄评估模型中的图像特征提取网络层(Xception网络)对手骨图像进行特征提取。进一步,为了减少模型参数量,在Xception网络对手骨特征提取完成之后,首先使用1×1的卷积层缩小特征图的通道数,若设置的1×1卷积核的数量为512,则当输入的特征图尺寸为20×20×2048时,经由该1×1的卷积层后特征图通道数能够缩减为512,即输出的特征图尺寸为20×20×512。然后,为了后续能够与性别特征进行拼接,再将经由1×1的卷积层后的特征图输入到全局平均池化层,利用全局平均池化层将手骨特征转换为一维向量,从而得到手骨图像特征。例如,经由1×1的卷积层的特征图尺寸为20×20×512,再经过全局平均池化层后尺寸即为512。同时,为了避免性别特征占比过少,利用骨龄评估模型中的Dense1层对用户性别进行升维得到用户性别特征,例如,升维可以到16位、32位、64位等,具体可以根据实际模型效果确定。
然后,将全局平均池化层输出的手骨图像特征和Dense1层输出的用户性别特征输入到特征融合层,利用特征融合层将手骨图像特征和用户性别特征进行拼接,得到拼接后的拼接特征。例如,当手骨图像特征尺寸为512,用户性别特征尺寸为32,拼接后的特征尺寸为544(512+32)。最后,将拼接后的拼接特征输入到第二全连接层(包括Dense2、Dens3和Dense4),由Dense2、Dens3和Dense4依次对拼接特征进行处理输出预测评估后的骨龄结果。
本实施例中,通过将神经计算进行模型评估,提高了处理速度。并且,通过增加的1×1卷积层和全局平均池化层减少模型参数量能够进一步提高处理速度。以及,由于性别与骨龄密切相关,通过全连接层对用户性别进行升维以保证性别特征的占比,从而提高骨龄评估的准确性。
在一个实施例中,如图2所示,将手骨图像进行裁剪和直方图匹配的步骤,包括以下步骤:
步骤S202,调用训练好的腕骨识别网络识别手骨图像中的腕骨区域,并根据腕骨区域对手骨图像进行裁减。
其中,腕骨识别网络是预先训练好,用于识别腕骨区域的神经网络,本实施例优选YOLO v3网络。
具体地,当树莓派接收到手骨图像之后,调用训练好的腕骨识别网络,将手骨图像输入至腕骨识别网络进行腕骨识别,确定手骨图像上的腕骨区域。然后,根据腕骨区域对手骨图像进行裁剪,裁减掉腕骨以下的区域,即保留腕骨、指骨和掌骨,得到裁剪后的手骨图像。
步骤S204,获取预设标定图像的灰度直方图。
步骤S206,根据灰度直方图对裁剪后的手骨图像进行直方图匹配。
其中,预设标定图像是从数据集中挑选出来的质量较好的手骨图像。
具体地,获取挑选的预设标定图像,计算预设标定图像的灰度直方图。然后,使用直方图匹配算法将裁剪后的手骨图像与标定图像的灰度直方图进行匹直方图匹配,使的图像的灰度分布一致。
本实施例中,通过腕骨以下区域裁剪以及与标定图进行直方图匹配,能够减少不必要的识别区域和使得所有图像与标定图像的灰度保持一致,从而提高预测评估的准确性。
在一个实施例中,将用户性别进行数值转换,包括:获取预设的性别数值;根据性别数值将用户性别进行数值转换。
其中,预设的性别数值是预设的用不同的数值标识不同性别的数值,例如1标识男性,0标识女性。
具体地,当树莓派获取的用户性别时,根据预设的性别数值对用户性别进行数值转换。例如,当用户输入的用户性别为男性时,转换为用数值1表示男性并输送给神经计算棒进行后续的评估。本实施例中,通过将用户性别进行数值转换以适应模型的需求,提高模型评估的准确性。
在一个实施例中,步骤S104,包括:响应骨龄评估请求生成采集语音并播放采集语音,以提示采集手骨图像和用户性别;获取采集的手骨图像和用户性别。
具体地,由于本实施中骨龄评估请求需要获取手骨图像以及对应的性别,因此当树莓派接收到骨龄评估请求时,响应该骨龄评估请求生成采集语音并播放,通过采集播放的采集语音提示用户输入手骨图像和用户性别完成图像和性别的采集。即,接收到用户的骨龄评估请求后,树莓派控制开启图像采集模块,通过语音模块播放采集语音以语音提示用户将手骨X光图像对准图像采集模块,图像采集模块拍摄到的影像同步在显示屏上显示。拍摄到图像并经用户确认后,完成手骨图像的采集。之后,再通过语音模块播放生成的采集语音以语音提示用户输入与所输入的手骨X光图像相对应的性别信息,经用户再次确认后,完成性别信息的采集。
