CN113989212A - 骨龄检测方法、系统、装置、计算机设备和存储介质 - Google Patents

骨龄检测方法、系统、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN113989212A
CN113989212A CN202111235329.2A CN202111235329A CN113989212A CN 113989212 A CN113989212 A CN 113989212A CN 202111235329 A CN202111235329 A CN 202111235329A CN 113989212 A CN113989212 A CN 113989212A
Authority
CN
China
Prior art keywords
bone
image
score
bone image
target
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
CN202111235329.2A
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 CN202111235329.2A priority Critical patent/CN113989212A/zh
Publication of CN113989212A publication Critical patent/CN113989212A/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
    • 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
    • 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
    • G06T2207/20081—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
    • G06T2207/30—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
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种骨龄检测方法、装置、计算机设备和存储介质。方法包括：获取第一骨骼图像；将第一骨骼图像输入至骨骼图像质量评价模型，得到第一骨骼图像的评分；根据第一骨骼图像的评分确定目标评分；若目标评分小于预设阈值，则获取新的第一骨骼图像，并返回执行将第一骨骼图像输入至骨骼图像质量评价模型，得到第一骨骼图像的评分步骤，直到确定出大于或等于预设阈值的目标评分，将目标评分对应的骨骼图像作为目标骨骼图像；将目标骨骼图像发送给骨龄检测服务器，以使骨龄检测服务器确定骨龄检测对象的骨龄。采用本方法能够保障用于骨龄检测的骨骼图像满足质量要求，进而提高骨龄检测结果的准确度和可信度。

Description

骨龄检测方法、系统、装置、计算机设备和存储介质
技术领域
本申请涉及图像处理技术领域，特别是涉及一种骨龄检测方法、系统、装置、计算机设备和存储介质。
背景技术
骨龄是骨骼年龄的简称。由于人类骨骼发育的变化基本相似，每一根骨头的发育过程都具有连续性和阶段性，不同阶段的骨头具有不同的形态特点，因此，骨龄能较准确地反映个体的生长发育水平和成熟程度。骨龄检测已广泛应用于评价青少年儿童的生长发育情况和身高预测，以及在临床医学、法医学、司法鉴定、运动科学等方面均有广泛应用。传统的骨龄检测是由医生观察和解读被测者左手手腕部位的X线片，根据X线片中骨骼的特定图像，采用骨龄评价方法来确定骨龄。常用的骨龄评价方法有：图谱法(例如G-P图谱法)和计分法(例如TW3中的TW3 RUS法和TW3 Carpal法、中华-05骨龄标准(标准号为TY/T 3001—2006的骨龄标准《中国青少年儿童手腕骨成熟度及评价方法》的简称)中的RUS-CHN法、TW3-C RUS法和TW3-C Carpal法)。
随着人工智能技术的发展，出现了辅助医生的自动骨龄检测系统。医生在使用时，可将从医院信息系统获取的X线片原片，或者X线片打印件的翻拍照片，传输至自动骨龄检测系统，然后由自动骨龄检测系统基于获取的X线片原片或翻拍照片进行自动骨龄检测。
然而，由于X线片的质量对自动骨龄检测结果的影响较大，其中的骨骼角度、取景范围、光线、清晰度等，都可能影响骨龄检测结果。特别对于非专业医生的普通用户，一般无法自行判断X线片的质量。因此，用户容易将质量较差的X线片用于骨龄检测，得到的骨龄检测结果准确度较低。
发明内容
基于此，有必要针对上述技术问题，提供一种提高骨龄检测准确度的骨龄检测方法、装置、计算机设备和存储介质。
一种骨龄检测方法，所述方法包括：
获取骨龄检测对象的第一骨骼图像；
将所述第一骨骼图像输入至预先训练的骨骼图像质量评价模型，得到所述第一骨骼图像的评分；
根据所述第一骨骼图像的评分确定目标评分；
若所述目标评分小于预设阈值，则获取所述骨龄检测对象的新的第一骨骼图像，并返回执行将所述第一骨骼图像输入至预先训练的骨骼图像质量评价模型，得到所述第一骨骼图像的评分步骤，直到确定出大于或等于所述预设阈值的目标评分，将所述大于或等于所述预设阈值的目标评分对应的骨骼图像作为目标骨骼图像；
将所述目标骨骼图像发送给骨龄检测服务器，以使所述骨龄检测服务器根据所述目标骨骼图像确定所述骨龄检测对象的骨龄。
在其中一个实施例中，所述获取骨龄检测对象的第一骨骼图像，包括：
响应于照片拍摄指令，通过摄像部件进行拍摄处理，得到骨龄检测对象的第一骨骼图像；
响应于图库开启指令，展示图库包含的图片，并基于图片选择指令，在所述图库包含的图片中确定骨龄检测对象的第一骨骼图像。
在其中一个实施例中，所述骨骼图像质量评价模型的训练过程包括：
获取训练样本数据集；所述训练样本数据集中的每一样本数据为对手部及手腕部拍摄的X线片，且所述每一样本数据分别标注有手部、桡骨、以及尺骨的定位框位置信息；
将所述训练样本数据集输入至初始的骨骼图像质量评价模型进行训练，得到所述骨骼图像质量评价模型；所述骨骼图像质量评价模型用于识别所述第一骨骼图像中的手部、桡骨、以及尺骨，并输出所述手部、桡骨、以及尺骨分别对应的定位框位置信息和分数。
在其中一个实施例中，所述将所述第一骨骼图像输入至预先训练的骨骼图像质量评价模型，得到所述第一骨骼图像的评分，包括：
将所述第一骨骼图像输入至预先训练的骨骼图像质量评价模型，得到所述第一骨骼图像中手部的分数、桡骨的分数、以及尺骨的分数；
