CN113963208A - 籽骨等级识别方法、装置、计算机设备和存储介质 - Google Patents

籽骨等级识别方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN113963208A
CN113963208A CN202111233679.5A CN202111233679A CN113963208A CN 113963208 A CN113963208 A CN 113963208A CN 202111233679 A CN202111233679 A CN 202111233679A CN 113963208 A CN113963208 A CN 113963208A
Authority
CN
China
Prior art keywords
target
seed bone
image
data set
seed
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
CN202111233679.5A
Other languages
English (en)
Inventor
张淼
庞海
李文旭
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.)
Shijiazhuang Hi Tech Co ltd
Original Assignee
Shijiazhuang Hi Tech 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 Shijiazhuang Hi Tech Co ltd filed Critical Shijiazhuang Hi Tech Co ltd
Priority to CN202111233679.5A priority Critical patent/CN113963208A/zh
Publication of CN113963208A publication Critical patent/CN113963208A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种籽骨等级识别方法、装置、计算机设备和存储介质。所述方法包括：获取手腕部的多个待校正医疗图像；所述待校正医疗图像包含目标籽骨的图像；将各所述待校正医疗图像分别输入至预先训练的手位识别模型，得到各所述待校正医疗图像对应的手位识别结果；根据各所述待校正医疗图像对应的手位识别结果，在各所述待校正医疗图像中确定正手位图像；根据所述正手位图像和预先训练的籽骨等级分类模型，得到所述目标籽骨的籽骨等级分类结果。采用本方法能够不再主要依靠医生需要长时间积累的个人经验进行籽骨等级的判定，提高籽骨等级识别的效率。

Description

籽骨等级识别方法、装置、计算机设备和存储介质
技术领域
本申请涉及计算机软件技术领域，特别是涉及一种籽骨等级识别方法、装置、计算机设备和存储介质。
背景技术
青春期是指由儿童逐渐发育成为成年人的过渡时期。青春期是人体迅速生长发育的关键时期，也是继婴儿期后，人生第二个生长发育的高峰期。因此，在生长发育过程中，青春期是一个重要的阶段。张绍岩等通过分析中国儿童手腕部特定骨骼成熟度指征出现与青春期生长阶段的关系，发现了男女儿童手腕骨中籽骨的特定成熟度指征出现年龄与青春期生长阶段之间有对应关系。因此，采用中国的桡尺及掌指骨的骨龄评价方法(radius,ulnaand short bone-China，RC)，通过籽骨等级可以对青春期阶段进行分型，进而较好的指导青少年的生长发育，对医生的临床诊断也可以提供有效的决策依据。
在实际中，籽骨等级的判定主要依靠医生的个人经验。然而，在进行籽骨等级的判定之前，医生需要长时间的学习和大量的阅片、实践，不易掌握。因此，该籽骨等级的判定方法效率低下。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高效率的籽骨等级识别方法、装置、计算机设备和存储介质。
一种籽骨等级识别方法，所述方法包括：
获取手腕部的多个待校正医疗图像；所述待校正医疗图像包含目标籽骨的图像；
将各所述待校正医疗图像分别输入至预先训练的手位识别模型，得到各所述待校正医疗图像对应的手位识别结果；
根据各所述待校正医疗图像对应的手位识别结果，在各所述待校正医疗图像中确定正手位图像；
根据所述正手位图像和预先训练的籽骨等级分类模型，得到所述目标籽骨的籽骨等级分类结果。
在其中一个实施例中，所述籽骨等级分类模型的训练过程包括：
获取第一训练数据集和第一验证数据集；所述第一训练数据集包括第一样本图像和所述第一样本图像包含的籽骨的第一样本等级分类结果；所述第一验证数据集包括第二样本图像和所述第二样本图像包含的籽骨的第二样本等级分类结果；所述第一样本图像和第二样本图像均为手腕部的医疗图像；
通过所述第一训练数据集对预设的目标神经网络进行训练，得到多个备选籽骨等级分类模型；
通过所述第一验证数据集对各所述备选籽骨等级分类模型进行验证，得到各所述备选籽骨等级分类模型的准确率；
根据各所述备选籽骨等级分类模型的准确率，在各所述备选籽骨等级分类模型中确定所述籽骨等级分类模型。
在其中一个实施例中，所述通过所述第一训练数据集对预设的目标神经网络进行训练，得到多个备选籽骨等级分类模型，包括：
将所述第一训练数据集划分为预设份数的子集；
按照预设轮询顺序，在所述第一训练数据集中选取第二验证数据集，并将其余子集作为第二训练数据集；
分别将所述第二训练数据集和所述第二验证数据集输入至所述目标神经网络，得到所述第二训练数据集对应的第一籽骨等级分类预测结果、以及所述第二验证数据集对应的第二籽骨等级分类预测结果；
根据所述第一籽骨等级分类预测结果和所述第二训练数据集对应的第一样本等级分类结果，确定并记录第一目标损失函数；根据所述第二籽骨等级分类预测结果和所述第二验证数据集对应的第一样本等级分类结果，确定并记录第二目标损失函数；
根据所述第一目标损失函数，对所述目标神经网络的参数进行更新，返回执行所述按照预设轮询顺序，在所述第一训练数据集中确定第二验证数据集，并将其余子集作为第二训练数据集的步骤；
在本次更新后的目标神经网络对应的第一目标损失函数小于本次更新前的目标神经网络对应的第一目标损失函数的情况下，保存本次更新后的目标神经网络；
根据记录的第一目标损失函数和第二目标损失函数确定是否达到预设迭代停止条件，在达到所述预设迭代停止条件的情况下，将已存储的各目标神经网络作为备选籽骨等级分类模型。
在其中一个实施例中，所述根据记录的第一目标损失函数和第二目标损失函数确定是否达到预设迭代停止条件，包括：
判断本次更新后的目标神经网络对应的第一目标损失函数是否小于本次更新前的目标神经网络对应的第一目标损失函数、以及本次更新后的目标神经网络对应的第二目标损失函数是否大于或等于本次更新前的目标神经网络对应的第二目标损失函数；
