CN114240934A - 一种基于肢端肥大症的图像数据分析方法及系统 - Google Patents

Abstract

本发明公开了一种基于肢端肥大症的图像数据分析方法及系统，其分析方法包括：步骤S1：获取终端上传的当前拍摄图像，对当前拍摄图像进行识别分析以获得识别出用户的当前特征信息以及身份信息；步骤S2：根据用户的身份信息搜索并筛选用户在指定时间段内对应的目标数据，其目标数据为拍摄人体外观所得的目标人体图像和/或扫描人体组织所得的目标照射图像，并对目标数据进行特征分析以获得目标特征信息；步骤S3：将目标特征信息和当前特征信息进行比对，并结合用户年龄信息生成对应的风险因子，根据风险因子计算输出风险概率。本发明可缓解现有技术中存在预测结果准确度较差的技术问题，提高风险预测准确率。

Description

一种基于肢端肥大症的图像数据分析方法及系统

技术领域

本发明涉及医疗器械技术领域，尤其涉及一种基于肢端肥大症的图像数据分析方法及系统。

背景技术

肢端肥大症是成年人出现生长激素分泌过多而导致的疾病，但由于医生和患者对该并缺乏足够的人事，很少人知道该疾病的症状，很多人认为，随着年龄的增加、身材的改变，手脚自然会增大，容貌自然也会改变；因此，不少患者因为没有意识到这也是患病的症状，从而耽误了治疗；甚至有肢端肥大症患者需要花费多年时间才能确诊，症状明显时病情已发展严重，治疗难度也增大，因此现阶段需要让医患提高对肢端肥大症的认知，提高该疾病的早起检出率及就诊率。

而现有的肢端肥大症的筛查方法一般只是局限于判断患者手脚尺寸是否大于正常人，例如专利文献CN111951934A公开了一种新型肢端肥大症筛查系统，其预先通过健康人群的手部照片进行人工智能深度学习从而建立模型，将用户当前手部照片导入模型中即可筛查该用户患病的可能性。但是，单纯通过判断手脚尺寸大小来确定用户患病几率的准确性并不高，无法确定用户在连续时间段内的发育情况，用户有可能只是手脚偏大，但是其生长激素等各内分泌指标都正常，借此原因确认用户患有肢端肥大症显然是不合理的，不准确的筛查方法无疑给医生和患者都带来一定程度上的负担。

发明内容

为了克服现有技术的不足，本发明的目的之一在于提供一种基于肢端肥大症的图像数据分析方法，以缓解现有技术中存在预测结果准确度较差的技术问题。

本发明的目的之二在于提供一种基于肢端肥大症的图像数据分析系统。

本发明的目的之一采用如下技术方案实现：

一种基于肢端肥大症的图像数据分析方法，包括：

步骤S1：获取终端上传的当前拍摄图像，对当前拍摄图像进行识别分析以获得识别出用户的当前特征信息以及身份信息；

步骤S2：根据用户的身份信息搜索并筛选用户在指定时间段内对应的目标数据，其目标数据为拍摄人体外观所得的目标人体图像和/或扫描人体组织所得的目标照射图像，并对目标数据进行特征分析以获得目标特征信息；

步骤S3：将目标特征信息和当前特征信息进行比对，并结合用户年龄信息生成对应的风险因子，根据风险因子计算输出风险概率。

进一步地，根据所述风险因子输出风险概率的方法为：

风险概率E=所述风险因子*所述风险因子所对应的权重系数；

其中，所述风险因子为第一风险因子、第二风险因子和/或第三风险因子。

进一步地，所述获取终端上传的当前拍摄图像前还包括：

预先采集不同年龄段的健康人群的人脸图像样本及其手部图像样本，根据任一样本数据生成对应的人脸模型和手部模型，并分别标记出人脸模型和手部模型中的特征点位置；

利用处于同一年龄段人群的其他样本数据分别对人脸模型和手部模型进行特征点修正，再通过所述终端展示修正后的人脸模型和手部模型使得用户按照展示的人脸模型和手部模型进行拍摄从而获得对应的当前拍摄图像。