将所述手部的分数、桡骨的分数、以及尺骨的分数加权求和，得到所述第一骨骼图像的评分；其中，所述手部的分数的权重大于所述桡骨的分数的权重，所述桡骨的分数的权重大于所述尺骨的分数的权重。
在其中一个实施例中，所述方法还包括：
将所述第一骨骼图像进行预设角度的旋转，得到第二骨骼图像；
将所述第二骨骼图像输入至预先训练的骨骼图像质量评价模型，得到所述第二骨骼图像的评分；
所述根据所述第一骨骼图像的评分确定目标评分，包括：
根据所述第一骨骼图像的评分和所述第二骨骼图像的评分，确定所述评分的最大值，将所述评分的最大值作为目标评分。
在其中一个实施例中，在所述根据所述第一骨骼图像的评分确定目标评分之后，还包括：
若所述目标评分大于或等于所述预设阈值，则输出并显示所述目标评分；
若所述目标评分小于所述预设阈值，则输出并显示所述目标评分、以及照片拍摄引导信息。
在其中一个实施例中，所述将所述目标骨骼图像发送给骨龄检测服务器，以使所述骨龄检测服务器根据所述目标骨骼图像确定所述骨龄检测对象的骨龄，包括：
将所述目标骨骼图像和预先获取的所述骨龄检测对象的性别数据发送给骨龄检测服务器，以使所述骨龄检测服务器根据所述目标骨骼图像确定骨发育等级之后，根据所述骨发育等级和所述性别数据确定所述骨龄检测对象的骨龄；
所述方法还包括：
接收所述骨龄检测服务器发送的所述骨发育等级和所述骨龄，输出并显示包含所述性别数据、所述骨发育等级、以及所述骨龄的检测结果。
在其中一个实施例中，所述输出并显示包含所述性别数据、所述骨发育等级、以及所述骨龄的检测结果之后，还包括：
响应于骨发育等级修改指令，显示骨发育等级修改界面，并获取用户输入的骨发育等级修改数据，得到修改后的骨发育等级；
将所述修改后的骨发育等级发送给所述骨龄检测服务器，以使所述骨龄检测服务器根据所述修改后的骨发育等级和所述性别数据，确定所述骨龄检测对象的新的骨龄；
接收所述骨龄检测服务器发送的所述新的骨龄，输出并显示包含所述新的骨龄的检测结果。
一种骨龄检测系统，所述系统包括移动终端和骨龄检测服务器；
所述移动终端，用于获取骨龄检测对象的第一骨骼图像；将所述第一骨骼图像输入至预先训练的骨骼图像质量评价模型，得到所述第一骨骼图像的评分；根据所述第一骨骼图像的评分确定目标评分；若所述目标评分小于预设阈值，则获取所述骨龄检测对象的新的第一骨骼图像，并返回执行将所述第一骨骼图像输入至预先训练的骨骼图像质量评价模型，得到所述第一骨骼图像的评分步骤，直到确定出大于或等于所述预设阈值的目标评分，将所述大于或等于所述预设阈值的目标评分对应的骨骼图像作为目标骨骼图像；将所述目标骨骼图像发送给所述骨龄检测服务器；
所述骨龄检测服务器，用于根据所述目标骨骼图像确定所述骨龄检测对象的骨龄。
一种骨龄检测装置，所述装置包括：
获取模块，用于获取骨龄检测对象的第一骨骼图像；
第一评分模块，用于将所述第一骨骼图像输入至预先训练的骨骼图像质量评价模型，得到所述第一骨骼图像的评分；
确定模块，用于根据所述第一骨骼图像的评分确定目标评分；
所述获取模块还用于若所述目标评分小于预设阈值，则获取所述骨龄检测对象的新的第一骨骼图像，并返回执行将所述第一骨骼图像输入至预先训练的骨骼图像质量评价模型，得到所述第一骨骼图像的评分步骤，直到确定出大于或等于所述预设阈值的目标评分，将所述大于或等于所述预设阈值的目标评分对应的骨骼图像作为目标骨骼图像；
第一发送模块，用于将所述目标骨骼图像发送给骨龄检测服务器，以使所述骨龄检测服务器根据所述目标骨骼图像确定所述骨龄检测对象的骨龄。
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以下步骤：
获取骨龄检测对象的第一骨骼图像；
将所述第一骨骼图像输入至预先训练的骨骼图像质量评价模型，得到所述第一骨骼图像的评分；
根据所述第一骨骼图像的评分确定目标评分；
若所述目标评分小于预设阈值，则获取所述骨龄检测对象的新的第一骨骼图像，并返回执行将所述第一骨骼图像输入至预先训练的骨骼图像质量评价模型，得到所述第一骨骼图像的评分步骤，直到确定出大于或等于所述预设阈值的目标评分，将所述大于或等于所述预设阈值的目标评分对应的骨骼图像作为目标骨骼图像；
将所述目标骨骼图像发送给骨龄检测服务器，以使所述骨龄检测服务器根据所述目标骨骼图像确定所述骨龄检测对象的骨龄。
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以下步骤：
获取骨龄检测对象的第一骨骼图像；
将所述第一骨骼图像输入至预先训练的骨骼图像质量评价模型，得到所述第一骨骼图像的评分；
根据所述第一骨骼图像的评分确定目标评分；
若所述目标评分小于预设阈值，则获取所述骨龄检测对象的新的第一骨骼图像，并返回执行将所述第一骨骼图像输入至预先训练的骨骼图像质量评价模型，得到所述第一骨骼图像的评分步骤，直到确定出大于或等于所述预设阈值的目标评分，将所述大于或等于所述预设阈值的目标评分对应的骨骼图像作为目标骨骼图像；
将所述目标骨骼图像发送给骨龄检测服务器，以使所述骨龄检测服务器根据所述目标骨骼图像确定所述骨龄检测对象的骨龄。
上述骨龄检测方法、装置、计算机设备和存储介质，通过对获取到的第一骨骼图像使用预先训练的骨骼图像质量评价模型进行处理，得到该第一骨骼图像的评分，进而确定出目标评分，在目标评分小于预设阈值的情况下，获取新的第一骨骼图像，直到确定出大于或等于预设阈值(即满足条件)的目标评分时，将该满足条件的目标评分对应的骨骼图像作为目标骨骼图像以进行骨龄检测。本方法中，目标评分小于预设阈值时，说明骨骼图像的质量较差，因而获取新的第一骨骼图像，直到获取的骨骼图像满足质量要求，才进行下一步的骨龄检测，以此可以保障用于骨龄检测的骨骼图像满足质量要求，进而提高骨龄检测结果的准确度和可信度。
附图说明
图1为一个实施例中骨龄检测方法的应用环境图；
图2为一个实施例中骨龄检测方法的流程示意图；
图3为一个实施例中骨龄检测方法的流程示意图；
图4为一个具体示例中骨龄检测方法的流程示意图；
图5为一个实施例中骨龄检测装置的结构框图；
图6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。