如果是，则确定本次更新后的目标神经网络不满足预设拟合条件；
在更新后的目标神经网络不满足预设拟合条件的次数超过预设次数的情况下，将当前已存储的目标神经网络作为备选籽骨等级分类模型。
在其中一个实施例中，所述根据所述第一籽骨等级分类预测结果和所述第二训练数据集对应的第一样本等级分类结果，确定并记录第一目标损失函数，包括：
根据所述第一籽骨等级分类预测结果和所述第二训练数据集对应的第一样本等级分类结果，确定软性损失函数；
根据所述第一籽骨等级分类预测结果和所述第二训练数据集对应的第一样本等级分类结果，确定中心损失函数；
对所述软性损失函数和所述中心损失函数进行加权求和，得到并记录第一目标损失函数。
在其中一个实施例中，所述获取手腕部的多个待校正医疗图像，包括：
获取手腕部的医疗图像；
将所述医疗图像调整为预设尺寸图像；
将所述预设尺寸图像分别旋转多个预设角度，得到多个旋转后图像，并将所述预设尺寸图像和所述多个旋转后图像确定为待校正医疗图像。
在其中一个实施例中，所述根据将所述正手位图像和预先训练的籽骨等级分类模型，得到所述目标籽骨的籽骨等级分类结果，包括：
将所述正手位图像输入至预先训练的骨骺定位模型，得到所述正手位图像中第一近节指骨的坐标信息；所述第一近节指骨为拇指的近节指骨；
基于第一近节指骨与籽骨的位置关系、以及所述第一近节指骨的坐标信息，得到所述正手位图像中所述目标籽骨的坐标信息；
根据所述目标籽骨的坐标信息，在所述正手位图像中确定目标籽骨图像；
将所述目标籽骨图像输入至所述预先训练的籽骨等级分类模型，得到所述目标籽骨的籽骨等级分类结果。
一种籽骨等级识别装置，所述装置包括：
第一获取模块，用于获取手腕部的多个待校正医疗图像；所述待校正医疗图像包含目标籽骨的图像；
手位识别模块，用于将各所述待校正医疗图像分别输入至预先训练的手位识别模型，得到各所述待校正医疗图像对应的手位识别结果；
第一确定模块，用于根据各所述待校正医疗图像对应的手位识别结果，在各所述待校正医疗图像中确定正手位图像；
籽骨等级分类模块，用于根据所述正手位图像和预先训练的籽骨等级分类模型，得到所述目标籽骨的籽骨等级分类结果。
在其中一个实施例中，所述装置还包括：
第二获取模块，用于获取第一训练数据集和第一验证数据集；所述第一训练数据集包括第一样本图像和所述第一样本图像包含的籽骨的第一样本等级分类结果；所述第一验证数据集包括第二样本图像和所述第二样本图像包含的籽骨的第二样本等级分类结果；所述第一样本图像和第二样本图像均为手腕部的医疗图像；
训练模块，用于通过所述第一训练数据集对预设的目标神经网络进行训练，得到多个备选籽骨等级分类模型；
验证模块，用于通过所述第一验证数据集对各所述备选籽骨等级分类模型进行验证，得到各所述备选籽骨等级分类模型的准确率；
第二确定模块，用于根据各所述备选籽骨等级分类模型的准确率，在各所述备选籽骨等级分类模型中确定所述籽骨等级分类模型。
在其中一个实施例中，所述训练模块，具体用于：
将所述第一训练数据集划分为预设份数的子集；
按照预设轮询顺序，在所述第一训练数据集中选取第二验证数据集，并将其余子集作为第二训练数据集；
分别将所述第二训练数据集和所述第二验证数据集输入至所述目标神经网络，得到所述第二训练数据集对应的第一籽骨等级分类预测结果、以及所述第二验证数据集对应的第二籽骨等级分类预测结果；
根据所述第一籽骨等级分类预测结果和所述第二训练数据集对应的第一样本等级分类结果，确定并记录第一目标损失函数；根据所述第二籽骨等级分类预测结果和所述第二验证数据集对应的第一样本等级分类结果，确定并记录第二目标损失函数；
根据所述第一目标损失函数，对所述目标神经网络的参数进行更新，返回执行所述按照预设轮询顺序，在所述第一训练数据集中确定第二验证数据集，并将其余子集作为第二训练数据集的步骤；
在本次更新后的目标神经网络对应的第一目标损失函数小于本次更新前的目标神经网络对应的第一目标损失函数的情况下，保存本次更新后的目标神经网络；
根据记录的第一目标损失函数和第二目标损失函数确定是否达到预设迭代停止条件，在达到所述预设迭代停止条件的情况下，将已存储的各目标神经网络作为备选籽骨等级分类模型。
在其中一个实施例中，所述训练模块，具体用于：
判断本次更新后的目标神经网络对应的第一目标损失函数是否小于本次更新前的目标神经网络对应的第一目标损失函数、以及本次更新后的目标神经网络对应的第二目标损失函数是否大于或等于本次更新前的目标神经网络对应的第二目标损失函数；
如果是，则确定本次更新后的目标神经网络不满足预设拟合条件；
在更新后的目标神经网络不满足预设拟合条件的次数超过预设次数的情况下，将当前已存储的目标神经网络作为备选籽骨等级分类模型。
在其中一个实施例中，所述训练模块，具体用于：
根据所述第一籽骨等级分类预测结果和所述第二训练数据集对应的第一样本等级分类结果，确定软性损失函数；
根据所述第一籽骨等级分类预测结果和所述第二训练数据集对应的第一样本等级分类结果，确定中心损失函数；
对所述软性损失函数和所述中心损失函数进行加权求和，得到并记录第一目标损失函数。
在其中一个实施例中，所述第一获取模块，具体用于：
获取手腕部的医疗图像；
将所述医疗图像调整为预设尺寸图像；
将所述预设尺寸图像分别旋转多个预设角度，得到多个旋转后图像，并将所述预设尺寸图像和所述多个旋转后图像确定为待校正医疗图像。
在其中一个实施例中，所述籽骨等级分类模块，具体用于：
将所述正手位图像输入至预先训练的骨骺定位模型，得到所述正手位图像中第一近节指骨的坐标信息；所述第一近节指骨为拇指的近节指骨；
基于第一近节指骨与籽骨的位置关系、以及所述第一近节指骨的坐标信息，得到所述正手位图像中所述目标籽骨的坐标信息；
根据所述目标籽骨的坐标信息，在所述正手位图像中确定目标籽骨图像；
将所述目标籽骨图像输入至所述预先训练的籽骨等级分类模型，得到所述目标籽骨的籽骨等级分类结果。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的步骤。
一种计算机可读存储介质，其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上述第一方面所述的步骤。
上述籽骨等级识别方法、装置、计算机设备和存储介质，通过获取手腕部的多个包含目标籽骨的图像的待校正医疗图像；将各待校正医疗图像分别输入至预先训练的手位识别模型，得到各待校正医疗图像对应的手位识别结果；根据各待校正医疗图像对应的手位识别结果，在各待校正医疗图像中确定正手位图像；根据正手位图像和预先训练的籽骨等级分类模型，得到目标籽骨的籽骨等级分类结果，不再主要依靠医生需要长时间积累的个人经验进行籽骨等级的判定，提高了籽骨等级识别的效率。
附图说明
图1为一个实施例中籽骨等级识别方法的流程示意图；