进一步地，所述当前拍摄图像包括人脸图像和手部图像，对当前拍摄图像进行识别分析时，还包括：

识别出拍摄所得的人脸图像和手部图像的特征点，将人脸图像和手部图像的特征点分别与人脸模型和手部模型中的特征点进行比对以确定二者对于同一特征点的偏差值，对所有特征点的偏差值进行统计以计算第一风险因子。

进一步地，所述根据用户的身份信息搜索并筛选用户在指定时间段内对应的目标数据的方法为：

根据预设路径爬取指定时间段内与用户相关的历史图像，对历史图像进行物体识别并筛选出包含有人物属性的图像，对人物图像进行人脸识别以确定人物身份，并对与用户身份信息相吻合的历史图像进行特征识别以获得目标特征信息。

进一步地，所述将目标特征信息与当前特征信息进行比对的方法为：

判断目标特征信息与当前特征信息之间的误差是否在预设的正常发育成长范围内，若不在正常发育成长范围内则计算二者误差以确定第二风险因子，若在正常发育成长范围内则将第二风险因子赋值为零。

进一步地，所述目标特征信息还包括骨骼特征，获取骨骼特征的方法为：

根据用户身份信息调取用户以往的医疗数据，提取医疗数据中的目标照射图像，对目标照射图像进行灰度分析以获得用户的骨骼特征。

进一步地，对目标照射图像进行灰度分析的方法为：

区分目标照射图像中的软组织区域以及骨骼组织区域，并确定骨骼组织中与软组织相邻的骨端区域，根据骨端区域的目标照射图像的灰暗度识别出骨端区域的骨骺线以及骨骺线的闭合情况以获得骨骼特征。

进一步地，结合用户年龄信息生成对应的风险因子的方法为：

获取目标照射图像的拍摄时间段，根据拍摄时间段推算用户在拍摄时间段内的实际年龄；

将获得的骨骼特征导入预设模型中输出对应的骨龄；其中将骨骼线样本作为神经网络的输入，将骨骼线样本所对应的骨龄数据作为神经网络的输出，对神经网络进行训练和学习以获得所述预设模型；

将用户拍摄时间段内所对应的实际年龄与经预设模型计算获得的骨龄进行比对根据比对差值计算第三风险因子。

本发明的目的之二采用如下技术方案实现：

一种基于肢端肥大症的图像数据分析系统，执行如上述的基于肢端肥大症的图像数据分析方法。

相比现有技术，本发明的有益效果在于：

（1）本发明通过大数据搜索的方式筛选出用户以往的图像数据，根据以往的图像数据和当前采集的图像数据进行比对从而模拟出用户在指定时间段内的特征变化，其特征变化包括了人脸特征变化，也可包括手部特征的变化；根据用户的发育趋势来输出风险预测结果，提高了预测的准确度；

（2）将用户当前采集的人脸图像和手部图像分别通过健康人群建立的人脸模型及手部模型进行比对从而确定第一风险因子；将当前特征信息与以往的目标特征信息进行比对确定第二风险因子；将骨骼特征与实际年龄进行比对确定第三风险因子，再根据三个风险因子确定风险预测概率，通过多方面情况综合评估疾病风险概率，使得风险预测数据来源不再单一，可改善风险预测的准确性。

