CN114549859A - 骨龄预测方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请提供了一种骨龄预测方法、装置、电子设备及存储介质，属于人工智能技术领域。该方法包括：获取目标骨骼图像；通过第一关键点检测模型对目标骨骼图像进行关键点检测，得到第一目标骨骼关键点；根据第一目标骨骼关键点对目标骨骼图像进行第一姿态矫正处理，得到标准骨骼图像；通过图像分割模型对标准骨骼图像进行分割处理，得到初步骨骼前景图；通过第二关键点检测模型对标准骨骼图像进行关键点检测，得到第二目标骨骼关键点；根据第二目标骨骼关键点对初步骨骼前景图进行第二姿态矫正处理，得到标准骨骼前景图；将标准骨骼前景图输入至骨龄预测模型进行骨龄预测，得到骨龄预测数据。本申请能够提高骨龄预测的准确性。

Description

骨龄预测方法、装置、电子设备及存储介质

技术领域

本申请涉及人工智能技术领域，尤其涉及一种骨龄预测方法、装置、电子设备及存储介质。

背景技术

目前，基于图像的骨龄预测方法大多数需要依赖于手腕骨发育X线图谱(G-P图谱法)或者Tanner-Whitehouse骨龄评分法(TW法)等方法来训练神经网络模型，往往会导致训练出来的神经网络模型的鲁棒性较差，影响骨龄预测的准确性，因此，如何提高骨龄预测的准确性，成为了亟待解决的技术问题。

发明内容

本申请实施例的主要目的在于提出一种骨龄预测方法、装置、电子设备及存储介质，旨在提高骨龄预测的准确性。

为实现上述目的，本申请实施例的第一方面提出了一种骨龄预测方法，所述方法包括：

获取目标骨骼图像；

通过预先训练的第一关键点检测模型对所述目标骨骼图像进行关键点检测，得到第一目标骨骼关键点；

根据所述第一目标骨骼关键点对所述目标骨骼图像进行第一姿态矫正处理，得到标准骨骼图像；

通过预先训练的图像分割模型对所述标准骨骼图像进行分割处理，得到初步骨骼前景图；

通过预先训练的第二关键点检测模型对所述标准骨骼图像进行关键点检测，得到第二目标骨骼关键点；

根据所述第二目标骨骼关键点对所述初步骨骼前景图进行第二姿态矫正处理，得到标准骨骼前景图；

将所述标准骨骼前景图输入至预先训练的骨龄预测模型进行骨龄预测，得到骨龄预测数据。

在一些实施例，所述获取目标骨骼图像的步骤，包括：

获取原始骨骼图像；

根据预设的尺寸度量参数对所述原始骨骼图像进行缩放处理，得到第一骨骼图像；

对所述第一骨骼图像进行标准化处理，得到第二骨骼图像；

对所述第二骨骼图像进行归一化处理，得到所述目标骨骼图像。

在一些实施例，所述第一关键点检测模型包括第一残差网络、第一全局卷积网络和第一局部卷积网络，所述通过预先训练的第一关键点检测模型对所述目标骨骼图像进行关键点检测，得到第一目标骨骼关键点的步骤，包括：

通过所述第一残差网络对所述目标骨骼图像进行特征提取，得到目标骨骼特征图；

通过所述第一全局卷积网络对所述目标骨骼特征图进行图同构处理，得到第一初始骨骼关键点；

通过所述第一局部卷积网络对所述第一初始骨骼关键点进行位置微调，得到所述第一目标骨骼关键点。

在一些实施例，所述图像分割模型包括卷积层、第一Transformer层以及图像分割层，所述通过预先训练的图像分割模型对所述标准骨骼图像进行分割处理，得到初步骨骼前景图的步骤，包括：

通过卷积层对所述标准骨骼图像进行卷积处理，得到标准骨骼特征数据；

通过所述第一Transformer层对所述标准骨骼特征数据进行编码处理，得到骨骼特征隐藏向量；

通过所述图像分割层和预设的像素度量参数对所述骨骼特征隐藏向量进行分割处理，得到所述初步骨骼前景图。

在一些实施例，所述第二关键点检测模型包括第二残差网络、第二全局卷积网络和第二局部卷积网络，所述通过预先训练的第二关键点检测模型对所述标准骨骼图像进行关键点检测，得到第二目标骨骼关键点的步骤，包括：

通过所述第二残差网络对所述标准骨骼图像进行特征提取，得到标准骨骼特征图；

通过所述第二全局卷积网络对所述标准骨骼特征图进行图同构处理，得到第二初始骨骼关键点；

通过所述第二局部卷积网络对所述第二初始骨骼关键点进行位置微调，得到所述第二目标骨骼关键点。

在一些实施例，所述骨龄预测模型包括第三残差网络、第二Transformer层以及全连接层，所述将所述标准骨骼前景图输入至预先训练的骨龄预测模型进行骨龄预测，得到骨龄预测数据的步骤，包括：