图2为一个实施例中籽骨等级分类模型的训练过程的流程示意图；
图3为一个实施例中对预设的目标神经网络进行训练步骤的流程示意图；
图4为一个实施例中确定是否达到预设迭代停止条件的流程示意图；
图5为一个实施例中确定并记录第一目标损失函数的流程示意图；
图6为一个实施例中获取手腕部的多个待校正医疗图像的流程示意图；
图7为一个实施例中得到目标籽骨的籽骨等级分类结果的流程示意图；
图8为第一近节指骨的示意图；
图9为一个实施例中籽骨等级识别装置的结构框图；
图10为一个实施例中计算机设备的内部结构图。
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，提供了一种籽骨等级识别方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。其中，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本实施例中，该方法包括以下步骤：
步骤101，获取手腕部的多个待校正医疗图像。
其中，待校正医疗图像包含目标籽骨的图像。
在本申请实施例中，终端可以通过医疗检查器械获取接受检查的目标对象的手腕部的多个待校正医疗图像。其中，医疗图像为解剖学区域的内部结构或功能的表示，可以包括但不限于X光图像、CT图像和磁共振图像中的一种或多种。待校正医疗图像为未经过手位识别的医疗图像，例如，可以是通过医疗检查器械直接得到的医疗图像，或者，对通过医疗检查器械得到的医疗图像进行一定图像处理(如提高清晰度的图像处理)，但未经过手位识别的医疗图像。
步骤102，将各待校正医疗图像分别输入至预先训练的手位识别模型，得到各待校正医疗图像对应的手位识别结果。
在本申请实施例中，终端可以将各待校正医疗图像分别输入至预先训练的手位识别模型，得到各待校正医疗图像对应的手位识别结果。其中，预先训练的手位识别模型主要用于识别正手位。各待校正医疗图像对应的手位识别结果可以包括各待校正图像的得分。
在一个示例中，终端可以通过训练SSD(Single Shot MultiBox Detector，单发多框检测)模型得到手位识别模型，手位识别模型的骨干网络为MobileNetV3。手位识别模型的损失函数为置信度误差(confidence loss)和位置误差(localization loss)两部分的加权和，可以表示为：
Figure BDA0003316778040000081
其中，L(x,c,l,g)为手位识别模型的损失函数，Lconf为置信度误差，Lloc为位置误差；N为匹配到真实标注(Ground Truth)的先验框(prior box)数量；α参数用于调整置信度误差和位置误差之间的比例，默认α＝1；c为类别置信度预测值，l为先验框的所对应边界框的位置预测值，g是真实标注(Ground Truth)的位置参数；x为指示参数。
步骤103，根据各待校正医疗图像对应的手位识别结果，在各待校正医疗图像中确定正手位图像。
在本申请实施例中，终端可以比较各待校正医疗图像的得分，将得分最高的待校正图像确定为正手位图像。
在一个示例中，终端可以根据各待校正医疗图像的得分，判断是否存在待校正医疗图像的得分不低于预设阈值。在存在待校正图像的得分不低于预设阈值的情况下，则终端将得分最高的待校正图像确定为正手位图像。在不存在待校正图像的得分不低于预设阈值的情况下，则终端重新执行获取手腕部的多个待校正医疗图像的步骤，例如，终端提示图像返回拒读。
步骤104，根据正手位图像和预先训练的籽骨等级分类模型，得到目标籽骨的籽骨等级分类结果。
在本申请实施例中，终端可以将正手位图像输入至预先训练的籽骨等级分类模型，得到目标籽骨的籽骨等级分类结果。其中，目标籽骨的籽骨等级分类结果可以表示目标籽骨的籽骨等级。目标籽骨的籽骨等级与目标籽骨的成熟度指征存在对应关系。采用中国的桡尺及掌指骨的骨龄评价方法(radius,ulna and short bone-China，RC)，通过籽骨等级可以对青春期阶段进行分型，进而较好的指导青少年的生长发育，对医生的临床诊断也可以提供有效的决策依据。
在一种实现方式中，终端也可以先在正手位图像中确定目标籽骨图像，然后将目标籽骨图像输入至预先训练的籽骨等级分类模型，得到目标籽骨的籽骨等级分类结果。上述籽骨等级识别方法的实现方式对正手位图像进行进一步处理，得到更加明确的目标籽骨图像，并将其输入至预先训练的籽骨等级分类模型，提高籽骨等级识别的准确性。
上述籽骨等级识别方法中，终端先通过获取手腕部的多个包含目标籽骨的图像的待校正医疗图像，并将各待校正医疗图像分别输入至预先训练的手位识别模型，得到各待校正医疗图像对应的手位识别结果；然后，终端根据各待校正医疗图像对应的手位识别结果，在各待校正医疗图像中确定正手位图像；最后，终端根据正手位图像和预先训练的籽骨等级分类模型，得到目标籽骨的籽骨等级分类结果。上述籽骨等级识别方法不再主要依靠医生需要长时间积累的个人经验进行籽骨等级的判定，提高了籽骨等级识别的效率。
在一个实施例中，如图2所示，籽骨等级分类模型的训练过程的具体过程包括以下步骤：
步骤201，获取第一训练数据集和第一验证数据集。
其中，第一训练数据集包括第一样本图像和第一样本图像包含的籽骨的第一样本等级分类结果。第一验证数据集包括第二样本图像和第二样本图像包含的籽骨的第二样本等级分类结果。第一样本图像和第二样本图像均为手腕部的医疗图像。
在本申请实施例中，终端可以先选取一定量的手腕部的正手位医疗图像样本，然后由人工标注这批手腕部的正手位医疗图像样本的籽骨等级。最后，终端将这批手腕部的正手位医疗图像样本划分为第一训练数据集和第一验证数据集。
在一个示例中，第一样本图像和第二样本图像为相同类型的手腕部的医疗图像，可以均为手腕部的X光图像、CT图像或磁共振图像。
步骤202，通过第一训练数据集对预设的目标神经网络进行训练，得到多个备选籽骨等级分类模型。
在本申请实施例中，终端可以将第一训练数据集输入至预设的目标神经网络，得到第一样本图像包含的籽骨的籽骨等级分类预测结果(为了便于区分，可称为训练籽骨等级分类预测结果)。然后，终端可以根据训练籽骨等级分类预测结果和第一样本等级分类结果，确定训练损失函数。最后，终端根据训练损失函数对预设的目标神经网络进行训练，得到多个备选籽骨等级分类模型。
在一个示例中，终端可以采用K折交叉训练方式，通过第一训练数据集对预设的目标神经网络进行训练，得到多个备选籽骨等级分类模型。这样上述籽骨等级识别方法通过多次划分训练数据集，多次训练目标数据网络，使得模型能够遇到各种各样的数据，提高了籽骨等级分类模型的泛化能力，也提高了对数据的使用效率。