附图说明

图1为本发明基于肢端肥大症的图像数据分析方法的流程示意图；

图2为本发明基于风险因子输出患病风险概率的流程示意图；

图3本发明基于肢端肥大症的图像数据分析系统的模块示意图。

具体实施方式

下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。

实施例一

由于肢端肥大症肢端肥大症（acromegaly）是腺垂体分泌生长激素（GH）过多所致的体型和内脏器官异常肥大，并伴有相应生理功能异常的内分泌与代谢性疾病。生长激素过多主要引起骨骼、软组织和内脏过渡增长，而肢端肥大症一般出现在成年人上，成年人患病后不仅仅表现在手部或脚部的肥大，还会表现为颅骨增厚、头颅及面容宽大、颧骨高、下颌突出、牙齿稀疏和咬合不良、手脚粗大、驼背、皮肤粗糙、毛发增多、色素沉着、鼻唇和舌肥大、声带肥厚和音调低粗等人体外貌上的差异。由于每个人的身体状况不同，若单纯通过单次拍摄所得的用户照片来确定用户的患病概率，肢端肥大症的患病预测准确度会相对较低。因此，本实施例提供一种基于肢端肥大症的图像数据分析方法，通过该方法可综合多角度了解成年人的人脸和手部的发育情况，根据用户长时间的发育情况来确定患病风险概率，相比单纯通过单次拍摄所得的用户照片来确定用户的患病概率的方案，本实施例的患病风险预测方法大幅度提高肢端肥大症的患病风险概率的预测准确性；且本实施例的患病风险预测方法无需搭建过于复杂的医疗设备，在用户授权的前提下自动搜索大数据中与用户相关的目标数据，以及通过手机终端拍摄用户当前的人体图像即可进行患病风险预测，减低了医疗成本，同时可免费向社会开放，有效减轻医疗负担，节约人力及社会成本。

如图1所示，本实施例所提供的一种基于肢端肥大症的图像数据分析方法具体包括如下步骤：

步骤S1：获取终端上传的当前拍摄图像，对当前拍摄图像进行识别分析以获得识别出用户的当前特征信息以及身份信息；

步骤S2：根据用户的身份信息搜索并筛选用户在指定时间段内对应的目标数据，其目标数据为拍摄人体外观所得的目标人体图像和/或扫描人体组织所得的目标照射图像，并对目标数据进行特征分析以获得目标特征信息；

步骤S3：将目标特征信息和当前特征信息进行比对，并结合用户年龄信息生成对应的风险因子，根据风险因子计算输出风险概率。

本实施例用户可登陆终端上指定APP软件，用户录入当前年龄、真实名称、性别、手机号码等真实信息后注册其唯一账号，同时在注册账号时提供用户权限选项，在用户授权的前提下多方面获取用户信息进行疾病风险预测可提高预测准确度。用户可通过终端APP拍摄用户当前的脸部图像以及手部图像，而在拍摄之前，终端APP会展示人脸模型和手部模型的三维轮廓，供用户在进行脸部和手部拍摄时可对准终端APP所展示的模型轮廓进行拍摄，使得拍摄所得的人脸图像以及手部图像可与预设的模型进行直接比对，提高拍摄图像可用性的同时可提高数据比对速度，提高图像数据分析速率和准确度。

本实施例人脸模型和手部模型的生成方法包括：

步骤S11：预先采集不同年龄段的健康人群的人脸图像样本及其手部图像样本，健康人群的定义为未患有生长激素疾病的人员，又或者指的是发育正常的人员；对采集所得的样本数据进行年龄段分类，年龄段可根据相隔5年或10年时间进行划分，每隔5年或10年分为一个年龄段，分别对每个年龄段所对应的样本数据进行处理为每个年龄段均建立其对应的人脸模型和手部模型。

步骤S12：在每个年龄段中任选一样本数据作为该年龄段模型的基础样本，将作为基础的样本数据转换为二维或三维的人脸模型和手部模型，并分别标记出人脸模型和手部模型中的特征点位置；人脸模型的特征点位置可标注在人脸图像样本的五官、颧骨等具有标志性的位置，而手部模型的特征点位置可标注在手部关节、指尖以及手掌中心等标志性位置。

步骤S3：利用处于同一年龄段人群的其他样本数据分别对人脸模型和手部模型进行特征点修正，再通过所述终端展示修正后的人脸模型和手部模型使得用户按照展示的人脸模型和手部模型进行拍摄从而获得包含人脸图像和手部图像的当前拍摄图像。