将所述标准骨骼前景图输入至所述骨龄预测模型中；

通过所述第三残差网络对所述标准骨骼前景图进行特征提取，得到多个标准骨骼前景图像切片；

通过所述第二Transformer层对所述标准骨骼前景图像切片进行编码处理，得到标准骨骼前景特征向量；

通过所述全连接层的预测函数以及预获取到的性别特征向量对所述标准骨骼前景特征向量进行骨龄预测，得到所述骨龄预测数据。

在一些实施例，在所述将所述标准骨骼前景图输入至预先训练的骨龄预测模型进行骨龄预测，得到骨龄预测数据的步骤之前，所述方法还包括：

通过网络爬虫的方式获取所述目标骨骼图像对应的用户性别数据；

对所述用户性别数据进行独热编码处理，得到所述性别特征向量。

为实现上述目的，本申请实施例的第二方面提出了一种骨龄预测装置，所述装置包括：

图像获取模块，用于获取目标骨骼图像；

第一关键点检测模块，用于通过预先训练的第一关键点检测模型对所述目标骨骼图像进行关键点检测，得到第一目标骨骼关键点；

第一图像姿态矫正模块，用于根据所述第一目标骨骼关键点对所述目标骨骼图像进行第一姿态矫正处理，得到标准骨骼图像；

图像分割模块，用于通过预先训练的图像分割模型对所述标准骨骼图像进行分割处理，得到初步骨骼前景图；

第二关键点检测模块，用于通过预先训练的第二关键点检测模型对所述标准骨骼图像进行关键点检测，得到第二目标骨骼关键点；

第二图像姿态矫正模块，用于根据所述第二目标骨骼关键点对所述初步骨骼前景图进行第二姿态矫正处理，得到标准骨骼前景图；

骨龄预测模块，用于将所述标准骨骼前景图输入至预先训练的骨龄预测模型进行骨龄预测，得到骨龄预测数据。

为实现上述目的，本申请实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现上述第一方面所述的方法。

为实现上述目的，本申请实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述第一方面所述的方法。

本申请提出的骨龄预测方法、装置、电子设备及存储介质，其通过获取目标骨骼图像，通过预先训练的第一关键点检测模型对目标骨骼图像进行关键点检测，得到第一目标骨骼关键点，并根据第一目标骨骼关键点对目标骨骼图像进行第一姿态矫正处理，得到标准骨骼图像，通过这一方式能够较为准确地对目标骨骼图像进行姿态校正，得到标准骨骼图像，提高了标准骨骼图像的图像质量。进一步地，通过预先训练的图像分割模型对标准骨骼图像进行分割处理，得到初步骨骼前景图，这样一来，能够较为准确地对标准骨骼图像进行分割处理，将与骨龄预测相关性不高的图像数据进行剔除，得到用于骨龄预测的初步骨骼前景图，有效地减少了图像数据量，提高了预测效率。同样地，通过预先训练的第二关键点检测模型对标准骨骼图像进行关键点检测，得到第二目标骨骼关键点，并根据第二目标骨骼关键点对初步骨骼前景图进行第二姿态矫正处理，得到标准骨骼前景图，通过这一方式能够较为准确地对初步骨骼前景图进行姿态校正，得到标准骨骼前景图，提高了标准骨骼前景图的图像质量。最后，将标准骨骼前景图输入至预先训练的骨龄预测模型进行骨龄预测，得到骨龄预测数据，能够提高骨龄预测的准确性。

附图说明

图1是本申请实施例提供的骨龄预测方法的流程图；

图2是图1中的步骤S101的流程图；

图3是图1中的步骤S102的流程图；

图4是图1中的步骤S104的流程图；

图5是图1中的步骤S105的流程图；

图6是本申请实施例提供的骨龄预测方法的另一流程图；

图7是图1中的步骤S107的流程图；

图8是本申请实施例提供的骨龄预测装置的结构示意图；

图9是本申请实施例提供的电子设备的硬件结构示意图。

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，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

首先，对本申请中涉及的若干名词进行解析：

人工智能(artificial intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

自然语言处理(natural language processing，NLP)：NLP用计算机来处理、理解以及运用人类语言(如中文、英文等)，NLP属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域，它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。

信息抽取(Information Extraction，NER)：从自然语言文本中抽取指定类型的实体、关系、事件等事实信息，并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成的，例如句子、段落、篇章，文本信息正是由一些小的具体的单位构成的，例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取，当然，文本信息抽取技术所抽取的信息可以是各种类型的信息。

监督学习：监督学习也称为监督训练或有教师学习，是指利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程。监督学习是从标记的训练数据来推断一个功能的机器学习任务。训练数据包括一套训练实例，每个实例都是由一个输入对象(通常为矢量)和一个期望的输出值(也称为监督信号)组成。监督学习算法是分析该训练数据，并产生一个推断的功能，其可以用于映射出新的实例。