首先，在具体介绍本申请实施例的技术方案之前，先对本申请实施例基于的技术背景或者技术演进脉络进行介绍。由于人类骨骼发育的变化基本相似，每一根骨头的发育过程都具有连续性和阶段性，不同阶段的骨头具有不同的形态特点，因此，骨龄能较准确地反映个体的生长发育水平和成熟程度。传统的骨龄检测方法是由医生观察和解读被测者左手手腕部位的X线片，根据X线片中骨骼的特定图像，采用现有的骨龄评价方法来确定骨龄。例如采用G-P图谱法、TW3中的TW3 RUS法和TW3 Carpal法、中华-05骨龄标准中的RUS-CHN法、TW3-C RUS法和TW3-C Carpal方法等。随着人工智能技术的发展，出现了辅助医生的自动骨龄检测系统。医生在使用时，可将从医院信息系统获取的X线片原片，或者X线片打印件的翻拍照片，传输至自动骨龄检测系统，然后由自动骨龄检测系统计算骨龄。然而，由于X线片的拍摄质量对自动骨龄检测结果的影响较大，其拍照角度、取景范围、光线、清晰度等，都可能影响骨龄检测结果。特别对于非专业医生的普通用户，一般无法自行判断X线片的拍摄质量，尤其是X线片打印件的翻拍照片，拍摄质量参差不齐。因此，普通用户容易将拍摄质量较差的X线片用于骨龄检测，得到的骨龄检测结果准确度较低。基于该背景，申请人通过长期的研发以及实验验证，提出本申请的骨龄检测方法，先对用户输入的X线片进行拍摄质量评价，以避免基于质量较差的X线片进行检测而得到准确度较低的结果，因此本方法可提高骨龄检测的准确度。另外，需要说明的是，本申请技术问题的发现以及下述实施例介绍的技术方案，申请人均付出了大量的创造性劳动。
本申请提供的骨龄检测方法，可以应用于如图1所示的应用环境中的终端101。其中，终端101通过网络与骨龄检测服务器102进行通信。终端101可以将用于检测骨龄的骨骼图像等相关数据发送给骨龄检测服务器102以进行骨龄检测。其中，终端101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，骨龄检测服务器102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。
在一个实施例中，如图2所示，提供了一种骨龄检测方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤201，获取骨龄检测对象的第一骨骼图像。
其中，第一骨骼图像可以是针对骨龄检测对象进行X射线拍摄的X线片，该X线片可以是X线片原片，也可以是X线片打印件的翻拍照片。例如，X线片可以是手部及手腕部的X线片，也可以是可用于骨龄检测的其他部位的X线片。
在实施中，终端可以获取骨龄检测对象的第一骨骼图像。例如，终端可以从医院信息系统获取该骨龄检测对象的X线片原片，作为第一骨骼图像；也可以从终端获取预先存储的X线片原片或者翻拍照片，作为第一骨骼图像；还可以将获取到的X线片原片或翻拍照片进行尺寸调整，将调整为预设尺寸后的图像作为第一骨骼图像，本实施例对此不做限定。
步骤202，将第一骨骼图像输入至预先训练的骨骼图像质量评价模型，得到第一骨骼图像的评分。
在实施中，终端可以将步骤201中获取的第一骨骼图像输入至预先训练的骨骼图像质量评价模型，得到第一骨骼图像的评分。骨骼图像质量评价模型可以是采用SSD(Single Shot MultiBox Detector，单次多目标检测器)、R-CNN(Region basedConvolutional Neural Networks features，基于区域的卷积神经网络)、YOLO(You OnlyLook Once,你只需看一次)等目标检测算法进行训练得到的模型，该模型可以用于对输入的骨骼图像进行目标检测，并输出相应骨骼图像的评分。
步骤203，根据第一骨骼图像的评分确定目标评分。
在实施中，终端可以根据步骤202中得到的第一骨骼图像的评分确定目标评分。在一个示例中，终端可以直接将第一骨骼图像的评分确定为目标评分。目标评分可以反映骨骼图像的拍摄质量，可以用于指示是否需要获取新的骨骼图像。
步骤204，若目标评分小于预设阈值，则获取骨龄检测对象的新的第一骨骼图像，并返回执行将第一骨骼图像输入至预先训练的骨骼图像质量评价模型，得到第一骨骼图像的评分步骤，直到确定出大于或等于预设阈值的目标评分，将大于或等于预设阈值的目标评分对应的骨骼图像作为目标骨骼图像。
在实施中，终端可以将步骤203中确定的目标评分与预设阈值进行比较。在目标评分小于预设阈值的情况下，终端可以获取该骨龄检测对象的新的第一骨骼图像，然后返回执行将第一骨骼图像输入至预先训练的骨骼图像质量评价模型，得到第一骨骼图像的评分的步骤(即步骤202)。直到终端确定出的目标评分大于或等于预设阈值时，此时终端可以将该大于或等于预设阈值的目标评分对应的骨骼图像作为目标骨骼图像。
其中，目标评分对应的骨骼图像可以是第一骨骼图像，也可以是对第一骨骼图像进行预处理后的骨骼图像。在一个示例中，对于直接将第一骨骼图像的评分确定为目标评分的情况，目标评分对应的骨骼图像是第一骨骼图像；对于根据第一骨骼图像、以及对第一骨骼图像进行预处理后的骨骼图像确定目标评分的情况，目标评分对应的骨骼图像可以是第一骨骼图像、以及对第一骨骼图像进行预处理后的骨骼图像中的一个。
步骤205，将目标骨骼图像发送给骨龄检测服务器，以使骨龄检测服务器根据目标骨骼图像确定骨龄检测对象的骨龄。
在实施中，终端可以将目标骨骼图像发送给骨龄检测服务器，以使骨龄检测服务器根据目标骨骼图像确定骨龄检测对象的骨龄。骨龄检测服务可以采用现有的骨龄评价算法对目标骨骼图像进行骨龄检测，骨龄评价算法可以包含根据图谱法(例如G-P图谱法)和计分法(例如TW3中的TW3-RUS法和TW3-Carpal法、中华-05骨龄标准中的RUS-CHN法、TW3-CRUS法、TW3-CCarpal法)等骨龄评价方法开发的骨龄评价算法中的一种或多种，本实施例对骨龄检测服务器采用的骨龄评价算法不做限定。
上述骨龄检测方法中，通过对获取到的第一骨骼图像使用预先训练的骨骼图像质量评价模型进行处理，得到该第一骨骼图像的评分，进而确定出目标评分，在目标评分小于预设阈值的情况下，获取新的第一骨骼图像，直到确定出大于或等于预设阈值(即满足条件)的目标评分时，将该满足条件的目标评分对应的骨骼图像作为目标骨骼图像以进行骨龄检测。本方法中，目标评分小于预设阈值时，说明骨骼图像的拍摄质量较差，因而获取新的第一骨骼图像，直到获取的骨骼图像满足拍摄质量要求，才进行下一步的骨龄检测，以此可以保障用于骨龄检测的骨骼图像满足拍摄质量要求，进而提高骨龄检测结果的准确度和可信度。
在一个实施例中，步骤201具体包括如下步骤：响应于照片拍摄指令，通过摄像部件进行拍摄处理，得到骨龄检测对象的第一骨骼图像；响应于图库开启指令，展示图库包含的图片，并基于图片选择指令，在图库包含的图片中确定骨龄检测对象的第一骨骼图像。
在实施中，用户可以在终端执行照片拍摄操作，以便对X线片打印件进行翻拍照片，相应的，终端则可以接收到照片拍摄指令。终端在接收到照片拍摄指令之后，可以通过终端的拍摄部件进行拍摄处理，然后终端可以将拍摄得到的照片确定为骨龄检测对象的第一骨骼图像。
在另一种实现方式中，用户也可以在终端执行图库开启操作和图片选择操作，相应的，终端可以接收到图库开启指令和图片选择指令。终端接收到图库开启指令之后，可以展示图库包含的图片，此时用户可对展示的图片进行图片选择操作。然后，终端接收到图片选择指令后，将用户选择的图片确定为骨龄检测对象的第一骨骼图像。