在另一个示例中，终端可以采用分层K折交叉训练方式，通过第一训练数据集对预设的目标神经网络进行训练，得到多个备选籽骨等级分类模型。这样上述籽骨等级识别方法不仅可以通过多次划分训练数据集，多次训练目标数据网络，使得模型能够遇到各种各样的数据，提高籽骨等级分类模型的泛化能力，提高对数据的使用效率，还可以保证在模型训练时，学习到验证数据集中数据的特点，从而保证验证结果的可信度。
步骤203，通过第一验证数据集对各备选籽骨等级分类模型进行验证，得到各备选籽骨等级分类模型的准确率。
在本申请实施例中，终端可以将第一验证数据集分别输入至各备选籽骨等级分类模型，得到各备选籽骨等级分类模型对应的籽骨等级分类预测结果。然后，终端可以根据各备选籽骨等级分类模型对应的籽骨等级分类预测结果和第二样本等级分类结果，计算各备选籽骨等级分类模型的准确率。
步骤204，根据各备选籽骨等级分类模型的准确率，在各备选籽骨等级分类模型中确定籽骨等级分类模型。
在本申请实施例中，终端可以根据各备选籽骨等级分类模型的准确率，在各备选籽骨等级分类模型中确定籽骨等级分类模型。在一个示例中，终端可以比较各备选籽骨等级分类模型的准确率，将准确率最高的备选籽骨等级分类模型确定为籽骨等级分类模型。
上述籽骨等级识别方法中，终端先通过第一训练数据集对预设的目标神经网络进行训练，得到多个备选籽骨等级分类模型；终端再通过第一验证数据集确定各备选籽骨等级分类模型的准确率，并根据各备选籽骨等级分类模型的准确率，在各备选籽骨等级分类模型中确定籽骨等级分类模型保证了籽骨等级识别模型的准确率。
在一个实施例中，如图3所示，通过第一训练数据集对预设的目标神经网络进行训练，得到多个备选籽骨等级分类模型的具体过程包括以下步骤：
步骤301，将第一训练数据集划分为预设份数的子集。
在本申请实施例中，终端可以先将第一训练数据集随机排序，再将随机排序后的第一训练数据集平均划分为预设数目个的子集。
在一个示例中，终端可以按照第一训练数据集中各类别数据的占比情况划分第一训练数据集的子集，使得划分后的每一个子集中都保持着第一训练数据集中各类别数据的比例关系。其中，第一训练数据集中各类别数据为各籽骨等级对应的训练数据。这样，可以保证在模型训练时，学习到验证数据集中各籽骨等级对应的数据的特点，从而保证验证结果的可信度。
步骤302，按照预设轮询顺序，在第一训练数据集中选取第二验证数据集，并将其余子集作为第二训练数据集。
在本申请实施例中，终端可以按照预设轮询顺序，在第一次训练时，选取第一训练数据集中的第一个子集作为第二验证数据集，并将其余子集作为第二训练数据集。在第二次训练时，终端可以选取第一训练数据集中的第二个子集作为第二验证数据集，并将其余子集作为第二训练数据集。在第三次训练时，终端可以选取第一训练数据集中的第三个子集作为第二验证数据集，并将其余子集作为第二训练数据集。以此类推，在第K次训练时，终端可以选取第一训练数据集中的第K个子集作为第二验证数据集，并将其余子集作为第二训练数据集。
在一个示例中，终端可以将第一训练数据集划分为K个的子集。然后，终端可以按照预设轮询顺序，在第一次训练时，选取第一训练数据集中的第K个子集作为第二验证数据集，并将其余子集作为第二训练数据集。在第二次训练时，终端可以选取第一训练数据集中的第K-1个子集作为第二验证数据集，并将其余子集作为第二训练数据集。在第三次训练时，终端可以选取第一训练数据集中的第K-2个子集作为第二验证数据集，并将其余子集作为第二训练数据集。以此类推，在第K次训练时，终端可以选取第一训练数据集中的第一个子集作为第二验证数据集，并将其余子集作为第二训练数据集。
步骤303，分别将第二训练数据集和第二验证数据集输入至目标神经网络，得到第二训练数据集对应的第一籽骨等级分类预测结果、以及第二验证数据集对应的第二籽骨等级分类预测结果。
在本申请实施例中，终端可以将第二训练数据集输入至目标神经网络，得到第二训练数据集对应的第一籽骨等级分类预测结果。同时，终端可以将第二验证数据集输入至目标神经网络，得到第二验证数据集对应的第二籽骨等级分类预测结果。其中，第一籽骨等级分类预测结果可以包括第二训练数据集对应的第一样本图像包含的籽骨的籽骨等级预测特征向量(为了便于区分，可称为第一籽骨等级预测特征向量)；第二籽骨等级分类预测结果可以包括第二验证数据集对应的第一样本图像包含的籽骨的籽骨等级预测特征向量(可称为第二籽骨等级预测特征向量)。
步骤304，根据第一籽骨等级分类预测结果和第二训练数据集对应的第一样本等级分类结果，确定并记录第一目标损失函数；根据第二籽骨等级分类预测结果和第二验证数据集对应的第一样本等级分类结果，确定并记录第二目标损失函数。
在本申请实施例中，终端可以先根据第二训练数据集对应的第一样本等级分类结果，确定第二训练数据集对应的第一样本图像包含的籽骨的籽骨等级真实值(为了便于区分，可称为第一籽骨等级真实值)。然后，终端可以将第一籽骨等级预测特征向量和第一籽骨等级真实值作为第一目标损失函数的参数，确定并记录第一目标损失函数。
同时，终端可以先根据第二验证数据集对应的第一样本等级分类结果，确定第二验证数据集对应的第一样本图像包含的籽骨的籽骨等级真实值(为了便于区分，可称为第二籽骨等级真实值)。然后，终端可以将第二籽骨等级预测特征向量和第二籽骨等级真实值作为第二目标损失函数的参数，确定并记录第二目标损失函数。
在一个示例中，第一籽骨等级真实值和第一籽骨等级真实值可以均为独热编码(one-hot编码)。
步骤305，根据第一目标损失函数，对目标神经网络的参数进行更新，返回执行按照预设轮询顺序，在第一训练数据集中确定第二验证数据集，并将其余子集作为第二训练数据集的步骤。
在本申请实施例中，终端先可以根据第一目标损失函数，计算目标神经网络的梯度。然后，终端可以根据目标神经网络的梯度，对目标神经网络的参数进行更新。在对目标神经网络的参数进行更新后，终端返回执行按照预设轮询顺序，在第一训练数据集中确定第二验证数据集，并将其余子集作为第二训练数据集的步骤，对目标神经网络进行新一轮的训练。
步骤306，在本次更新后的目标神经网络对应的第一目标损失函数小于本次更新前的目标神经网络对应的第一目标损失函数的情况下，保存本次更新后的目标神经网络。
在本申请实施例中，终端可以根据记录的第一目标损失函数，判断每次更新后的目标神经网络对应的第一目标损失函数是否小于每次更新前的目标神经网络对应的第一目标损失函数。具体的，在一次更新后，终端可以先获取终端记录的本次更新后的目标神经网络对应的第一目标损失函数和本次更新前的目标神经网络对应的第一目标损失函数。然后，终端将本次更新后的目标神经网络对应的第一目标损失函数和本次更新前的目标神经网络对应的第一目标损失函数进行比较，判断本次更新后的目标神经网络对应的第一目标损失函数是否小于本次更新前的目标神经网络对应的第一目标损失函数。在本次更新后的目标神经网络对应的第一目标损失函数小于本次更新前的目标神经网络对应的第一目标损失函数的情况下，终端保存本次更新后的目标神经网络。