其中特征点修正即指从众多样本数据中筛选出与基础样本处于同一年龄段的样本数据，并对筛选出来的样本数据进行相同特征点识别，将样本数据和人脸模型中位于同一位置的特征点进行坐标比对并计算坐标平均值以获得全新的特征点坐标，从而调整该特征点在人脸模型或手部模型中的位置，从而实现特征点修正操作，修正后的人脸模型和手部模型是以大量的样本数据为基础进行修正的，可代表同一年龄段的健康人群的基础特征，若后期识别到用户与模型特征存在较大差异，则可认为用户存在一定患病风险。

终端APP根据用户输入的年龄信息调取预先建立好的用户所在年龄段的人脸模型和手部模型进行展示，展示过程中可将模型中相邻的特征点进行连线形成由若干个三角面片组成的模型，并提示用户在拍摄人脸图像和手部图像时让其脸部或手部上的特征点与模型上的特征点靠近，使得拍摄所得的当前拍摄图像上的特征点坐标与模型上的特征点处于同一坐标维度上，并将当前拍摄图像直接与模型进行特征点坐标比对，可模拟用户当前外观外貌与健康人群的差别，从而确定第一风险因子的数值。

本实施例中所述第一风险因子的计算方法为：

识别出用户当前拍摄所得的人脸图像和手部图像的特征点，将人脸图像和手部图像的特征点坐标分别与人脸模型和手部模型中的特征点坐标进行比对以确定二者对于同一特征点的坐标偏差值，对所有特征点的坐标偏差值进行统计以计算第一风险因子。

本实施例中第一风险因子的计算方法为：

IA=∑(f₁+f₂+⋯+f_n ) ；

f_n指的是特征点n在人脸图像/手部图像上的坐标位置与人脸模型/手部模型上的坐标位置之间的坐标偏差绝对值。其第一风险因子通过方差进行计算，代表每个特征点在人脸图像上的位置与其在人脸模型上的位置之间的偏离程度；第一风险因子数值越大，代表偏离程度越大，说明当前用户的外观外貌与健康人群的差别相对较大，相当于用户患有肢端肥大症的风险概率也有所增加；相反地，第一风险因子数值越小，用户的外观外貌越偏向于正常，患病风险也相对降低。

本实施例用户通过终端拍摄其当前人脸图像的同时，对人脸图像进行身份识别和特征识别从而获取用户的身份信息和特征信息，在获得用户授权的前提下根据用户的身份信息和特征信息搜索并筛选用户在指定时间段内对应的目标数据，其具体方法为：

步骤S21：根据预设路径爬取指定时间段内与用户相关的历史图像，例如在用户授权的前提下获取用户终端或用户所使用的云盘数据库中存储的指定时间段内的历史图像；对历史图像进行物体识别从而筛选出包含有人物属性的图像，再对人物图像进行人脸识别以确定人物身份，筛选出与用户身份信息相符合的历史图像后对与用户身份信息相吻合的历史图像进行特征识别以获得目标特征信息。

其中指定时间段可以是用户当前实际年龄过去几个月甚至几年，在指定时间段内的历史图像中大概率包含有拍摄到用户脸部或用户全身的照片，将该照片中用户的目标特征与用户的当前特征进行比较，即可获知用户在指定时间段内脸部和/或手脚的生长趋势，根据该生长趋势确定第二风险因子，从而为患病风险分析提供有力的数据来源。

所述第二风险因子的计算方法为：

筛选出与用户身份信息相吻合的历史图像后，若历史图像只拍摄到人脸，则识别出对应的人脸特征；若历史图像只拍摄到手部区域，则识别出对应的手部特征；若历史图像中同时拍摄到人脸和手部，则分析获得人脸特征以及手部特征，将从历史图像中识别到特征统称为目标特征信息；再判断目标特征信息与从当前拍摄图像中获得的当前特征信息之间的误差是否在预设的正常发育成长范围内，举个例子，确定历史图像中眉骨点在图像人脸中的坐标位置，以及确定人脸图像中眉骨点在图像人脸中的坐标位置，并计算二者之间的坐标差值，若差值不在正常发育成长范围内代表用户在指定时间段内的发育是超出正常趋势的，属于异常的情况，此时根据二者的差值确定第二风险因子；若差值落入正常发育成长范围内则代表用户在指定时间段内的发育情况是正常的，此时可将第二风险因子赋值为零。