本实施例中，本方法可以适用于具有拍摄功能和图库功能的移动终端，例如智能手机、平板电脑、便携式可穿戴设备等。第一骨骼图像的获取可以是通过终端的拍摄部件进行拍摄得到，也可以是根据用户从图库中选择得到。由此，在终端无法从医院信息系统获取X线片原片的场景下，或者只有骨龄检测对象的X线片打印件的场景下，可以通过终端对X线片打印件进行拍摄，或者预先拍摄后存储于终端的图库中再进行选择得到第一骨骼图像，使得本方法的使用更方便快捷、使用场景更灵活。
在一个实施例中，步骤202中的骨骼图像质量评价模型的训练过程包括如下步骤：获取训练样本数据集；训练样本数据集中的每一样本数据为对手部及手腕部拍摄的X线片，且每一样本数据分别标注有手部、桡骨、以及尺骨的定位框位置信息；将训练样本数据集输入至初始的骨骼图像质量评价模型进行训练，得到骨骼图像质量评价模型；骨骼图像质量评价模型用于识别第一骨骼图像中的手部、桡骨、以及尺骨，并输出手部、桡骨、以及尺骨分别对应的定位框位置信息和分数。
其中，初始的骨骼图像质量评价模型可以采用基于SSD算法的模型，该模型的backbone(即主干网络)可以使用MobileNetV3、shufflenet、ghostnet中的一种，本实施例对此不做限定。
在实施中，终端可以获取训练样本数据集，并将训练样本数据集输入至初始的骨骼图像质量评价模型进行训练，然后终端可以将达到预设训练效果的模型作为骨骼图像质量评价模型。训练样本数据集中的每一样本数据为对手部及手腕部拍摄的X线片，并且每一样本数据中分别标注有手部、桡骨、以及尺骨的定位框位置信息。
本实施例中，将标注有手部、桡骨、以及尺骨的定位框位置信息的手部及手腕部拍摄的X线片，作为训练样本数据集，以此训练得到的模型，可以更准确地评价骨骼图像的拍摄质量，进而得到更正确的骨龄检测结果。
在一个示例中，训练样本数据集中包括拍摄清晰的正手位的X线片，以及对该正手位的X线片进行旋转一定角度、并重新标注手部、桡骨、以及尺骨的定位框位置信息的图像。在另一个示例中，在模型训练达到预设训练效果后，终端还可以进一步使用检验样本数据集对达到训练效果后的模型进行检验，然后将达到预设检验效果的模型作为骨骼图像质量评价模型。
在另一个示例中，初始的骨骼图像质量评价模型为SSD模型，其中backbone使用MobileNetV3，该模型的损失函数(可记为L(x,c,l,g))为置信度误差(可记为Lconf(x,c))和位置误差(可记为Lloc(x,l,g))的加权和，损失函数L(x,c,l,g)的公式如下所示：
Figure BDA0003317314920000111
其中，N是匹配到真实标注(即Ground Truth)的先验框(即prior box)数量，如果N＝0，则将损失设为0；而α参数用于调整置信度误差和位置误差之间的比例，可以设置α＝1；c为置信度预测值，即本实施例中骨骼图像质量评价模型输出的手部、桡骨、以及尺骨的分数；l为先验框所对应的边界框的位置预测值，即本实施例中骨骼图像质量评价模型输出的手部、桡骨、以及尺骨的定位框位置信息；g为真实标注的位置参数，对应于本实施例中每一样本数据中标注的手部、桡骨、以及尺骨的定位框位置信息，可以是对该定位框位置信息进行预处理后的数据；x为指示参数。其中置信度误差Lconf(x,c)采用softmax loss函数，位置误差Lloc(x,l,g)采用smooth L1 loss函数。
本示例中，在模型训练达到预设训练效果和预设检验效果后，终端可以使用模型转换工具(例如tensorflowjs_converter)将模型转换为TensorFlow.js模型格式，然后将转换后的模型作为骨骼图像质量评价模型。终端可以使用tfjs(即tensorflow.js)库调用该骨骼图像质量评价模型。本示例的方法，采用轻量级模型，适用于移动终端，进而使用户能在更灵活的场景下进行骨龄检测。
在一个实施例中，步骤202具体包括如下步骤：将第一骨骼图像输入至预先训练的骨骼图像质量评价模型，得到第一骨骼图像中手部的分数、桡骨的分数、以及尺骨的分数；将手部的分数、桡骨的分数、以及尺骨的分数加权求和，得到第一骨骼图像的评分；其中，手部的分数的权重大于桡骨的分数的权重，桡骨的分数的权重大于尺骨的分数的权重。
在实施中，终端可以将第一骨骼图像输入至预先训练的骨骼图像质量评价模型，该模型将输出第一骨骼图像中手部的分数和手部的定位框位置信息、桡骨的分数和桡骨的定位框位置信息、以及尺骨的分数和尺骨的定位框位置信息。然后，终端可以将手部的分数、桡骨的分数、尺骨的分数按照预设权重进行加权求和计算，并将计算结果作为第一骨骼图像的评分。其中，手部的分数的权重大于桡骨的分数的权重，桡骨的分数的权重大于尺骨的分数的权重。在一个示例中，预设权重可以是：手部的分数的权重为0.4、桡骨的分数的权重为0.35、尺骨的分数的权重为0.25。
本实施例中，考虑了手部生长发育的过程中，桡骨的发育会伴随手部的整个发育过程，而尺骨是在生长过程中逐渐发育起来的，即桡骨先于尺骨发育，因此赋予桡骨比尺骨更大的权重。而手部、桡骨和尺骨三者中，手部的完整性最高，因此设置手部的权重最大。因而本实施例中设置手部权重大于桡骨权重，桡骨权重大于尺骨权重，以此计算的评分，可以更准确地反映骨骼图像的拍摄质量，进而得到更准确的骨龄检测结果。
在一个实施例中，该方法还包括如下步骤：将第一骨骼图像进行预设角度的旋转，得到第二骨骼图像；将第二骨骼图像输入至骨骼图像质量评价模型，得到第二骨骼图像的评分。相应的，步骤203的具体处理过程为：根据第一骨骼图像的评分和第二骨骼图像的评分，确定评分的最大值，将评分的最大值作为目标评分。
在实施中，终端可以将步骤201中获取的第一骨骼图像，进行预设角度的旋转，将旋转后的图像作为第二骨骼图像。预设角度可以根据需要设置，可以是一个角度，也可以是多个角度，每旋转一个角度对应得到一个第二骨骼图像，本实施例不做限定。终端可以将每个第二骨骼图像输入至骨骼图像质量评价模型，得到每个第二骨骼图像的评分。然后，终端根据第一骨骼图像的评分、以及每个第二骨骼图像的评分，从中确定出评分的最大值，并将评分的最大值确定为目标评分。在一个具体示例中，可以将第一骨骼图像向同一方向分别旋转90度、180度和270度，得到3个第二骨骼图像。
本实施例中，将第一骨骼图像进行了预设角度的旋转处理，并使用骨骼图像质量评价模型对旋转后的图像评分，最后将评分的最大值确定为目标评分。由于基于正手位进行骨龄检测，得到的检测结果更准确，因此骨骼图像中手部的方位越接近正手位，其拍摄质量越高，得到的评分越高。因此，将第一骨骼图像进行预设角度旋转后，将评分最高、也即手位相对更正的骨骼图像作为目标评分对应的骨骼图像，以此，可以选出拍摄质量更好的骨骼图像。一方面，可以通过该方法选出评分更高、也即拍摄质量更好的骨骼图像作为目标骨骼图像，进而可以提高骨龄检测准确度，另一方面，终端可以基于已拍摄的骨骼图像通过自动调整角度来得到更接近正手位的骨骼图像，避免用户重新拍摄，减少用户拍摄的次数，提高骨龄检测效率。