步骤307，根据记录的第一目标损失函数和第二目标损失函数确定是否达到预设迭代停止条件，在达到预设迭代停止条件的情况下，将已存储的各目标神经网络作为备选籽骨等级分类模型。
在本申请实施例中，终端可以根据记录的第一目标损失函数和第二目标损失函数，判断训练过程是否达到预设迭代停止条件。在达到预设迭代停止条件的情况下，终端可以停止训练，并将已存储的各目标神经网络作为备选籽骨等级分类模型。
上述籽骨等级识别方法中，终端通过将第一训练数据集划分为预设份数的子集，并按照预设轮询顺序，在第一训练数据集中选取验证数据集和训练数据集，从而实现对目标神经网络的参数的多次更新，而且，基于上述选取方式，可以提高样本的丰富性，从而提高了备选籽骨等级分类模型的泛化能力，以及对数据的使用效率。
在一个实施例中，如图4所示，根据记录的第一目标损失函数和第二目标损失函数确定是否达到预设迭代停止条件的具体过程包括以下步骤：
步骤401，判断本次更新后的目标神经网络对应的第一目标损失函数是否小于本次更新前的目标神经网络对应的第一目标损失函数、以及本次更新后的目标神经网络对应的第二目标损失函数是否大于或等于本次更新前的目标神经网络对应的第二目标损失函数。
在本申请实施例中，在一次更新后，终端可以先获取终端记录的本次更新后的目标神经网络对应的第一目标损失函数和第二损失函数、以及本次更新前的目标神经网络对应的第一目标损失函数和第二损失函数。然后，终端可以比较本次更新后的目标神经网络对应的第一目标损失函数和本次更新前的目标神经网络对应的第一目标损失函数，判断本次更新后的目标神经网络对应的第一目标损失函数是否小于本次更新前的目标神经网络对应的第一目标损失函数。同时，终端可以比较本次更新后的目标神经网络对应的第二目标损失函数和本次更新前的目标神经网络对应的第二目标损失函数，判断本次更新后的目标神经网络对应的第二目标损失函数是否大于或等于本次更新前的目标神经网络对应的第二目标损失函数。
步骤402，如果是，则确定本次更新后的目标神经网络不满足预设拟合条件。
在本申请实施例中，终端可以根据本次更新后的目标神经网络对应的第一目标损失函数是否小于本次更新前的目标神经网络对应的第一目标损失函数的判断结果、以及本次更新后的目标神经网络对应的第二目标损失函数是否大于或等于本次更新前的目标神经网络对应的第二目标损失函数的判断结果，确定本次更新后的目标神经网络是否满足预设拟合条件。如果本次更新后的目标神经网络对应的第一目标损失函数小于本次更新前的目标神经网络对应的第一目标损失函数，且本次更新后的目标神经网络对应的第二目标损失函数大于或等于本次更新前的目标神经网络对应的第二目标损失函数，则确定本次更新后的目标神经网络不满足预设拟合条件。
步骤403，在更新后的目标神经网络不满足预设拟合条件的次数超过预设次数的情况下，将当前已存储的目标神经网络作为备选籽骨等级分类模型。
在本申请实施例中，终端可以记录更新后的目标神经网络不满足预设拟合条件的次数。然后，终端比较更新后的目标神经网络不满足预设拟合条件的次数与预设次数。在更新后的目标神经网络不满足预设拟合条件的次数超过预设次数的情况下，终端可以将当前已存储的目标神经网络作为备选籽骨等级分类模型。
在一种实现方式中，终端也可以记录更新后的目标神经网络连续不满足预设拟合条件的次数。然后，终端比较更新后的目标神经网络连续不满足预设拟合条件的次数与预设次数。在更新后的目标神经网络连续不满足预设拟合条件的次数超过预设次数的情况下，终端可以将当前已存储的目标神经网络作为备选籽骨等级分类模型。
上述籽骨等级识别方法中，终端通过设置第二目标损失函数，从而设置预设拟合条件，在更新后的目标神经网络不满足预设拟合条件的次数超过预设次数的情况下，将当前已存储的目标神经网络作为备选籽骨等级分类模型，使得更新后的目标神经网络对应的第一损失函数和第二损失函数保持相似的变化方向，保证模型在训练过程中既能拟合数据，又不至于过拟合。
在一个实施例中，如图5所示，根据第一籽骨等级分类预测结果和第二训练数据集对应的第一样本等级分类结果，确定并记录第一目标损失函数的具体过程包括以下步骤：
步骤501，根据第一籽骨等级分类预测结果和第二训练数据集对应的第一样本等级分类结果，确定软性损失函数。
在本申请实施例中，终端可以先根据第二训练数据集对应的第一样本等级分类结果，确定第一籽骨等级真实值。然后，终端可以将第一籽骨等级预测特征向量和第一籽骨等级真实值作为软性目标损失函数的参数，确定软性损失函数。
步骤502，根据第一籽骨等级分类预测结果和第二训练数据集对应的第一样本等级分类结果，确定中心损失函数。
在本申请实施例中，终端可以先根据第二训练数据集对应的第一样本等级分类结果，确定第一籽骨等级真实值。然后，终端可以将第一籽骨等级预测特征向量和第一籽骨等级真实值作为中心目标损失函数的参数，确定中心损失函数。
步骤503，对软性损失函数和中心损失函数进行加权求和，得到并记录第一目标损失函数。
在本申请实施例中，终端可以对软性损失函数和中心损失函数进行加权求和，得到第一目标损失函数，并记录第一目标损失函数。
在一个示例中，第一目标损失函数可以表示为：
Figure BDA0003316778040000171
其中，L为第一目标损失函数，LS为软性损失函数，Lc为中心损失函数，λ为软性损失函数和中心损失函数进行加权求和的权值；i和j分别表示此次训练第i个样本和第j个样本；x为第一籽骨等级预测特征向量，y为第一籽骨等级真实值；m为小批量(mini-batch)包含的样本数量，n为籽骨等级的类别总数，T为为小批量(mini-batch)包含的籽骨等级的类别数量，c为类深度特征中心，W为当前神经网络输出层的权重，b为偏移量。
上述籽骨等级识别方法中，终端对软性损失函数和中心损失函数进行加权求和，得到并记录第一目标损失函数，并根据第一损失函数对目标神经网络的参数进行更新，兼顾了类内聚合和类间分离，使得不同类别的特征差异更加明显，相同类别的差异更小，从而提高了籽骨等级识别的准确性。
在一个实施例中，如图6所示，获取手腕部的多个待校正医疗图像的具体过程包括以下步骤：
步骤601，获取手腕部的医疗图像。
在本申请实施例中，终端可以通过医疗检查器械获取接受检查的目标对象的手腕部的医疗图像。其中，医疗图像为解剖学区域的内部结构或功能的表示，可以包括：X光图像、CT图像和磁共振图像。
步骤602，将医疗图像调整为预设尺寸图像。
在本申请实施例中，终端可以将医疗图像调整为预设尺寸图像。例如，预设尺寸可以为300*300。
步骤603，将预设尺寸图像分别旋转多个预设角度，得到多个旋转后图像，并将预设尺寸图像和多个旋转后图像确定为待校正医疗图像。
在本申请实施例中，终端可以将预设尺寸图像分别旋转多个预设角度，得到多个旋转后图像。例如，多个预设角度可以分别为90度、180度和270度。然后，终端可以将预设尺寸图像和多个旋转后图像确定为待校正医疗图像。