应该理解的是,虽然图1-2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-2中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图3所示,提供了一种骨龄评估系统,包括:树莓派控制板、与树莓派控制板连接的神经计算棒,其中:
树莓派控制板,用于接收骨龄评估请求;根据骨龄评估请求获取手骨图像以及手骨图像对应的用户性别;将手骨图像进行裁剪和直方图匹配,以及将用户性别进行数值转换后输送到神经计算棒。
具体地,当树莓派接收到用户的下发的骨龄评估请求时,响应该骨龄评估请求采集用户的手骨图像以及性别,获取到手骨图像和用户性别。然后,利用腕骨识别网络(YOLOv3)将手骨图像中腕骨区域以下的区域裁剪掉后再对裁剪后的手骨图像进行直方图匹配,以及根据预设的性别数值将用户性别转换为性别数值之后一并输送到神经计算棒中。
神经计算棒,用于接收树莓派控制板输送的手骨图像和用户性别,通过预先训练好部署在神经计算棒中的骨龄评估模型根据手骨图像和用户性别进行骨龄评估。
具体地,如图4所示,通过骨龄评估模型的图像特征提取网络层对手骨图像进行特征提取,再通过1×1卷积层和全局平均池化层对提取的特征进行降维,进而得到手骨图像特征。同时,利用全连接层对输入的用户性别进行升维得到用户性别特征后,利用特征融合层将手骨图像特征与用户性别特征进行拼接,得到拼接特征,再将拼接特征输入到全连接层进行骨龄评估得到预测的骨龄结果。
在一个实施例中,参考图3,系统还包括语音模块、图像采集模块和显示屏。语音模块、图像采集模块和显示屏均与树莓派控制板连接,其中:
树莓派控制板,还用于响应骨龄评估请求生成采集语音。
语音模块,用于根据树莓派控制板的控制播放采集语音,以提示采集手骨图像和用户性别。
图像采集模块,用于根据树莓派控制板的控制采集用户根据采集语音输入的手骨图像。
显示屏,用于接收用户根据采集语音输入的用户性别。
树莓派控制板,还用于接收图像采集模块发送的手骨图像和显示屏接收的用户性别。
具体地,当树莓派接收到用户的骨龄评估请求后,控制图像采集模块开启,生成采集语音并控制语音模块播放该采集语音以提示用户将需要评估的手骨X光对准图像采集模块完成手骨图像的采集。再以采集语音提示用户在显示屏上输入手骨图像对应的性别,采集得到用户性别。然后,利用腕骨识别网络(YOLO v3)将手骨图像上的腕骨区域识别出来,以识别的腕骨区域为界限裁剪掉不需要的区域,保留包括腕骨、手骨和掌骨的手骨图像,再对裁剪后的手骨图像进行直方图匹配,以及将用户性别转换为性别数值之后一并输送到神经计算棒中。
在一个实施例中,树莓派控制板包括Raspberry Pi 3B+控制板。
在一个实施例中,神经计算棒包括英特尔第二代神经计算棒(Intel NCS2),树莓派控制板通过通用串行总线接口(USB2.0接口)与英特尔第二代神经计算棒(Intel NCS2)连接。
在一个实施例中,图像采集模块包括摄像头,树莓派控制板通过相机串行接口(CSI接口)与摄像头连接,摄像头具体采用MAKEROBOT的CLB-PJ08。
显示屏包括电容触摸屏,树莓派控制板通过微观高清多媒体接口(micro-HDMI接口)以及通用串行接口(USB2.0接口)与电容触摸屏连接,电容触摸屏具体采用型号为YahBoom的7寸屏。
语音模块包括数字功放板,优选PAMB403数字功放板,利用树莓派5V供电,驱动2W的扬声器。
关于骨龄评估系统的具体限定可以参见上文中对于骨龄评估方法的限定,在此不再赘述。上述骨龄评估系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种骨龄评估方法,其特征在于,应用于树莓派,所述方法包括:
接收骨龄评估请求;
根据所述骨龄评估请求获取手骨图像以及所述手骨图像对应的用户性别;