在一个实施例中，在步骤203之后，还包括如下步骤：若目标评分大于或等于预设阈值，则输出并显示目标评分；若目标评分小于预设阈值，则输出并显示目标评分、以及照片拍摄引导信息。
在实施中，在目标评分大于或等于预设阈值的情况下，终端可以输出并显示目标评分，以展示给用户，使用户可以根据评分知晓骨骼图像的拍摄质量，便于用户使用。在目标评分小于预设阈值的情况下，终端除了输出并显示目标评分外，还可以输出并显示照片拍摄引导信息。照片拍摄引导信息可以是提示调整角度、调整取景范围或调整光线等信息，以便用户按照引导信息拍摄出质量更高的骨骼图像。通过本方法，一方面可提高拍照效率，便于用户使用，另一方面可有效提高骨骼图像拍摄质量，进而提高骨龄检测准确度。可选的，在目标评分大于或等于预设阈值的情况下，输出并显示目标评分之后，终端还可以提供图像确定选项，以供用户进行图像确定操作，终端可以将用户确定的图像作为目标骨骼图像。
在一个实施例中，步骤205具体包括如下步骤：将目标骨骼图像和预先获取的骨龄检测对象的性别数据发送给骨龄检测服务器，以使骨龄检测服务器根据目标骨骼图像确定骨发育等级之后，根据骨发育等级和性别数据确定骨龄检测对象的骨龄。相应的，该方法还包括如下步骤：接收骨龄检测服务器发送的骨发育等级和骨龄，输出并显示包含性别数据、骨发育等级、以及骨龄的检测结果。
在实施中，终端可以将目标骨骼图像和预先获取的骨龄检测对象的性别数据，发送给骨龄检测服务器。终端可以在步骤205之前任一步骤获取骨龄检测对象的性别数据，本实施例不做限定。例如，终端可以在步骤204中确定出目标骨骼图像之后，可以提供性别设置选项，用户可以执行性别设置操作，然后终端可以响应于性别设置指令，确定性别数据；终端还可以在步骤201中获取到第一骨骼图像之后，确定性别数据，并进行存储。骨龄检测服务器接收到终端发送的目标骨骼图像和性别数据之后，可以采用计分法的骨龄评价算法，对目标骨骼图像进行处理，得到目标骨骼图像中相应部位的骨发育等级，进而计算出骨龄。例如，骨龄检测服务器可以采用TW3-RUS法、TW3-C RUS法、或者RUS-CHN法的骨龄评价算法对目标骨骼图像进行处理，得到目标骨骼图像中桡骨、尺骨、掌骨、近节指骨、中节指骨、远节指骨等共13个部位的骨发育等级(也可以称为骨骺等级)及相应的骨发育等级得分，进而计算出骨龄；具体地，由桡侧向尺侧，将一只手部的5块掌骨依次编号为掌骨1至掌骨5，5块近节指骨依次编号为近节指骨1至近节指骨5，4块中节指骨依次编号为中节指骨2至中节指骨5(无中节指骨1)，5块远节指骨依次编号为远节指骨1至远节指骨5，前述13个部位具体为：桡骨、尺骨、掌骨1、掌骨3、掌骨5、近节指骨1、近节指骨3、近节指骨5、中节指骨3、中节指骨5、远节指骨1、远节指骨3、远节指骨5。骨龄检测服务器也可以采用TW3-Carpal法、或者TW3-C Carpal法的骨龄评价算法对目标骨骼图像进行处理，得到目标骨骼图像中头状骨、钩骨、三角骨、月骨、舟骨、大多角骨、小多角骨共7个部位的骨发育等级及相应的骨发育等级得分，进而计算出骨龄。然后骨龄检测服务器可以将骨发育等级和骨龄发送给终端。终端接收到骨发育等级和骨龄后，输出并显示检测结果，检测结果中可以包含性别数据、骨发育等级、骨龄以及对应的骨龄评价方法。在一个示例中，骨龄检测服务器可以采用多种骨龄评价算法计算骨龄，并输出和显示包含性别数据、骨龄评价方法、以及与每种骨龄评价方法对应的骨龄的检测结果。
本实施例中，骨龄检测服务器可以采用对应计分法的骨龄评价算法对目标骨骼图像进行检测，先对骨骼图像进行处理得到骨发育等级，进而根据骨发育等级和性别数据计算骨龄，采用计分法可以得到更准确的骨龄检测结果。
在一个实施例中，如图3所示，输出并显示包含性别数据、骨发育等级、以及骨龄的检测结果之后，该方法还包括如下步骤：
步骤301，响应于骨发育等级修改指令，显示骨发育等级修改界面，并获取用户输入的骨发育等级修改数据，得到修改后的骨发育等级。
步骤302，将修改后的骨发育等级发送给骨龄检测服务器，以使骨龄检测服务器根据修改后的骨发育等级和性别数据，确定骨龄检测对象的新的骨龄。
步骤303，接收骨龄检测服务器发送的新的骨龄，输出并显示包含新的骨龄的检测结果。
在实施中，终端可以提供骨发育等级修改的选项，相应的，用户可以执行骨发育等级修改操作。终端接收到骨发育等级修改指令后，可以显示骨发育等级修改界面，用户可以在骨发育等级修改界面输入骨发育等级修改数据。终端可以响应于骨发育等级修改指令，获取用户输入的骨发育等级修改数据，然后终端可以根据修改数据确定修改后的骨发育等级。之后，终端可以将修改后的骨发育等级、以及性别数据，发送给骨龄检测服务器。骨龄检测服务器接收到修改后的骨发育等级和性别数据后，可以采用对应计分法的骨龄评价算法，计算新的骨龄，并将新的骨龄发送给终端。终端接收到服务器发送的骨龄后，可以输出并显示包含新的骨龄的检测结果。
本实施例中，终端可以提供骨发育等级修改界面，使用户对骨发育等级进行修改。当用户认为需要对骨龄检测服务器发送的骨发育等级数据进行修改时，可以通过终端对其进行修改，然后骨龄检测服务器根据修改后的数据进行计算，得到新的骨龄。本实施例通过提供骨发育等级修改选项，使用户可以基于对待检测对象的骨骼的了解，对骨发育等级进行修改，进而提高骨龄检测结果的准确度，同时提高用户使用便利度。
本申请还提供一个骨龄检测方法的具体示例，如图4所示，该方法包括如下步骤：
步骤401，响应于照片拍摄指令，通过摄像部件进行拍摄处理，并将拍摄的照片处理为预设尺寸的图像，得到骨龄检测对象的第一骨骼图像。
步骤402，将第一骨骼图像进行预设角度的旋转，得到第二骨骼图像。
步骤403，分别将第一骨骼图像和第二骨骼图像输入至预先训练的骨骼图像质量评价模型，得到第一骨骼图像中手部的分数、桡骨的分数、尺骨的分数，以及第二个骨骼图像中手部的分数、桡骨的分数、尺骨的分数；将第一骨骼图像中手部的分数、桡骨的分数、以及尺骨的分数加权求和，得到第一骨骼图像的评分，以及将第二骨骼图像中手部的分数、桡骨的分数、尺骨的分数加权求和，得到第二骨骼图像的评分；其中，手部的分数的权重为0.4、桡骨的分数的权重为0.35、尺骨的分数的权重为0.25。
步骤404，根据第一骨骼图像的评分和第二骨骼图像的评分，确定评分的最大值，将评分的最大值作为目标评分。
步骤405，判断目标评分是否大于或等于预设阈值。
若是，则执行步骤406，否则，执行步骤413。