上述籽骨等级识别方法中，终端获取手腕部的医疗图像，并将医疗图像调整为预设尺寸图像，使得输入预先训练的籽骨等级分类模型的图像均为统一尺寸的图像，提高籽骨等级识别的准确性。而且，上述籽骨等级识别方法中，终端再将预设尺寸图像分别旋转多个预设角度，得到多个旋转后图像，并将预设尺寸图像和多个旋转后图像确定为待校正医疗图像，实现了手腕部的多个待校正医疗图像的获取，使得手腕部的多个待校正医疗图像仅在旋转角度方面存在不同，减少干扰因素，提高手位识别的准确性。
在一个实施例中，如图7所示，根据将正手位图像和预先训练的籽骨等级分类模型，得到目标籽骨的籽骨等级分类结果的具体过程包括以下步骤：
步骤701，将正手位图像输入至预先训练的骨骺定位模型，得到正手位图像中第一近节指骨的坐标信息。
其中，第一近节指骨为拇指的近节指骨。
在本申请实施例中，终端可以将正手位图像输入至预先训练的骨骺定位模型，得到正手位图像中第一近节指骨的坐标信息。
其中，预先训练的骨骺定位模型主要用于定位手腕部13个骨骺的位置。如图8所示，指骨，拇指有两节，其余各指均有三节，由近侧向远侧依次为近节指骨、中节指骨和末节指骨。第一近节指骨为拇指的近节指骨。第一近节指骨的坐标信息为第一近节指骨在正手位图像中的坐标信息。在一个示例中，第一近节指骨的坐标信息可以包括第一近节指骨的最上方的坐标(可记为top)、最左方的坐标(可记为left)、最下方的坐标(可记为bottom)和最右方的坐标(可记为right)，例如，第一近节指骨的坐标信息可以表示为(top,left,bottom,right)。
在一个示例中，终端可以通过训练m2det网络得到骨骺定位模型，骨骺定位模型的骨干网络可以为101层的残差神经网络(resnet101)。
步骤702，基于第一近节指骨与籽骨的位置关系、以及第一近节指骨的坐标信息，得到正手位图像中目标籽骨的坐标信息。
在本申请实施例中，终端可以根据第一近节指骨的坐标信息，判断正手位图像是否为左手正手位图像。若正手位图像为左手正手位图像，则终端可以基于左手的第一近节指骨与籽骨的位置关系、以及第一近节指骨的坐标信息，得到正手位图像中目标籽骨的坐标信息。若正手位图像非左手正手位图像，则终端可以基于右手的第一近节指骨与籽骨的位置关系、以及第一近节指骨的坐标信息，得到正手位图像中目标籽骨的坐标信息。
在一个示例中，终端可以采用python，基于第一近节指骨与籽骨的位置关系、以及第一近节指骨的坐标信息，计算得到正手位图像中目标籽骨的坐标信息。
若正手位图像为左手正手位图像，目标籽骨的坐标信息计算如下：
left+＝int((right-left)/2)
left-＝int(((bottom-top)-(right-left))/2)
right+＝int((right-left)/2)
right+＝(bottom-top)-(right-left)
若正手位图像非左手正手位图像，目标籽骨的坐标信息计算如下：
left-＝int((right-left)/2)
right-＝int((right-left)/2)
right+＝int(((bottom-top)-(right-left))/2)
left-＝(bottom-top)-(right-left)
第一近节指骨的坐标信息可以表示为(top,left,bottom,right)。
步骤703，根据目标籽骨的坐标信息，在正手位图像中确定目标籽骨图像。
在本申请实施例中，终端可以根据目标籽骨的坐标信息，在正手位图像中确定目标籽骨图像。
步骤704，将目标籽骨图像输入至预先训练的籽骨等级分类模型，得到目标籽骨的籽骨等级分类结果。
在本申请实施例中，终端可以将目标籽骨图像输入至预先训练的籽骨等级分类模型，得到目标籽骨的籽骨等级分类结果。其中，目标籽骨的籽骨等级分类结果可以表示目标籽骨的籽骨等级。
上述籽骨等级识别方法中，终端将正手位图像输入至预先训练的骨骺定位模型，得到正手位图像中第一近节指骨的坐标信息，基于第一近节指骨与籽骨的位置关系、以及第一近节指骨的坐标信息，得到正手位图像中目标籽骨的坐标信息，根据目标籽骨的坐标信息，在正手位图像中确定目标籽骨图像，提高目标籽骨图像的准确率。而且，上述籽骨等级识别方法中，终端将目标籽骨图像输入至预先训练的籽骨等级分类模型，得到目标籽骨的籽骨等级分类结果，对正手位图像进行进一步处理，得到更加明确的目标籽骨图像，并将其输入至预先训练的籽骨等级分类模型，提高籽骨等级识别的准确性。
应该理解的是，虽然图1-7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1-7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9所示，提供了一种籽骨等级识别装置900，包括：第一获取模块910、手位识别模块920、第一确定模块930和籽骨等级分类模块940，其中：
第一获取模块910，用于获取手腕部的多个待校正医疗图像；所述待校正医疗图像包含目标籽骨的图像；
手位识别模块920，用于将各所述待校正医疗图像分别输入至预先训练的手位识别模型，得到各所述待校正医疗图像对应的手位识别结果；
第一确定模块930，用于根据各所述待校正医疗图像对应的手位识别结果，在各所述待校正医疗图像中确定正手位图像；
籽骨等级分类模块940，用于根据所述正手位图像和预先训练的籽骨等级分类模型，得到所述目标籽骨的籽骨等级分类结果。
可选的，所述装置900还包括：
第二获取模块，用于获取第一训练数据集和第一验证数据集；所述第一训练数据集包括第一样本图像和所述第一样本图像包含的籽骨的第一样本等级分类结果；所述第一验证数据集包括第二样本图像和所述第二样本图像包含的籽骨的第二样本等级分类结果；所述第一样本图像和第二样本图像均为手腕部的医疗图像；
训练模块，用于通过所述第一训练数据集对预设的目标神经网络进行训练，得到多个备选籽骨等级分类模型；
验证模块，用于通过所述第一验证数据集对各所述备选籽骨等级分类模型进行验证，得到各所述备选籽骨等级分类模型的准确率；
第二确定模块，用于根据各所述备选籽骨等级分类模型的准确率，在各所述备选籽骨等级分类模型中确定所述籽骨等级分类模型。
可选的，所述训练模块，具体用于：
将所述第一训练数据集划分为预设份数的子集；
按照预设轮询顺序，在所述第一训练数据集中选取第二验证数据集，并将其余子集作为第二训练数据集；
分别将所述第二训练数据集和所述第二验证数据集输入至所述目标神经网络，得到所述第二训练数据集对应的第一籽骨等级分类预测结果、以及所述第二验证数据集对应的第二籽骨等级分类预测结果；
根据所述第一籽骨等级分类预测结果和所述第二训练数据集对应的第一样本等级分类结果，确定并记录第一目标损失函数；根据所述第二籽骨等级分类预测结果和所述第二验证数据集对应的第一样本等级分类结果，确定并记录第二目标损失函数；
根据所述第一目标损失函数，对所述目标神经网络的参数进行更新，返回执行所述按照预设轮询顺序，在所述第一训练数据集中确定第二验证数据集，并将其余子集作为第二训练数据集的步骤；