其中第二风险因子的计算方法可参考第一风险因子的计算公式，同时，还可通过如下方法进行计算：

其中

指的是特征点n在历史图像上的坐标位置与人脸图像上的坐标位置之间的 坐标偏差值；

指的是正常发育成长范围内特征点坐标偏差绝对值的最大值，

为 正常发育成长范围内特征点坐标偏差绝对值的最小值；而IB的赋值0和1可根据实际经验进 行调整，且

的情况还可进行进一步细化，偏差越大，IB赋值越大，偏差越小，IB赋 值越小，而细化的具体范围和数值可根据实际经验进行设置和调整，在此不详细公开。

可见，第二风险因子数值越大，代表偏离程度越大，说明当前用户的外观外貌与其以往的外观外貌相比差别相对较大，相当于用户患有肢端肥大症的风险概率也有所增加；相反地，第二风险因子数值越小，用户的外观外貌的发育越偏向于正常，患病风险也相对降低。

本实施例在进行历史数据搜索过程中，还可在用户以及医院授权情况下根据用户身份信息调取用户以往的医疗数据，其医疗数据包括有体检项目数据、疾病诊断数据以及照射图像等，其照射图像指的是CT图像；搜索医疗数据中是否存在包含CT图像，若无法搜索到CT图像，则第三风险因子的数值可直接赋值

为零；若医疗数据中包含CT图像，则将CT图像作为目标照射图像从医疗数据中提取出来，并对目标照射图像进行灰度分析以获得用户的骨骼特征。

由于CT图像是计算机把重建图像矩阵中各个像素转变为不同灰暗度的相应光点进行显示的图像，且CT图像的灰暗度可表示组织密度情况，因此本实施例对目标照射图像进行灰暗度分析可区分目标照射图像中的软组织区域以及骨骼组织区域，并将骨骼组织中与软组织相邻的骨端区域标记出来，在骨端区域中进行进一步的灰暗度分析从而识别出骨端区域中是否存在透明软骨，该透明软骨相当于骨垢线，而根据透明软骨与骨干的融合情况从而确定骨骺线的闭合情况，若骨垢线已经闭合，说明用户停止发育，若骨垢线未闭合，则代表用户仍处于发育阶段。

此外，通过CT图像还可分析出骨骼大小、增生情况等，本实施例将从CT图像中可获得的骨骼大小、骨骼增生情况、骨垢线闭合情况等数据统称为骨骼特征信息。

本实施例从目标照射图像中识别获得骨骼特征的目的是为了将骨骼特征与用户拍摄该CT图像时的实际年龄进行比对从而获知用户旧时的骨骼发育情况，从而确定第三风险因子。具体为：

搜索到目标照射图像的同时获取目标照射图像的拍摄时间段，结合拍摄时间段以及用户当前年龄信息推算出用户在拍摄CT图像时的实际年龄；

将获得的骨骼特征导入预设模型中输出对应的骨龄；其中预设模块是通过大量训练样本对神经网络进行训练和学习获得的，采集大量骨骼线样本作为神经网络的输入，将骨骼线样本所对应的骨龄数据作为神经网络的输出，对神经网络进行训练和学习从而获得所述预设模型；

再将用户拍摄CT图像时的实际年龄与经预设模型计算获得的骨龄进行比对，计算二者差值，根据计算所得的差值所对应的范围给第三风险因子进行对应赋值；而其具体赋值数以及差值所对应范围可根据实际经验进行设置，在此不做具体限制。