磁共振成像(Magnetic Resonance Imaging，MRI)：MRI也称为磁共振成像术，是一种物理现象，作为一种分析手段广泛应用于物理、化学生物等领域，(MRI)。MRI通过对静磁场中的人体施加某种特定频率的射频脉冲，使人体中的氢质子受到激励而发生磁共振现象。

医学图像：医学成像有多种图像模态，诸如磁共振(Magnetic Resonance，MR)、计算机断层扫描(Computed Tomo-graphy,CT)、PET、超声(ultrasonic，US)成像等等。

残差网络：残差网络可以通过残差密集块(residual dense block，RDB)来充分利用原始LR(Lightroom)图像的所有分层特征。对于一个很深的网络来说，直接提取LR空间中的每个卷积层的输出很难，可以说是不切实际的。使用RDB作为残差密集网络(Residualdense network，RDN)的构建模块。RDB包含密集连通层和带有局部残差学习(Localresidual learning，LRL)的局部特征融合(Local feature fusion，LFF)。RDB每个卷积层都可以访问所有的后续层，传递需要保留的信息。将前面的RDB与当前RDB的所有前面层的状态连接，LFF通过自适应地保存信息来提取局部密集特征。此外，LFF通过稳定更大网络的训练来实现极高的增长率。在提取多层局部密集特征后，进一步进行全局特征融合(Globalfeature fusion，GFF)以全局方式自适应地保留分层特征。每层都可以直接访问原始的LR输入，从而产生隐式的深层监督学习。

Transformer层：transformer层包括依次相邻的注意力层、加和与归一化(add&norm)层、前馈(feed forward)层、add&norm层。在注意力层，从transformer层的上一层获取P个输入向量，以P个输入向量中的任意的第一输入向量为中心，基于预设的注意力窗口范围内的各个输入向量与该第一输入向量之间的关联度，得到该第一输入向量对应的中间向量，如此确定出P个输入向量对应的P个中间向量；在池化层，将P个中间向量合并为Q个输出向量，其中，将transformer层得到的多个输出向量用作当前输入的特征表示。

目前，基于图像的骨龄预测方法大多数需要依赖于手腕骨发育X线图谱(G-P图谱法)或者Tanner-Whitehouse骨龄评分法(TW法)等方法来训练神经网络模型，往往会导致训练出来的神经网络模型的鲁棒性较差，影响骨龄预测的准确性，因此，如何提高骨龄预测的准确性，成为了亟待解决的技术问题。

基于此，本申请实施例提供了一种骨龄预测方法、装置、电子设备及存储介质，旨在提高骨龄预测的准确性。

本申请实施例提供的骨龄预测方法、装置、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的骨龄预测方法。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

本申请实施例提供的骨龄预测方法，涉及人工智能技术领域。本申请实施例提供的骨龄预测方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现骨龄预测方法的应用等，但并不局限于以上形式。

本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

图1是本申请实施例提供的骨龄预测方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤S101至步骤S107。

步骤S101，获取目标骨骼图像；

步骤S102，通过预先训练的第一关键点检测模型对目标骨骼图像进行关键点检测，得到第一目标骨骼关键点；

步骤S103，根据第一目标骨骼关键点对目标骨骼图像进行第一姿态矫正处理，得到标准骨骼图像；

步骤S104，通过预先训练的图像分割模型对标准骨骼图像进行分割处理，得到初步骨骼前景图；

步骤S105，通过预先训练的第二关键点检测模型对标准骨骼图像进行关键点检测，得到第二目标骨骼关键点；

步骤S106，根据第二目标骨骼关键点对初步骨骼前景图进行第二姿态矫正处理，得到标准骨骼前景图；

步骤S107，将标准骨骼前景图输入至预先训练的骨龄预测模型进行骨龄预测，得到骨龄预测数据。

本申请实施例的步骤S101至步骤S107，通过预先训练的第一关键点检测模型对目标骨骼图像进行关键点检测，得到第一目标骨骼关键点，并根据第一目标骨骼关键点对目标骨骼图像进行第一姿态矫正处理，得到标准骨骼图像，能够较为准确地对目标骨骼图像进行姿态校正，得到标准骨骼图像，提高标准骨骼图像的图像质量。通过预先训练的图像分割模型对标准骨骼图像进行分割处理，得到初步骨骼前景图，能够较为准确地对标准骨骼图像进行分割处理，将与骨龄预测相关性不高的图像数据进行剔除，得到用于骨龄预测的初步骨骼前景图，有效地减少了图像数据量，提高预测效率。同样地，通过预先训练的第二关键点检测模型对标准骨骼图像进行关键点检测，得到第二目标骨骼关键点，并根据第二目标骨骼关键点对初步骨骼前景图进行第二姿态矫正处理，得到标准骨骼前景图，能够较为准确地对初步骨骼前景图进行姿态校正，得到标准骨骼前景图，提高标准骨骼前景图的图像质量。最后，将标准骨骼前景图输入至预先训练的骨龄预测模型进行骨龄预测，得到骨龄预测数据，能够提高骨龄预测的准确性。