调用训练好的腕骨识别网络识别所述手骨图像中的腕骨区域,并根据所述腕骨区域对所述手骨图像进行裁减;获取预设标定图像的灰度直方图;根据所述灰度直方图对裁剪后的所述手骨图像进行直方图匹配,以及利用预先训练好部署在神经计算棒中的骨龄评估模型中的图像特征提取网络层对所述手骨图像进行特征提取,并利用卷积层和全局平均池化层将所述手骨图像特征进行降维,得到手骨图像特征;利用所述骨龄评估模型中的第一全连接层所述用户性别进行升维,得到用户性别特征;利用特征融合层拼接所述手骨图像特征和所述用户性别特征,得到拼接特征;利用所述骨龄评估模型中的第二全连接层对所述拼接特征进行骨龄评估。
2.根据权利要求1所述的方法,其特征在于,所述将所述用户性别进行数值转换,包括:
获取预设的性别数值;
根据所述性别数值将所述用户性别进行数值转换。
3.根据权利要求1所述的方法,其特征在于,所述根据所述骨龄评估请求获取手骨图像以及所述手骨图像对应的用户性别,包括:
响应所述骨龄评估请求生成采集语音并播放所述采集语音,以提示采集手骨图像和用户性别;
获取采集的所述手骨图像和所述用户性别。
4.根据权利要求1所述的方法,其特征在于,所述根据所述腕骨区域对所述手骨图像进行裁减,包括:
根据所述腕骨区域对所述手骨图像进行裁减,以裁减掉腕骨以下的区域,得到裁剪后的所述手骨图像,裁剪后的所述手骨图像保留腕骨、指骨和掌骨。
5.根据权利要求1所述的方法,其特征在于,进行匹直方图匹配后的裁剪后的所述手骨图像与所述灰度直方图的灰度分布一致。
6.一种骨龄评估系统,其特征在于,所述系统包括树莓派控制板、与所述树莓派控制板连接的神经计算棒;
所述树莓派控制板,用于接收骨龄评估请求;根据所述骨龄评估请求获取手骨图像以及所述手骨图像对应的用户性别;调用训练好的腕骨识别网络识别所述手骨图像中的腕骨区域,并根据所述腕骨区域对所述手骨图像进行裁减;获取预设标定图像的灰度直方图;根据所述灰度直方图对裁剪后的所述手骨图像进行直方图匹配,以及将所述用户性别进行数值转换后输送到所述神经计算棒;
所述神经计算棒,用于接收所述树莓派控制板输送的所述手骨图像和所述用户性别,利用预先训练好部署在神经计算棒中的骨龄评估模型中的图像特征提取网络层对所述手骨图像进行特征提取,并利用卷积层和全局平均池化层将所述手骨图像特征进行降维,得到手骨图像特征;利用所述骨龄评估模型中的第一全连接层所述用户性别进行升维,得到用户性别特征;利用特征融合层拼接所述手骨图像特征和所述用户性别特征,得到拼接特征;利用所述骨龄评估模型中的第二全连接层对所述拼接特征进行骨龄评估。
7.根据权利要求6所述的系统,其特征在于,所述系统还包括与所述树莓派控制板连接的语音模块、图像采集模块和显示屏;
所述树莓派控制板,还用于响应所述骨龄评估请求生成采集语音;
所述语音模块,用于根据所述树莓派控制板的控制播放所述采集语音,以提示采集手骨图像和用户性别;
所述图像采集模块,用于根据所述树莓派控制板的控制采集用户根据所述采集语音输入的手骨图像;
所述显示屏,用于接收用户根据所述采集语音输入的用户性别;
所述树莓派控制板,还用于接收所述图像采集模块发送的所述手骨图像和所述显示屏接收的所述用户性别。
8.根据权利要求6所述的系统,其特征在于,所述树莓派控制板包括Raspberry Pi 3B+控制板。
9.根据权利要求6所述的系统,其特征在于,所述神经计算棒包括英特尔第二代神经计算棒,所述树莓派控制板通过通用串行总线接口与所述英特尔第二代神经计算棒连接。
10.根据权利要求7所述的系统,其特征在于,所述图像采集模块包括摄像头,所述树莓派控制板通过相机串行接口与所述摄像头连接;
所述显示屏包括电容触摸屏,所述树莓派控制板通过微观高清多媒体接口以及通用串行接口与所述电容触摸屏连接;
所述语音模块包括数字功放板。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110159391.1A CN112801994B (zh) | 2021-02-05 | 2021-02-05 | 骨龄评估方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110159391.1A CN112801994B (zh) | 2021-02-05 | 2021-02-05 | 骨龄评估方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112801994A CN112801994A (zh) | 2021-05-14 |