在本次更新后的目标神经网络对应的第一目标损失函数小于本次更新前的目标神经网络对应的第一目标损失函数的情况下，保存本次更新后的目标神经网络；
根据记录的第一目标损失函数和第二目标损失函数确定是否达到预设迭代停止条件，在达到所述预设迭代停止条件的情况下，将已存储的各目标神经网络作为备选籽骨等级分类模型。
可选的，所述训练模块，具体用于：
判断本次更新后的目标神经网络对应的第一目标损失函数是否小于本次更新前的目标神经网络对应的第一目标损失函数、以及本次更新后的目标神经网络对应的第二目标损失函数是否大于或等于本次更新前的目标神经网络对应的第二目标损失函数；
如果是，则确定本次更新后的目标神经网络不满足预设拟合条件；
在更新后的目标神经网络不满足预设拟合条件的次数超过预设次数的情况下，将当前已存储的目标神经网络作为备选籽骨等级分类模型。
可选的，所述训练模块，具体用于：
根据所述第一籽骨等级分类预测结果和所述第二训练数据集对应的第一样本等级分类结果，确定软性损失函数；
根据所述第一籽骨等级分类预测结果和所述第二训练数据集对应的第一样本等级分类结果，确定中心损失函数；
对所述软性损失函数和所述中心损失函数进行加权求和，得到并记录第一目标损失函数。
可选的，所述第一获取模块910，具体用于：
获取手腕部的医疗图像；
将所述医疗图像调整为预设尺寸图像；
将所述预设尺寸图像分别旋转多个预设角度，得到多个旋转后图像，并将所述预设尺寸图像和所述多个旋转后图像确定为待校正医疗图像。
可选的，所述籽骨等级分类模块940，具体用于：
将所述正手位图像输入至预先训练的骨骺定位模型，得到所述正手位图像中第一近节指骨的坐标信息；所述第一近节指骨为拇指的近节指骨；
基于第一近节指骨与籽骨的位置关系、以及所述第一近节指骨的坐标信息，得到所述正手位图像中所述目标籽骨的坐标信息；
根据所述目标籽骨的坐标信息，在所述正手位图像中确定目标籽骨图像；
将所述目标籽骨图像输入至所述预先训练的籽骨等级分类模型，得到所述目标籽骨的籽骨等级分类结果。
关于籽骨等级识别装置的具体限定可以参见上文中对于籽骨等级识别方法的限定，在此不再赘述。上述籽骨等级识别装置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。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种籽骨等级识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述籽骨等级识别方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述籽骨等级识别方法的步骤。
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)

1.一种籽骨等级识别方法，其特征在于，所述方法包括：
获取手腕部的多个待校正医疗图像；所述待校正医疗图像包含目标籽骨的图像；
将各所述待校正医疗图像分别输入至预先训练的手位识别模型，得到各所述待校正医疗图像对应的手位识别结果；
根据各所述待校正医疗图像对应的手位识别结果，在各所述待校正医疗图像中确定正手位图像；
根据所述正手位图像和预先训练的籽骨等级分类模型，得到所述目标籽骨的籽骨等级分类结果。
2.根据权利要求1所述的方法，其特征在于，所述籽骨等级分类模型的训练过程包括：
获取第一训练数据集和第一验证数据集；所述第一训练数据集包括第一样本图像和所述第一样本图像包含的籽骨的第一样本等级分类结果；所述第一验证数据集包括第二样本图像和所述第二样本图像包含的籽骨的第二样本等级分类结果；所述第一样本图像和第二样本图像均为手腕部的医疗图像；
通过所述第一训练数据集对预设的目标神经网络进行训练，得到多个备选籽骨等级分类模型；
通过所述第一验证数据集对各所述备选籽骨等级分类模型进行验证，得到各所述备选籽骨等级分类模型的准确率；
根据各所述备选籽骨等级分类模型的准确率，在各所述备选籽骨等级分类模型中确定所述籽骨等级分类模型。
3.根据权利要求2所述的方法，其特征在于，所述通过所述第一训练数据集对预设的目标神经网络进行训练，得到多个备选籽骨等级分类模型，包括：
将所述第一训练数据集划分为预设份数的子集；
按照预设轮询顺序，在所述第一训练数据集中选取第二验证数据集，并将其余子集作为第二训练数据集；
分别将所述第二训练数据集和所述第二验证数据集输入至所述目标神经网络，得到所述第二训练数据集对应的第一籽骨等级分类预测结果、以及所述第二验证数据集对应的第二籽骨等级分类预测结果；
根据所述第一籽骨等级分类预测结果和所述第二训练数据集对应的第一样本等级分类结果，确定并记录第一目标损失函数；根据所述第二籽骨等级分类预测结果和所述第二验证数据集对应的第一样本等级分类结果，确定并记录第二目标损失函数；
根据所述第一目标损失函数，对所述目标神经网络的参数进行更新，返回执行所述按照预设轮询顺序，在所述第一训练数据集中确定第二验证数据集，并将其余子集作为第二训练数据集的步骤；
在本次更新后的目标神经网络对应的第一目标损失函数小于本次更新前的目标神经网络对应的第一目标损失函数的情况下，保存本次更新后的目标神经网络；
根据记录的第一目标损失函数和第二目标损失函数确定是否达到预设迭代停止条件，在达到所述预设迭代停止条件的情况下，将已存储的各目标神经网络作为备选籽骨等级分类模型。
4.根据权利要求3所述的方法，其特征在于，所述根据记录的第一目标损失函数和第二目标损失函数确定是否达到预设迭代停止条件，包括：
判断本次更新后的目标神经网络对应的第一目标损失函数是否小于本次更新前的目标神经网络对应的第一目标损失函数、以及本次更新后的目标神经网络对应的第二目标损失函数是否大于或等于本次更新前的目标神经网络对应的第二目标损失函数；
如果是，则确定本次更新后的目标神经网络不满足预设拟合条件；
在更新后的目标神经网络不满足预设拟合条件的次数超过预设次数的情况下，将当前已存储的目标神经网络作为备选籽骨等级分类模型。
5.根据权利要求3所述的方法，其特征在于，所述根据所述第一籽骨等级分类预测结果和所述第二训练数据集对应的第一样本等级分类结果，确定并记录第一目标损失函数，包括：
根据所述第一籽骨等级分类预测结果和所述第二训练数据集对应的第一样本等级分类结果，确定软性损失函数；
根据所述第一籽骨等级分类预测结果和所述第二训练数据集对应的第一样本等级分类结果，确定中心损失函数；
对所述软性损失函数和所述中心损失函数进行加权求和，得到并记录第一目标损失函数。
6.根据权利要求1所述的方法，其特征在于，所述获取手腕部的多个待校正医疗图像，包括：
获取手腕部的医疗图像；
将所述医疗图像调整为预设尺寸图像；