请参阅图2，在一些实施例中，步骤S101可以包括但不限于包括步骤S201至步骤S204：

步骤S201，获取原始骨骼图像；

步骤S202，根据预设的尺寸度量参数对原始骨骼图像进行缩放处理，得到第一骨骼图像；

步骤S203，对第一骨骼图像进行标准化处理，得到第二骨骼图像；

步骤S204，对第二骨骼图像进行归一化处理，得到目标骨骼图像。

在一些实施例的步骤S201中，通过医学数字成像(Digital Imaging andCommunications in Medicine，DICOM)或者医疗数据库获取原始骨骼图像，其中，原始骨骼图像为三维图像，该三维图像可以是通过CT或者MRI得来。

在一些医学应用场景中，上述的原始骨骼图像可以为医学影像，原始骨骼图像包含的对象所属类型为病灶，即机体上发生病变的部分。医学影像是指为了医疗或医学研究，以非侵入方式取得的内部组织，比如，CT、MRI、超声、X光图像以及光学摄影灯由医学仪器生成的图像。

在一些实施例的步骤S202中，可以通过resize函数和预设的尺寸度量参数对原始骨骼图像进行缩放处理，改变图像的宽度、高度，得到第一骨骼图像。例如，预设的尺寸度量参数要求宽度为512，高度为512，则通过resize函数将原始骨骼图像缩放至512×512大小。

在一些实施例的步骤S203中，可以通过对第一骨骼图像去均值实现中心化的处理，以实现第一骨骼图像的标准化，得到第二骨骼图像。其中，标准化公式如公式(1)所示：

其中，x是第一骨骼图像的像素矩阵，μ是参考骨骼图像的均值，σ是参考骨骼图像的标准差。标准化可以令第一骨骼图像与参考骨骼图像有相同的分布(即大小、通道数目均相同)。

在一些实施例的步骤S204中，可以通过最大最小值归一化方法对第二骨骼图像进行处理，得到目标骨骼图像。其中，归一化公式如公式(2)所示：

其中，x_i为第二骨骼图像的像素点值，max(x)为第二骨骼图像的像素最大值，min(x)为第二骨骼图像的像素最小值。

通过上述步骤S201至步骤S204能够对原始骨骼图像进行处理，消除原始骨骼图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性，还能够最大限度地简化数据，提高骨龄预测的可靠性。

请参阅图3，在一些实施例中，步骤S102可以包括但不限于包括步骤S301至步骤S303：

步骤S301，通过第一残差网络对目标骨骼图像进行特征提取，得到目标骨骼特征图；

步骤S302，通过第一全局卷积网络对目标骨骼特征图进行图同构处理，得到第一初始骨骼关键点；

步骤S303，通过第一局部卷积网络对第一初始骨骼关键点进行位置微调，得到第一目标骨骼关键点。

第一关键点检测模型包括第一残差网络、第一全局卷积网络和第一局部卷积网络。

在一些实施例的步骤S301中，第一残差网络包括由3*3的卷积层串联形成的残差密集块，通过处于前端的第一残差密集块将目标骨骼图像进行卷积处理之后直接输出，处于后端的第二残差密集块能够学习到输入的目标骨骼图像以及经过处于前端的第一残差密集块处理之后的目标骨骼图像之间的差异，从而输出目标骨骼特征图。

在一些实施例的步骤S302中，通过第一全局卷积网络的图同构层对目标骨骼特征图进行图像轮廓点提取，得到能够表征目标骨骼图像的轮廓的第一初始关键点的坐标，并且对第一初始关键点的坐标进行向量化处理，得到多个9维坐标向量，从而得到第一初始目标骨骼关键点。

在一些实施例的步骤S303中，通过第一局部卷积网络的卷积层对每一第一初始目标骨骼关键点与参考骨骼关键点进行误差计算，得到第一误差值，并且根据坐第一误差值生成第一坐标偏移量，在第一局部卷积网络的输出层根据第一坐标偏移量生成与每一第一初始骨骼关键点对应的2维向量，根据该2维向量与第一坐标偏移量对第一初始骨骼关键点进行位置微调，实现第一初始骨骼关键点的坐标偏移，得到第一目标骨骼关键点。

在一些实施例的步骤S103中，根据第一目标骨骼关键点与第一参考关键点的坐标差异，生成第一姿态矫正系数，根据第一姿态矫正系数对目标骨骼图像内的每一像素点的坐标进行调整，得到标准骨骼图像。其中，第一姿态矫正系数可以根据第一目标骨骼关键点与第一参考关键点的坐标方差来确定，也可以是其他方式计算得到，不做限制。