CN112801994B true CN112801994B (zh) | 2023-12-26 |
Family
ID=75814357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110159391.1A Active CN112801994B (zh) | 2021-02-05 | 2021-02-05 | 骨龄评估方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112801994B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114663735B (zh) * | 2022-04-06 | 2022-10-11 | 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 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108968991A (zh) * | 2018-05-08 | 2018-12-11 | 平安科技(深圳)有限公司 | 手骨x光片骨龄评估方法、装置、计算机设备和存储介质 |
CN109345508A (zh) * | 2018-08-31 | 2019-02-15 | 北京航空航天大学 | 一种基于两阶段神经网络的骨龄评价方法 |
CN110503635A (zh) * | 2019-07-30 | 2019-11-26 | 浙江工业大学 | 一种基于异构数据融合网络的手骨x光片骨龄评估方法 |
CN110660484A (zh) * | 2019-08-01 | 2020-01-07 | 平安科技(深圳)有限公司 | 骨龄预测方法、装置、介质及电子设备 |
WO2020024127A1 (zh) * | 2018-08-01 | 2020-02-06 | 中国医药大学附设医院 | 骨龄评估与身高预测模型、其系统及其预测方法 |
WO2020062840A1 (zh) * | 2018-09-30 | 2020-04-02 | 杭州依图医疗技术有限公司 | 一种检测骨龄的方法及装置 |
CN111080579A (zh) * | 2019-11-28 | 2020-04-28 | 杭州电子科技大学 | 基于深度学习实现图像分割和分类的骨龄评估方法 |
JP6808254B1 (ja) * | 2019-08-05 | 2021-01-06 | 長佳智能股▲分▼有限公司 | 個人装置により手骨骨年齢の即時判読を行うシステム及び方法 |
-
2021
- 2021-02-05 CN CN202110159391.1A patent/CN112801994B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108968991A (zh) * | 2018-05-08 | 2018-12-11 | 平安科技(深圳)有限公司 | 手骨x光片骨龄评估方法、装置、计算机设备和存储介质 |
WO2020024127A1 (zh) * | 2018-08-01 | 2020-02-06 | 中国医药大学附设医院 | 骨龄评估与身高预测模型、其系统及其预测方法 |
CN109345508A (zh) * | 2018-08-31 | 2019-02-15 | 北京航空航天大学 | 一种基于两阶段神经网络的骨龄评价方法 |
WO2020062840A1 (zh) * | 2018-09-30 | 2020-04-02 | 杭州依图医疗技术有限公司 | 一种检测骨龄的方法及装置 |
CN110503635A (zh) * | 2019-07-30 | 2019-11-26 | 浙江工业大学 | 一种基于异构数据融合网络的手骨x光片骨龄评估方法 |