步骤406，输出并显示目标评分；将目标评分对应的骨骼图像作为目标骨骼图像。
步骤407，响应于性别设置指令，确定性别数据。
步骤408，将目标骨骼图像和性别数据发送给骨龄检测服务器，以使骨龄检测服务器根据目标骨骼图像确定骨发育等级之后，根据骨发育等级和性别数据确定骨龄检测对象的骨龄。
步骤409，接收骨龄检测服务器发送的骨发育等级和骨龄，输出并显示包含性别数据、骨发育等级、以及骨龄的检测结果。
步骤410，响应于骨发育等级修改指令，显示骨发育等级修改界面，并获取用户输入的骨发育等级修改数据，得到修改后的骨发育等级。
步骤411，将修改后的骨发育等级发送给骨龄检测服务器，以使骨龄检测服务器根据修改后的骨发育等级和性别数据，确定骨龄检测对象的新的骨龄。
步骤412，接收骨龄检测服务器发送的新的骨龄，输出并显示包含性别数据、骨龄评价方法、对应骨龄评价方法的新的骨龄的检测结果。
步骤413，输出并显示目标评分、以及照片拍摄引导信息，并返回执行步骤401。
应该理解的是，虽然图2-4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2-4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，提供了一种骨龄检测系统，包括如图1所示的移动终端101和骨龄检测服务器102。其中，移动终端101，用于获取骨龄检测对象的第一骨骼图像；将第一骨骼图像输入至预先训练的骨骼图像质量评价模型，得到第一骨骼图像的评分；根据第一骨骼图像的评分确定目标评分；若目标评分小于预设阈值，则获取骨龄检测对象的新的第一骨骼图像，并返回执行将第一骨骼图像输入至预先训练的骨骼图像质量评价模型，得到第一骨骼图像的评分步骤，直到确定出大于或等于预设阈值的目标评分，将大于或等于预设阈值的目标评分对应的骨骼图像作为目标骨骼图像；将目标骨骼图像发送给骨龄检测服务器。骨龄检测服务器102，用于根据目标骨骼图像确定骨龄检测对象的骨龄。
在一个实施例中，移动终端101还用于响应于照片拍摄指令，通过摄像部件进行拍摄处理，得到骨龄检测对象的第一骨骼图像；响应于图库开启指令，展示图库包含的图片，并基于图片选择指令，在图库包含的图片中确定骨龄检测对象的第一骨骼图像。
在一个实施例中，移动终端101还用于获取训练样本数据集；训练样本数据集中的每一样本数据为对左手及手腕部拍摄的X线片，且每一样本数据分别标注有手部、桡骨、以及尺骨的定位框位置信息；将训练样本数据集输入至初始的骨骼图像质量评价模型进行训练，得到骨骼图像质量评价模型；骨骼图像质量评价模型用于识别第一骨骼图像中的手部、桡骨、以及尺骨，并输出手部、桡骨、以及尺骨分别对应的定位框位置信息和分数。
在一个实施例中，移动终端101还用于将第一骨骼图像输入至预先训练的骨骼图像质量评价模型，得到第一骨骼图像中手部的分数、桡骨的分数、以及尺骨的分数；将手部的分数、桡骨的分数、以及尺骨的分数加权求和，得到第一骨骼图像的评分；其中，手部的分数的权重大于桡骨的分数的权重，桡骨的分数的权重大于尺骨的分数的权重。
在一个实施例中，移动终端101还用于将第一骨骼图像进行预设角度的旋转，得到第二骨骼图像；将第二骨骼图像输入至骨骼图像质量评价模型，得到第二骨骼图像的评分；根据第一骨骼图像的评分和第二骨骼图像的评分，确定评分的最大值，将评分的最大值作为目标评分。
在其中一个实施例中，移动终端101还用于若目标评分大于或等于预设阈值，则输出并显示目标评分；若目标评分小于预设阈值，则输出并显示目标评分、以及照片拍摄引导信息。
在其中一个实施例中，移动终端101还用于将目标骨骼图像和预先获取的骨龄检测对象的性别数据发送给骨龄检测服务器102；接收骨龄检测服务器102发送的骨发育等级和骨龄，输出并显示包含性别数据、骨发育等级、以及骨龄的检测结果。骨龄检测服务器102还用于根据目标骨骼图像确定骨发育等级之后，根据骨发育等级和性别数据确定骨龄检测对象的骨龄；向移动终端101发送骨发育等级和骨龄。
在其中一个实施例中，移动终端101还用于响应于骨发育等级修改指令，显示骨发育等级修改界面，并获取用户输入的骨发育等级修改数据，得到修改后的骨发育等级；将修改后的骨发育等级发送给骨龄检测服务器102；接收骨龄检测服务器102发送的新的骨龄，输出并显示包含新的骨龄的检测结果。骨龄检测服务器102还用于根据修改后的骨发育等级和性别数据，确定骨龄检测对象的新的骨龄；将新的骨龄发送给移动终端101。
在一个实施例中，如图5所示，提供了一种骨龄检测装置，包括：获取模块501、第一评分模块502、确定模块503、第一发送模块504，其中：
获取模块501，用于获取骨龄检测对象的第一骨骼图像。
第一评分模块502，用于将第一骨骼图像输入至预先训练的骨骼图像质量评价模型，得到第一骨骼图像的评分。
确定模块503，用于根据第一骨骼图像的评分确定目标评分。
获取模块501还用于若目标评分小于预设阈值，则获取骨龄检测对象的新的第一骨骼图像，并返回执行将第一骨骼图像输入至预先训练的骨骼图像质量评价模型，得到第一骨骼图像的评分步骤，直到确定出大于或等于预设阈值的目标评分，将大于或等于预设阈值的目标评分对应的骨骼图像作为目标骨骼图像。
第一发送模块504，用于将目标骨骼图像发送给骨龄检测服务器，以使骨龄检测服务器根据目标骨骼图像确定骨龄检测对象的骨龄。
在一个实施例中，获取模块501具体用于：
响应于照片拍摄指令，通过摄像部件进行拍摄处理，得到骨龄检测对象的第一骨骼图像；响应于图库开启指令，展示图库包含的图片，并基于图片选择指令，在图库包含的图片中确定骨龄检测对象的第一骨骼图像。
在一个实施例中，该装置还包括模型训练模块，模型训练模块用于：
获取训练样本数据集；训练样本数据集中的每一样本数据为对左手及手腕部拍摄的X线片，且每一样本数据分别标注有手部、桡骨、以及尺骨的定位框位置信息；将训练样本数据集输入至初始的骨骼图像质量评价模型进行训练，得到骨骼图像质量评价模型；骨骼图像质量评价模型用于识别第一骨骼图像中的手部、桡骨、以及尺骨，并输出手部、桡骨、以及尺骨分别对应的定位框位置信息和分数。
在一个实施例中，第一评分模块502具体用于：
将第一骨骼图像输入至预先训练的骨骼图像质量评价模型，得到第一骨骼图像中手部的分数、桡骨的分数、以及尺骨的分数；将手部的分数、桡骨的分数、以及尺骨的分数加权求和，得到第一骨骼图像的评分；其中，手部的分数的权重大于桡骨的分数的权重，桡骨的分数的权重大于尺骨的分数的权重。
在一个实施例中，该装置还包括旋转模块和第二评分模块，其中：
旋转模块，用于将第一骨骼图像进行预设角度的旋转，得到第二骨骼图像。
第二评分模块，用于将第二骨骼图像输入至骨骼图像质量评价模型，得到第二骨骼图像的评分。
确定模块503具体用于：