请参阅图4，在一些实施例中，步骤S104可以包括但不限于包括步骤S401至步骤S403：

步骤S401，通过卷积层对标准骨骼图像进行卷积处理，得到标准骨骼特征数据；

步骤S402，通过第一Transformer层对标准骨骼特征数据进行编码处理，得到骨骼特征隐藏向量；

步骤S403，通过图像分割层和预设的像素度量参数对骨骼特征隐藏向量进行分割处理，得到初步骨骼前景图。

具体地，该图像分割模型为TransUNet模型，包括卷积层、第一Transformer层以及图像分割层。

在一些实施例的步骤S401中，通过卷积层中预设的Transformer算法或者bi-LSTM算法对标准骨骼图像进行卷积处理，以实现对标准骨骼图像的特征提取，得到标准骨骼特征数据。

在一些实施例的步骤S402中，通过第一Transformer层中预设的Transformer算法或者bi-LSTM算法对标准骨骼特征数据进行编码处理，得到骨骼特征隐藏向量。

在一些实施例的步骤S403中，预设的像素度量参数主要用于区分标准骨骼图像的前景图像与背景图像，像素度量参数的具体数值可以根据实际情况进行设置，不做限制。将像素度量参数输入至图像分割成的解码器中，通过解码器能够对标准骨骼图像进行主背景分离处理，即将标准骨骼图像分割为初步骨骼前景图与初步骨骼背景图。

请参阅图5，在一些实施例中，步骤S105还可以包括但不限于包括步骤S501至步骤S503：

步骤S501，通过第二残差网络对标准骨骼图像进行特征提取，得到标准骨骼特征图；

步骤S502，通过第二全局卷积网络对标准骨骼特征图进行图同构处理，得到第二初始骨骼关键点；

步骤S503，通过第二局部卷积网络对第二初始骨骼关键点进行位置微调，得到第二目标骨骼关键点。

第二关键点检测模型包括第二残差网络、第二全局卷积网络和第二局部卷积网络。

在一些实施例的步骤S501中，第二残差网络包括至少两个3*3的卷积层串联形成的残差密集块，通过处于前端的第三残差密集块将标准骨骼图像进行卷积处理之后直接输出，处于后端的第四残差密集块能够学习到输入的标准骨骼图像以及经过处于前端的第三残差密集块处理之后的标准骨骼图像之间的差异，从而输出标准骨骼特征图。

在一些实施例的步骤S502中，通过第二全局卷积网络的图同构层对标准骨骼特征图进行图像轮廓点提取，得到能够表征标准骨骼图像的轮廓的第二初始关键点的坐标，并且对第二初始关键点的坐标进行向量化处理，得到多个9维坐标向量，从而得到第二初始目标骨骼关键点。

在一些实施例的步骤S503中，通过第二局部卷积网络的卷积层对每一第二初始目标骨骼关键点与参考骨骼关键点进行误差计算，得到第二误差值，并且根据坐第二误差值生成第二坐标偏移量，在第二局部卷积网络的输出层根据第二坐标偏移量生成与每一第二骨骼初始关键点对应的2维向量，根据该2维向量与第二坐标偏移量对第二初始骨骼关键点进行位置微调，实现第二初始骨骼关键点的坐标偏移，得到第二目标骨骼关键点。

在一些实施例的步骤S106中，根据第二目标骨骼关键点与第二参考关键点的坐标差异，生成第二姿态矫正系数，根据第二姿态矫正系数对初步骨骼前景图内的每一像素点的坐标进行调整，得到标准骨骼前景图。其中，第二姿态矫正系数可以根据第二目标骨骼关键点与第二参考关键点的坐标方差来确定，也可以是其他方式计算得到，不做限制。

请参阅图6，在一些实施例，在步骤S107之前，该方法还包括但不限于包括步骤S601至步骤S602：

步骤S601，通过网络爬虫的方式获取目标骨骼图像对应的用户性别数据；

步骤S602，对用户性别数据进行独热编码处理，得到性别特征向量。

在一些实施例的步骤S601中，通过编写网络爬虫,设置好数据源之后进行有目标性的爬取数据，得到目标始流调数据。需要说明的是，目标流调数据包括目标眼部图像对应的用户的性别数据。

进一步地，根据预设的类别标签和序列分类器，对目标流调数据进行标签分类处理，得到标注流调数据。具体地，利用预先训练的序列分类器和特征类别标签对目标流调数据的实体特征进行标记，使得这些实体特征都能够带上预设的标签，以便提高分类效率。其中，特征类别标签包括性别标签、姓名标签等等，预先训练的序列分类器可以是基于条件随机场算法(CRF)的模型或者是基于双向长短时记忆算法(bi-LSTM)的模型。例如，可以基于bi-LSTM算法构建序列分类器，在基于bi-LSTM算法的模型中,输入目标流调数据的单词wi和字符嵌入，通过左到右的长短记忆和右向左的长短时记忆,使得在输出被连接的位置生成单一的输出层。序列分类器通过这一输出层可以将输入的实体特征直接传递到softmax分类器上,通过softmax分类器在预设的特征类别标签上创建一个概率分布，从而根据概率分布对实体特征进行标记分类，从带有多个不同特征类别标签的实体特征中识别出性别标签对应的用户性别数据。进一步地，通过卷积层对标注流调数据进行卷积处理，提取对应性别标签对应的用户性别数据。