CN110660484A (zh) * | 2019-08-01 | 2020-01-07 | 平安科技(深圳)有限公司 | 骨龄预测方法、装置、介质及电子设备 |
JP6808254B1 (ja) * | 2019-08-05 | 2021-01-06 | 長佳智能股▲分▼有限公司 | 個人装置により手骨骨年齢の即時判読を行うシステム及び方法 |
CN111080579A (zh) * | 2019-11-28 | 2020-04-28 | 杭州电子科技大学 | 基于深度学习实现图像分割和分类的骨龄评估方法 |
Non-Patent Citations (2)
Title |
---|
基于多维度特征融合的深度学习骨龄评估模型;刘鸣谦;兰钧;陈旭;于广军;杨秀军;;第二军医大学学报(第08期);全文 * |
基于深度学习区域融合的骨龄评价研究;张世杰;李睿;占梦军;徐铸;;现代计算机(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112801994A (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6843086B2 (ja) | 画像処理システム、画像においてマルチラベル意味エッジ検出を行う方法、および、非一時的コンピューター可読記憶媒体 | |
CN107731228B (zh) | 英文语音信息的文本转换方法和装置 | |
JP6517681B2 (ja) | 映像パターン学習装置、方法、及びプログラム | |
US8712154B2 (en) | Image processing system and method | |
CN110659582A (zh) | 图像转换模型训练方法、异质人脸识别方法、装置及设备 | |
CN110909803A (zh) | 图像识别模型训练方法、装置和计算机可读存储介质 | |
CN112446302B (zh) | 一种人体姿态检测方法、系统、电子设备和存储介质 | |
CN110516541B (zh) | 文本定位方法、装置、计算机可读存储介质和计算机设备 | |
CN110197716B (zh) | 医学影像的处理方法、装置及计算机可读存储介质 | |
CN111476806B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN111985323B (zh) | 基于深度卷积神经网络的人脸识别方法及系统 | |
JP7329041B2 (ja) | 条件付き敵対的生成ネットワークに基づいて画像を合成する方法および関連機器 | |
CN114066718A (zh) | 一种图像风格迁移方法、装置、存储介质及终端 | |
CN112818821B (zh) | 基于可见光和红外光的人脸采集源检测方法和装置 | |
CN113408570A (zh) | 一种基于模型蒸馏的图像类别识别方法、装置、存储介质及终端 | |
CN111985209B (zh) | 结合rpa和ai的文本语句识别方法、装置、设备及存储介质 | |
CN113420827A (zh) | 语义分割网络训练和图像语义分割方法、装置及设备 | |
CN112801994B (zh) | 骨龄评估方法和系统 | |
CN111292333B (zh) | 用于分割图像的方法和装置 | |
CN111445545B (zh) | 一种文本转贴图方法、装置、存储介质及电子设备 | |
CN113094801A (zh) | 装修模拟图像生成方法、装置、设备及介质 | |
CN116485943A (zh) | 图像生成方法、电子设备及存储介质 | |
CN113239190B (zh) | 文档分类方法、装置、存储介质及电子设备 | |
CN114037889A (zh) | 一种图像识别方法、装置、电子设备及存储介质 | |
CN117058405B (zh) | 一种基于图像的情绪识别方法、系统、存储介质及终端 |
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 |