由于患有肢端肥大症的患者的实际年龄达到成年阶段后，其骨骼线会闭合，骨骼也不会在大幅度生长，因此若第三风险因子的数值越大，说明骨龄和实际年龄的偏离程度越大，其患有肢端肥大症的概率越高；相反，第三风险因子的数值越小，说明骨龄和实际年龄的偏离程度越小，说明骨龄和用户年龄匹配度高，其患有肢端肥大症的概率越低。

此外，搜索获得医疗数据后，还可查询医疗数据中是否包含有用户生长激素检测项目的相关检测数据，若有，则直接将生长激素检测项目的检测数据作为第四风险因子的数据来源，相对应地，第四风险因子所对应的权重系数也相对其他风险因子的权重系数要高。

如图2所示，本实施例经过上述搜索、识别和分析等步骤后，结合多个风险因子共同判断用户患病的风险概率，其患病风险概率的计算公式为：

风险概率E=A*第一风险因子+B*第二风险因子+C*第三风险因子+D*第四风险因子，其中A、B、C、D分别为第一风险因子、第二风险因子、第三风险因子和第四风险因子所对应的权重系数，而不同风险因子的权重系数可预先根据大量试验进行确定，在此不公开其具体数值。

若在任意一环节中未搜索到对应的数据，或未识别到对应的特征，则对应的风险因子数值可直接赋值为零；举个例子，若在搜索过程中未能搜索到用户以往的CT图像，或从CT图像中未能识别出其骨骼特征或骨龄，则与骨骼特征相关的第三风险因子直接赋值为零；即使风险概率的计算缺少了骨骼特征的比对结果，但风险概率依然可由其他风险因子来计算，并不影响风险概率结果的输出。若本实施例提及到了三种或以上风险因子无法确定，则生成对应的告警提示以告知用户本次风险预测结果可信度低，或无法输出风险预测结果的提示。

实施例二

本实施例提供一种基于肢端肥大症的图像数据分析系统，该系统执行如实施例一所述的基于肢端肥大症的图像数据分析方法。

如图3所示，本实施例的分析系统包括：

采集识别模块，用于获取终端上传的当前拍摄图像，对当前拍摄图像进行识别分析以获得识别出用户的当前特征信息以及身份信息；

搜索识别模块，用于根据用户的身份信息搜索并筛选用户在指定时间段内对应的目标数据，其目标数据为拍摄人体外观所得的目标人体图像和/或扫描人体组织所得的目标照射图像，并对目标数据进行特征分析以获得目标特征信息；

比对分析模块，用于将目标特征信息和当前特征信息进行比对，并结合用户年龄信息生成对应的风险因子，根据风险因子计算输出风险概率。

本实施例中的系统与前述实施例中的方法是基于同一发明构思下的另一方面，在前面已经对方法实施过程作了详细的描述，所以本领域技术人员可根据前述描述清楚地了解本实施例中的系统的结构及实施过程，为了说明书的简洁，在此就不再赘述。

上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。

Claims (10)

1.一种基于肢端肥大症的图像数据分析方法，其特征在于，包括：

步骤S1：获取终端上传的当前拍摄图像，对所述当前拍摄图像进行识别分析以获得识别出用户的当前特征信息以及身份信息；

步骤S2：根据用户的身份信息搜索并筛选用户在指定时间段内对应的目标数据，所述目标数据为拍摄人体外观所得的目标人体图像和/或扫描人体组织所得的目标照射图像，并对所述目标数据进行特征分析以获得目标特征信息；

步骤S3：将所述目标特征信息和所述当前特征信息进行比对，并结合用户年龄信息生成对应的风险因子，根据风险因子计算输出风险概率。

2.根据权利要求1所述的基于肢端肥大症的图像数据分析方法，其特征在于，所述根据风险因子计算输出风险概率的方法为：

风险概率E=风险因子*风险因子所对应的权重系数。

3.根据权利要求2所述的基于肢端肥大症的图像数据分析方法，其特征在于，所述获取终端上传的当前拍摄图像前还包括：

预先采集不同年龄段的健康人群的样本数据，所述样本数据包括人脸图像样本及其手部图像样本，根据任一样本数据生成对应的人脸模型和手部模型，并分别标记出人脸模型和手部模型中的特征点位置；