需要说明的是，独热编码即One-Hot编码，又称一位有效编码。其方法是使用N位状态寄存器来对N个状态进行编码，每个状态都有它独立的寄存器位，并且在任意时候只有一位状态有效。One-hot编码就是对每一用户性别数据使用长度为V的向量表示。

在一些实施例的步骤S602中，通过独热编码可以将用户性别数据表示为向量形式，将性别为男性的记为[0,1]，性别为女性的记为[1,0]，从而得到每一标准眼底图像对应的性别特征向量。

请参阅图7，在一些实施例中，步骤S107还可以包括但不限于包括步骤S701至步骤S704：

步骤S701，将标准骨骼前景图输入至骨龄预测模型中；

步骤S702，通过第三残差网络对标准骨骼前景图进行特征提取，得到多个标准骨骼前景图像切片；

步骤S703，通过第二Transformer层对标准骨骼前景图像切片进行编码处理，得到标准骨骼前景特征向量；

步骤S704，通过全连接层的预测函数以及预获取到的性别特征向量对标准骨骼前景特征向量进行骨龄预测，得到骨龄预测数据。

具体地，骨龄预测模型为Vision Transformer模型，骨龄预测模型包括第三残差网络、第二Transformer层以及全连接层。

在一些实施例的步骤S701和步骤S702中，将标准骨骼前景图输入至骨龄预测模型中。通过骨龄预测模型的第三残差网络对标准骨骼前景图进行特征提取，其中，第三残差网络包括至少两个由3*3的卷积层串联形成的残差密集块，通过处于前端的第五残差密集块将标准骨骼前景图进行卷积处理之后直接输出，处于后端的第六残差密集块能够学习到输入的标准骨骼前景图以及经过处于前端的第六残差密集块处理之后的标准骨骼前景图之间的差异，从而输出标准骨骼前景特征图，进一步地，根据预设的切片尺寸参数或者根据预设的片层距离对标准骨骼前景图进行切片处理，得到多个标准骨骼前景图像切片。

在一些实施例的步骤S703中，通过第二Transformer层中预设的Transformer算法或者bi-LSTM算法对标准骨骼前景图像切片进行编码处理，得到标准骨骼前景特征向量。

在一些实施例的步骤S704中，首先通过全连接层中的MLP网络将标准骨骼前景特征向量映射至预设的向量空间，使得映射之后的标准骨骼前景特征向量处于与预设的特征维度，即通过MLP网络使得标准骨骼前景特征向量转化为1000维向量，同时，通过MLP网络将性别特征向量转化为320维向量。进一步地，对处于320维的性别特征向量与处于1000维的标准骨骼前景特征向量进行拼接处理，得到骨龄预测特征向量；本实施例的性别特征向量与标准骨骼前景特征向量的拼接处理为将性别特征向量与标准骨骼前景特征向量进行相加处理。最后，将骨龄预测特征向量赋值到预测函数上，其中，预测函数为softmax函数,通过softmax函数在预设的骨龄区间类别标签上创建一个概率分布，从而根据概率分布对骨龄预测特征向量进行骨龄概率计算，得到每一骨龄区间类别的骨龄概率值，选取最大的骨龄概率值对应的骨龄区间作为最终的骨龄预测区间，得到骨龄预测数据。

本申请实施例通过获取目标骨骼图像，通过预先训练的第一关键点检测模型对目标骨骼图像进行关键点检测，得到第一目标骨骼关键点，并根据第一目标骨骼关键点对目标骨骼图像进行第一姿态矫正处理，得到标准骨骼图像，通过这一方式能够较为准确地对目标骨骼图像进行姿态校正，得到标准骨骼图像，提高了标准骨骼图像的图像质量。进一步地，通过预先训练的图像分割模型对标准骨骼图像进行分割处理，得到初步骨骼前景图，这样一来，能够较为准确地对标准骨骼图像进行分割处理，将与骨龄预测相关性不高的图像数据进行剔除，得到用于骨龄预测的初步骨骼前景图，有效地减少了图像数据量，提高了预测效率。同样地，通过预先训练的第二关键点检测模型对标准骨骼图像进行关键点检测，得到第二目标骨骼关键点，并根据第二目标骨骼关键点对初步骨骼前景图进行第二姿态矫正处理，得到标准骨骼前景图，通过这一方式能够较为准确地对初步骨骼前景图进行姿态校正，得到标准骨骼前景图，提高了标准骨骼前景图的图像质量。最后，将标准骨骼前景图输入至预先训练的骨龄预测模型进行骨龄预测，得到骨龄预测数据，能够提高骨龄预测的准确性。另外，本申请实施例通过第一关键点检测模型、第二关键点检测模型、图像分割模型对目标骨骼图像的图像处理，能够较大程度的提高图像质量，使得输入到骨龄预测模型的标准骨骼前景图能够具有更好的预测效果，也能够较好地提高整个骨龄预测流程的鲁棒性。