根据第一骨骼图像的评分和第二骨骼图像的评分，确定评分的最大值，将评分的最大值作为目标评分。
在一个实施例中，该装置还包括第一显示模块，第一显示模块用于：
若目标评分大于或等于预设阈值，则输出并显示目标评分；若目标评分小于预设阈值，则输出并显示目标评分、以及照片拍摄引导信息。
在一个实施例中，第一发送模块504具体用于：
将目标骨骼图像和预先获取的骨龄检测对象的性别数据发送给骨龄检测服务器，以使骨龄检测服务器根据目标骨骼图像确定骨发育等级之后，根据骨发育等级和性别数据确定骨龄检测对象的骨龄。
该装置还包括第二显示模块，第二显示模块用于：
接收骨龄检测服务器发送的骨发育等级和骨龄，输出并显示包含性别数据、骨发育等级、以及骨龄的检测结果。
在一个实施例中，该装置还包括修改模块、第二发送模块和第三显示模块，其中：
修改模块，用于响应于骨发育等级修改指令，显示骨发育等级修改界面，并获取用户输入的骨发育等级修改数据，得到修改后的骨发育等级。
第二发送模块，用于将修改后的骨发育等级发送给骨龄检测服务器，以使骨龄检测服务器根据修改后的骨发育等级和性别数据，确定骨龄检测对象的新的骨龄。
第三显示模块，用于接收骨龄检测服务器发送的新的骨龄，输出并显示包含新的骨龄的检测结果。
关于骨龄检测装置的具体限定可以参见上文中对于骨龄检测方法的限定，在此不再赘述。上述骨龄检测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6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骨龄检测方法。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6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各方法实施例中的步骤。
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，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
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 (12)

1.一种骨龄检测方法，其特征在于，所述方法包括：
获取骨龄检测对象的第一骨骼图像；
将所述第一骨骼图像输入至预先训练的骨骼图像质量评价模型，得到所述第一骨骼图像的评分；
根据所述第一骨骼图像的评分确定目标评分；
若所述目标评分小于预设阈值，则获取所述骨龄检测对象的新的第一骨骼图像，并返回执行将所述第一骨骼图像输入至预先训练的骨骼图像质量评价模型，得到所述第一骨骼图像的评分步骤，直到确定出大于或等于所述预设阈值的目标评分，将所述大于或等于所述预设阈值的目标评分对应的骨骼图像作为目标骨骼图像；
将所述目标骨骼图像发送给骨龄检测服务器，以使所述骨龄检测服务器根据所述目标骨骼图像确定所述骨龄检测对象的骨龄。
2.根据权利要求1所述的方法，其特征在于，所述获取骨龄检测对象的第一骨骼图像，包括：
响应于照片拍摄指令，通过摄像部件进行拍摄处理，得到骨龄检测对象的第一骨骼图像；
响应于图库开启指令，展示图库包含的图片，并基于图片选择指令，在所述图库包含的图片中确定骨龄检测对象的第一骨骼图像。
3.根据权利要求1所述的方法，其特征在于，所述骨骼图像质量评价模型的训练过程包括：
获取训练样本数据集；所述训练样本数据集中的每一样本数据为对手部及手腕部拍摄的X线片，且所述每一样本数据分别标注有手部、桡骨、以及尺骨的定位框位置信息；
将所述训练样本数据集输入至初始的骨骼图像质量评价模型进行训练，得到所述骨骼图像质量评价模型；所述骨骼图像质量评价模型用于识别所述第一骨骼图像中的手部、桡骨、以及尺骨，并输出所述手部、桡骨、以及尺骨分别对应的定位框位置信息和分数。
4.根据权利要求3所述的方法，其特征在于，所述将所述第一骨骼图像输入至预先训练的骨骼图像质量评价模型，得到所述第一骨骼图像的评分，包括：
将所述第一骨骼图像输入至预先训练的骨骼图像质量评价模型，得到所述第一骨骼图像中手部的分数、桡骨的分数、以及尺骨的分数；
将所述手部的分数、桡骨的分数、以及尺骨的分数加权求和，得到所述第一骨骼图像的评分；其中，所述手部的分数的权重大于所述桡骨的分数的权重，所述桡骨的分数的权重大于所述尺骨的分数的权重。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将所述第一骨骼图像进行预设角度的旋转，得到第二骨骼图像；
将所述第二骨骼图像输入至所述骨骼图像质量评价模型，得到所述第二骨骼图像的评分；
所述根据所述第一骨骼图像的评分确定目标评分，包括：
根据所述第一骨骼图像的评分和所述第二骨骼图像的评分，确定所述评分的最大值，将所述评分的最大值作为目标评分。
6.根据权利要求1或2所述的方法，其特征在于，在所述根据所述第一骨骼图像的评分确定目标评分之后，还包括：
若所述目标评分大于或等于所述预设阈值，则输出并显示所述目标评分；
若所述目标评分小于所述预设阈值，则输出并显示所述目标评分、以及照片拍摄引导信息。
7.根据权利要求1所述的方法，其特征在于，所述将所述目标骨骼图像发送给骨龄检测服务器，以使所述骨龄检测服务器根据所述目标骨骼图像确定所述骨龄检测对象的骨龄，包括：
将所述目标骨骼图像和预先获取的所述骨龄检测对象的性别数据发送给骨龄检测服务器，以使所述骨龄检测服务器根据所述目标骨骼图像确定骨发育等级之后，根据所述骨发育等级和所述性别数据确定所述骨龄检测对象的骨龄；
所述方法还包括：
接收所述骨龄检测服务器发送的所述骨发育等级和所述骨龄，输出并显示包含所述性别数据、所述骨发育等级、以及所述骨龄的检测结果。
8.根据权利要求7所述的方法，其特征在于，所述输出并显示包含所述性别数据、所述骨发育等级、以及所述骨龄的检测结果之后，还包括：
响应于骨发育等级修改指令，显示骨发育等级修改界面，并获取用户输入的骨发育等级修改数据，得到修改后的骨发育等级；
将所述修改后的骨发育等级发送给所述骨龄检测服务器，以使所述骨龄检测服务器根据所述修改后的骨发育等级和所述性别数据，确定所述骨龄检测对象的新的骨龄；
接收所述骨龄检测服务器发送的所述新的骨龄，输出并显示包含所述新的骨龄的检测结果。
9.一种骨龄检测系统，其特征在于，所述骨龄检测系统包括移动终端和骨龄检测服务器；
所述移动终端，用于获取骨龄检测对象的第一骨骼图像；将所述第一骨骼图像输入至预先训练的骨骼图像质量评价模型，得到所述第一骨骼图像的评分；根据所述第一骨骼图像的评分确定目标评分；若所述目标评分小于预设阈值，则获取所述骨龄检测对象的新的第一骨骼图像，并返回执行将所述第一骨骼图像输入至预先训练的骨骼图像质量评价模型，得到所述第一骨骼图像的评分步骤，直到确定出大于或等于所述预设阈值的目标评分，将所述大于或等于所述预设阈值的目标评分对应的骨骼图像作为目标骨骼图像；将所述目标骨骼图像发送给所述骨龄检测服务器；