将所述预设尺寸图像分别旋转多个预设角度，得到多个旋转后图像，并将所述预设尺寸图像和所述多个旋转后图像确定为待校正医疗图像。
7.根据权利要求1所述的方法，其特征在于，所述根据将所述正手位图像和预先训练的籽骨等级分类模型，得到所述目标籽骨的籽骨等级分类结果，包括：
将所述正手位图像输入至预先训练的骨骺定位模型，得到所述正手位图像中第一近节指骨的坐标信息；所述第一近节指骨为拇指的近节指骨；
基于第一近节指骨与籽骨的位置关系、以及所述第一近节指骨的坐标信息，得到所述正手位图像中所述目标籽骨的坐标信息；
根据所述目标籽骨的坐标信息，在所述正手位图像中确定目标籽骨图像；
将所述目标籽骨图像输入至所述预先训练的籽骨等级分类模型，得到所述目标籽骨的籽骨等级分类结果。
8.一种籽骨等级识别装置，其特征在于，所述装置包括：
第一获取模块，用于获取手腕部的多个待校正医疗图像；所述待校正医疗图像包含目标籽骨的图像；
手位识别模块，用于将各所述待校正医疗图像分别输入至预先训练的手位识别模型，得到各所述待校正医疗图像对应的手位识别结果；
第一确定模块，用于根据各所述待校正医疗图像对应的手位识别结果，在各所述待校正医疗图像中确定正手位图像；
籽骨等级分类模块，用于根据所述正手位图像和预先训练的籽骨等级分类模型，得到所述目标籽骨的籽骨等级分类结果。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202111233679.5A 2021-10-22 2021-10-22 籽骨等级识别方法、装置、计算机设备和存储介质 Pending CN113963208A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111233679.5A CN113963208A (zh) 2021-10-22 2021-10-22 籽骨等级识别方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111233679.5A CN113963208A (zh) 2021-10-22 2021-10-22 籽骨等级识别方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN113963208A true CN113963208A (zh) 2022-01-21

Family

ID=79466373

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111233679.5A Pending CN113963208A (zh) 2021-10-22 2021-10-22 籽骨等级识别方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN113963208A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115115552A (zh) * 2022-08-25 2022-09-27 腾讯科技（深圳）有限公司 图像矫正模型训练及图像矫正方法、装置和计算机设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115115552A (zh) * 2022-08-25 2022-09-27 腾讯科技（深圳）有限公司 图像矫正模型训练及图像矫正方法、装置和计算机设备
CN115115552B (zh) * 2022-08-25 2022-11-18 腾讯科技（深圳）有限公司 图像矫正模型训练及图像矫正方法、装置和计算机设备

Similar Documents

Publication Publication Date Title
CN110599451B (zh) 医学图像病灶检测定位方法、装置、设备及存储介质
US20210390706A1 (en) Detection model training method and apparatus, computer device and storage medium
WO2019232960A1 (zh) 自动骨龄预测方法、系统、计算机设备和存储介质
CN111414946B (zh) 基于人工智能的医疗影像的噪声数据识别方法和相关装置
Maurer et al. Fusing multimodal biometrics with quality estimates via a Bayesian belief network
CN105138993A (zh) 建立人脸识别模型的方法及装置
CN108596904A (zh) 生成定位模型的方法及对脊柱矢状位图像进行处理的方法
US20080260254A1 (en) Automatic 3-D Object Detection
CN109272002A (zh) 一种骨龄片的分类方法及装置
CN111340135B (zh) 基于随机投影的肾小肿块分类方法
CN111709485A (zh) 医学影像处理方法、装置和计算机设备
CN114495241B (zh) 一种图像识别方法及装置、电子设备、存储介质
CN107590473A (zh) 一种人脸活体检测方法、介质和相关装置
FR et al. Segmentation of mammography by applying extreme learning machine in tumor detection
CN108877947A (zh) 基于迭代均值聚类的深度样本学习方法
CN111598144B (zh) 图像识别模型的训练方法和装置
CN114519401B (zh) 一种图像分类方法及装置、电子设备、存储介质
CN110414562B (zh) X光片的分类方法、装置、终端及存储介质
CN113963208A (zh) 籽骨等级识别方法、装置、计算机设备和存储介质
CN111414930B (zh) 深度学习模型训练方法及装置、电子设备及存储介质
CN112819826B (zh) 基于人工智能的脊椎图像处理装置及计算机设备
CN116091963A (zh) 临床试验机构质量评估方法、装置、电子设备及存储介质
Duryea et al. Neural network based automated algorithm to identify joint locations on hand/wrist radiographs for arthritis assessment
CN114049544A (zh) 基于特征比对的人脸质量评估方法、装置、设备及介质
CN114359133A (zh) 基于特征提取的手骨影像分析方法及相关设备

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