请参阅图8，本申请实施例还提供一种骨龄预测装置，可以实现上述骨龄预测方法，该装置包括：

图像获取模块801，用于获取目标骨骼图像；

第一关键点检测模块802，用于通过预先训练的第一关键点检测模型对目标骨骼图像进行关键点检测，得到第一目标骨骼关键点；

第一图像姿态矫正模块803，用于根据第一目标骨骼关键点对目标骨骼图像进行第一姿态矫正处理，得到标准骨骼图像；

图像分割模块804，用于通过预先训练的图像分割模型对标准骨骼图像进行分割处理，得到初步骨骼前景图；

第二关键点检测模块805，用于通过预先训练的第二关键点检测模型对标准骨骼图像进行关键点检测，得到第二目标骨骼关键点；

第二图像姿态矫正模块806，用于根据第二目标骨骼关键点对初步骨骼前景图进行第二姿态矫正处理，得到标准骨骼前景图；

骨龄预测模块807，用于将标准骨骼前景图输入至预先训练的骨龄预测模型进行骨龄预测，得到骨龄预测数据。

该骨龄预测装置的具体实施方式与上述骨龄预测方法的具体实施例基本相同，在此不再赘述。

本申请实施例还提供了一种电子设备，电子设备包括：存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线，程序被处理器执行时实现上述骨龄预测方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。

请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：

处理器901，可以采用通用的CPU(CentralProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；

存储器902，可以采用只读存储器(ReadOnlyMemory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory，RAM)等形式实现。存储器902可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器902中，并由处理器901来调用执行本申请实施例的骨龄预测方法；

输入/输出接口903，用于实现信息输入及输出；

通信接口904，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；

总线905，在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息；

其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。

本申请实施例还提供了一种存储介质，存储介质为计算机可读存储介质，用于计算机可读存储，存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述骨龄预测方法。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

本申请实施例提供的骨龄预测方法、骨龄预测装置、电子设备及存储介质，其通过获取目标骨骼图像，通过预先训练的第一关键点检测模型对目标骨骼图像进行关键点检测，得到第一目标骨骼关键点，并根据第一目标骨骼关键点对目标骨骼图像进行第一姿态矫正处理，得到标准骨骼图像，通过这一方式能够较为准确地对目标骨骼图像进行姿态校正，得到标准骨骼图像，提高了标准骨骼图像的图像质量。进一步地，通过预先训练的图像分割模型对标准骨骼图像进行分割处理，得到初步骨骼前景图，这样一来，能够较为准确地对标准骨骼图像进行分割处理，将与骨龄预测相关性不高的图像数据进行剔除，得到用于骨龄预测的初步骨骼前景图，有效地减少了图像数据量，提高了预测效率。同样地，通过预先训练的第二关键点检测模型对标准骨骼图像进行关键点检测，得到第二目标骨骼关键点，并根据第二目标骨骼关键点对初步骨骼前景图进行第二姿态矫正处理，得到标准骨骼前景图，通过这一方式能够较为准确地对初步骨骼前景图进行姿态校正，得到标准骨骼前景图，提高了标准骨骼前景图的图像质量。最后，将标准骨骼前景图输入至预先训练的骨龄预测模型进行骨龄预测，得到骨龄预测数据，能够提高骨龄预测的准确性。另外，本申请实施例通过第一关键点检测模型、第二关键点检测模型、图像分割模型对目标骨骼图像的图像处理，能够较大程度的提高图像质量，使得输入到骨龄预测模型的标准骨骼前景图能够具有更好的预测效果，也能够较好地提高整个骨龄预测流程的鲁棒性。

本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

本领域技术人员可以理解的是，图1-7中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。

以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。

以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。

Claims (10)