利用处于同一年龄段人群的其他样本数据分别对人脸模型和手部模型进行特征点修正，再通过终端展示修正后的人脸模型和手部模型使得用户按照展示的人脸模型和手部模型进行拍摄从而获得对应的当前拍摄图像。

4.根据权利要求3所述的基于肢端肥大症的图像数据分析方法，其特征在于，所述当前拍摄图像包括人脸图像和手部图像，对所述当前拍摄图像进行识别分析时，还包括：

识别出拍摄所得的人脸图像和手部图像的特征点，将人脸图像和手部图像的特征点分别与人脸模型和手部模型中的特征点进行比对以确定二者对于同一特征点的偏差值，对所有特征点的偏差值进行统计以计算获得第一风险因子。

5.根据权利要求2所述的基于肢端肥大症的图像数据分析方法，其特征在于，所述根据用户的身份信息搜索并筛选用户在指定时间段内对应的目标数据的方法为：

根据预设路径爬取指定时间段内与用户相关的历史图像，对所述历史图像进行物体识别并筛选出包含有人物属性的图像，对人物图像进行人脸识别以确定人物身份，并对与用户身份信息相吻合的历史图像进行特征识别以获得所述目标特征信息。

6.根据权利要求5所述的基于肢端肥大症的图像数据分析方法，其特征在于，将所述目标特征信息与所述当前特征信息进行比对的方法为：

判断所述目标特征信息与所述当前特征信息之间的误差是否在预设的正常发育成长范围内，若不在正常发育成长范围内则计算二者误差以确定第二风险因子，若在正常发育成长范围内则将所述第二风险因子赋值为零。

7.根据权利要求2所述的基于肢端肥大症的图像数据分析方法，其特征在于，所述目标特征信息还包括骨骼特征，获取所述骨骼特征的方法为：

根据用户身份信息调取用户以往的医疗数据，提取所述医疗数据中的目标照射图像，对所述目标照射图像进行灰度分析以获得用户的骨骼特征。

8.根据权利要求7所述的基于肢端肥大症的图像数据分析方法，其特征在于，对所述目标照射图像进行灰度分析的方法为：

区分所述目标照射图像中的软组织区域以及骨骼组织区域，并确定骨骼组织中与软组织相邻的骨端区域，根据骨端区域的所述目标照射图像的灰暗度识别出骨端区域的骨骺线以及骨骺线的闭合情况以获得骨骼特征。

9.根据权利要求8所述的基于肢端肥大症的图像数据分析方法，其特征在于，结合用户年龄信息生成对应的风险因子的方法为：

获取所述目标照射图像的拍摄时间段，根据拍摄时间段推算用户在拍摄时间段内的实际年龄；

将获得的骨骼特征导入预设模型中输出对应的骨龄；其中将骨骼线样本作为神经网络的输入，将骨骼线样本所对应的骨龄数据作为神经网络的输出，对神经网络进行训练和学习以获得所述预设模型；

将用户拍摄时间段内所对应的实际年龄与经预设模型计算获得的骨龄进行比对根据比对差值计算获得第三风险因子。

10.一种基于肢端肥大症的图像数据分析系统，其特征在于，执行如权利要求1~9任意一项所述的基于肢端肥大症的图像数据分析方法，包括：

采集识别模块，用于获取终端上传的当前拍摄图像，对当前拍摄图像进行识别分析以获得识别出用户的当前特征信息以及身份信息；

搜索识别模块，用于根据用户的身份信息搜索并筛选用户在指定时间段内对应的目标数据，其目标数据为拍摄人体外观所得的目标人体图像和/或扫描人体组织所得的目标照射图像，并对目标数据进行特征分析以获得目标特征信息；

比对分析模块，用于将目标特征信息和当前特征信息进行比对，并结合用户年龄信息生成对应的风险因子，根据风险因子计算输出风险概率。

Images