所述骨龄检测服务器，用于根据所述目标骨骼图像确定所述骨龄检测对象的骨龄。
10.一种骨龄检测装置，其特征在于，所述装置包括：
获取模块，用于获取骨龄检测对象的第一骨骼图像；
第一评分模块，用于将所述第一骨骼图像输入至预先训练的骨骼图像质量评价模型，得到所述第一骨骼图像的评分；
确定模块，用于根据所述第一骨骼图像的评分确定目标评分；
所述获取模块还用于若所述目标评分小于预设阈值，则获取所述骨龄检测对象的新的第一骨骼图像，并返回执行将所述第一骨骼图像输入至预先训练的骨骼图像质量评价模型，得到所述第一骨骼图像的评分步骤，直到确定出大于或等于所述预设阈值的目标评分，将所述大于或等于所述预设阈值的目标评分对应的骨骼图像作为目标骨骼图像；
第一发送模块，用于将所述目标骨骼图像发送给骨龄检测服务器，以使所述骨龄检测服务器根据所述目标骨骼图像确定所述骨龄检测对象的骨龄。
11.一种计算机设备，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8中任一项所述的方法的步骤。
12.一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8中任一项所述的方法的步骤。
CN202111235329.2A 2021-10-22 2021-10-22 骨龄检测方法、系统、装置、计算机设备和存储介质 Pending CN113989212A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111235329.2A CN113989212A (zh) 2021-10-22 2021-10-22 骨龄检测方法、系统、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111235329.2A CN113989212A (zh) 2021-10-22 2021-10-22 骨龄检测方法、系统、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN113989212A true CN113989212A (zh) 2022-01-28

Family

ID=79740567

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111235329.2A Pending CN113989212A (zh) 2021-10-22 2021-10-22 骨龄检测方法、系统、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN113989212A (zh)

Similar Documents

Publication Publication Date Title
US11526983B2 (en) Image feature recognition method and apparatus, storage medium, and electronic apparatus
JP7075085B2 (ja) 全身測定値抽出のためのシステムおよび方法
CN110738263B (zh) 一种图像识别模型训练的方法、图像识别的方法及装置
CN110348543B (zh) 眼底图像识别方法、装置、计算机设备及存储介质
CN110599421B (zh) 模型训练方法、视频模糊帧转换方法、设备及存储介质
WO2021000856A1 (zh) 骨龄检测方法、系统、设备及可读存储介质
US12118739B2 (en) Medical image processing method, apparatus, and device, medium, and endoscope
CN110660484B (zh) 骨龄预测方法、装置、介质及电子设备
US20240169518A1 (en) Method and apparatus for identifying body constitution in traditional chinese medicine, electronic device, storage medium and program
CN112614133B (zh) 一种无锚点框的三维肺结节检测模型训练方法及装置
CN111488872B (zh) 图像检测方法、装置、计算机设备和存储介质
CN114495241B (zh) 一种图像识别方法及装置、电子设备、存储介质
US11721023B1 (en) Distinguishing a disease state from a non-disease state in an image
KR101938361B1 (ko) X선 영상 내 체형 윤곽선 기반의 골격 상태 예측방법 및 프로그램
Yang et al. Automatic assessment of knee osteoarthritis severity in portable devices based on deep learning
US20220301718A1 (en) System, Device, and Method of Determining Anisomelia or Leg Length Discrepancy (LLD) of a Subject by Using Image Analysis and Machine Learning
CN111598896A (zh) 图像检测方法、装置、设备及存储介质
CN109685015B (zh) 图像的处理方法、装置、电子设备和计算机存储介质
CN113593707A (zh) 胃早癌模型训练方法、装置、计算机设备及存储介质
CN113989212A (zh) 骨龄检测方法、系统、装置、计算机设备和存储介质
CN114511556B (zh) 胃黏膜出血风险预警方法、装置和医学图像处理设备
CN115756285A (zh) 屏幕显示亮度调整方法及装置、存储介质及电子设备
CN113362334B (zh) 一种舌照处理方法及装置
CN114359133A (zh) 基于特征提取的手骨影像分析方法及相关设备
CN113470818A (zh) 疾病预测方法、装置、系统、电子设备及计算机可读介质

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