1.一种骨龄预测方法，其特征在于，所述方法包括：

获取目标骨骼图像；

通过预先训练的第一关键点检测模型对所述目标骨骼图像进行关键点检测，得到第一目标骨骼关键点；

根据所述第一目标骨骼关键点对所述目标骨骼图像进行第一姿态矫正处理，得到标准骨骼图像；

通过预先训练的图像分割模型对所述标准骨骼图像进行分割处理，得到初步骨骼前景图；

通过预先训练的第二关键点检测模型对所述标准骨骼图像进行关键点检测，得到第二目标骨骼关键点；

根据所述第二目标骨骼关键点对所述初步骨骼前景图进行第二姿态矫正处理，得到标准骨骼前景图；

将所述标准骨骼前景图输入至预先训练的骨龄预测模型进行骨龄预测，得到骨龄预测数据。

2.根据权利要求1所述的骨龄预测方法，其特征在于，所述获取目标骨骼图像的步骤，包括：

获取原始骨骼图像；

根据预设的尺寸度量参数对所述原始骨骼图像进行缩放处理，得到第一骨骼图像；

对所述第一骨骼图像进行标准化处理，得到第二骨骼图像；

对所述第二骨骼图像进行归一化处理，得到所述目标骨骼图像。

3.根据权利要求1所述的骨龄预测方法，其特征在于，所述第一关键点检测模型包括第一残差网络、第一全局卷积网络和第一局部卷积网络，所述通过预先训练的第一关键点检测模型对所述目标骨骼图像进行关键点检测，得到第一目标骨骼关键点的步骤，包括：

通过所述第一残差网络对所述目标骨骼图像进行特征提取，得到目标骨骼特征图；

通过所述第一全局卷积网络对所述目标骨骼特征图进行图同构处理，得到第一初始骨骼关键点；

通过所述第一局部卷积网络对所述第一初始骨骼关键点进行位置微调，得到所述第一目标骨骼关键点。

4.根据权利要求1所述的骨龄预测方法，其特征在于，所述图像分割模型包括卷积层、第一Transformer层以及图像分割层，所述通过预先训练的图像分割模型对所述标准骨骼图像进行分割处理，得到初步骨骼前景图的步骤，包括：

通过卷积层对所述标准骨骼图像进行卷积处理，得到标准骨骼特征数据；

通过所述第一Transformer层对所述标准骨骼特征数据进行编码处理，得到骨骼特征隐藏向量；

通过所述图像分割层和预设的像素度量参数对所述骨骼特征隐藏向量进行分割处理，得到所述初步骨骼前景图。

5.根据权利要求1所述的骨龄预测方法，其特征在于，所述第二关键点检测模型包括第二残差网络、第二全局卷积网络和第二局部卷积网络，所述通过预先训练的第二关键点检测模型对所述标准骨骼图像进行关键点检测，得到第二目标骨骼关键点的步骤，包括：

通过所述第二残差网络对所述标准骨骼图像进行特征提取，得到标准骨骼特征图；

通过所述第二全局卷积网络对所述标准骨骼特征图进行图同构处理，得到第二初始骨骼关键点；

通过所述第二局部卷积网络对所述第二初始骨骼关键点进行位置微调，得到所述第二目标骨骼关键点。

6.根据权利要求1至5任一项所述的骨龄预测方法，其特征在于，所述骨龄预测模型包括第三残差网络、第二Transformer层以及全连接层，所述将所述标准骨骼前景图输入至预先训练的骨龄预测模型进行骨龄预测，得到骨龄预测数据的步骤，包括：

将所述标准骨骼前景图输入至所述骨龄预测模型中；

通过所述第三残差网络对所述标准骨骼前景图进行特征提取，得到多个标准骨骼前景图像切片；

通过所述第二Transformer层对所述标准骨骼前景图像切片进行编码处理，得到标准骨骼前景特征向量；

通过所述全连接层的预测函数以及预获取到的性别特征向量对所述标准骨骼前景特征向量进行骨龄预测，得到所述骨龄预测数据。

7.根据权利要求6所述的骨龄预测方法，其特征在于，在所述将所述标准骨骼前景图输入至预先训练的骨龄预测模型进行骨龄预测，得到骨龄预测数据的步骤之前，所述方法还包括：

通过网络爬虫的方式获取所述目标骨骼图像对应的用户性别数据；

对所述用户性别数据进行独热编码处理，得到所述性别特征向量。

8.一种骨龄预测装置，其特征在于，所述装置包括：

图像获取模块，用于获取目标骨骼图像；

第一关键点检测模块，用于通过预先训练的第一关键点检测模型对所述目标骨骼图像进行关键点检测，得到第一目标骨骼关键点；

第一图像姿态矫正模块，用于根据所述第一目标骨骼关键点对所述目标骨骼图像进行第一姿态矫正处理，得到标准骨骼图像；

图像分割模块，用于通过预先训练的图像分割模型对所述标准骨骼图像进行分割处理，得到初步骨骼前景图；

第二关键点检测模块，用于通过预先训练的第二关键点检测模型对所述标准骨骼图像进行关键点检测，得到第二目标骨骼关键点；

第二图像姿态矫正模块，用于根据所述第二目标骨骼关键点对所述初步骨骼前景图进行第二姿态矫正处理，得到标准骨骼前景图；

骨龄预测模块，用于将所述标准骨骼前景图输入至预先训练的骨龄预测模型进行骨龄预测，得到骨龄预测数据。

9.一种电子设备，其特征在于，所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现如权利要求1至7任一项所述的骨龄预测方法的步骤。

10.一种存储介质，所述存储介质为计算机可读存储介质，用于计算机可读存储，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1至7中任一项所述的骨龄预测方法的步骤。

Images