CN116542966A - 用于儿童内分泌异常检测的骨龄智能分析方法 - Google Patents

Abstract

本发明涉及图像处理技术领域，具体涉及一种用于儿童内分泌异常检测的骨龄智能分析方法，通过获取骨龄检查拍摄图像的灰度图像，确定各灰度分割阈值以及灰度图像中的各目标像素点；根据各灰度分割阈值对应的二值分割图像，确定各目标像素点对应的消散程度，进而确定各目标像素点对应的目标权重，从而确定目标权重阈值；根据目标权重阈值对应的目标像素点的灰度值，确定最佳分割阈值并对灰度图像进行图像分割，得到灰度分割图像，并基于该灰度分割图像确定对应的骨龄以用于分泌异常检测。本发明通过图像处理技术，可以自适应确定最佳分割阈值，有效保证了骨骼区域的分割效果，解决了儿童骨龄检测不准确的问题。

Description

用于儿童内分泌异常检测的骨龄智能分析方法

技术领域

本发明涉及图像处理技术领域，具体涉及一种用于儿童内分泌异常检测的骨龄智能分析方法。

背景技术

内分泌异常是指人体内分泌系统中某些激素分泌量过多或过少，医学部门通常通过比较儿童的骨龄和实际年龄来判断儿童是否内分泌失常，其中儿童的骨龄往往根据骨龄X光图像来确定。在通过骨龄X光图像确定儿童的骨龄的过程中，首先需对骨龄X光图像进行预处理，获取其骨头区域的灰度图像，然后对灰度图像进行图像分割以获取对应的骨骼区域图像，并根据骨骼区域图像中的桡骨区域确定儿童骨龄。

传统的图像分割主要包括阈值分割、边缘检测等，其中阈值分割方法作为图像分割的经典方法，是根据目标与背景在灰度值上的差异，利用灰度阈值将目标和背景分离开来。但是当采用阈值分割方法对骨龄X光图像的灰度图像进行分割时，由于灰度图像中背景区域为黑色，而包含有肌肉组织、指骨、掌骨、尺骨和桡骨等不同类型骨骼的手部区域偏白色，且肌肉组织和骨骼的灰度差异比较小，因此通过大津阈值算法往往难以确定合适的灰度阈值，当灰度阈值确定的较大或者较小时，均会影响骨骼区域的分割效果，从而导致儿童骨龄检测不准确，最终影响儿童内分泌异常检测结果。

发明内容

本发明的目的在于提供一种用于儿童内分泌异常检测的骨龄智能分析方法，用于解决现有由于骨骼区域分割效果差进而导致儿童骨龄检测不准确的问题。

为解决上述技术问题，本发明提供了一种用于儿童内分泌异常检测的骨龄智能分析方法，包括以下步骤：

获取骨龄检查拍摄图像的灰度图像，根据所述灰度图像中像素点的灰度值，确定至少两个灰度分割阈值以及灰度图像中的各个目标像素点，其中，根据所述灰度图像中的像素点，确定灰度值等级数据点，并根据所述灰度图像中灰度值等级数据点的灰度值等级的最大值、最小值和设定的灰度步长，确定至少两个灰度分割阈值；

利用每个所述灰度分割阈值对所述灰度图像进行二值分割，从而得到每个所述灰度分割阈值对应的二值分割图像；

根据所述灰度图像中每个所述目标像素点在各个所述二值分割图像中相同位置的像素点的像素值，确定每个所述目标像素点对应的消散程度；

根据每个所述目标像素点对应的消散程度和灰度值，确定每个所述目标像素点对应的目标权重，并根据所述目标权重，确定目标权重阈值；

根据目标权重阈值对应的目标像素点的灰度值，确定最佳分割阈值，并利用所述最佳分割阈值对所述灰度图像进行图像分割，得到灰度分割图像；

根据所述灰度分割图像，确定所述骨龄检查拍摄图像对应的骨龄以用于分泌异常检测。

进一步的，确定每个所述目标像素点对应的目标权重，包括：

根据每个所述目标像素点对应的消散程度，对同一消散程度对应的目标像素点的数量进行统计，确定各个所述消散程度对应的目标像素点的数量；

以各个所述消散程度为横坐标，并以各个所述消散程度对应的目标像素点的数量为纵坐标，构造消散程度变化曲线，并确定所述消散程度变化曲线上各个所述消散程度的斜率值；

根据每个所述目标像素点对应的灰度值以及每个所述目标像素点对应的所述消散程度的斜率值，确定每个所述目标像素点对应的目标权重。

进一步的，确定每个所述目标像素点对应的目标权重对应的计算公式为：

、

其中，g为每个所述目标像素点对应的目标权重，为每个所述目标像素点对应的灰度值，/>为所有所述灰度分割阈值中的最小值，/>为所有所述灰度分割阈值中的最大值，k为每个所述目标像素点对应的所述消散程度的斜率值，/>为以自然常数e为底数的指数函数，| |为取绝对值符号。

进一步的，确定每个所述目标像素点对应的消散程度，包括：

确定所述灰度图像中每个所述目标像素点在各个所述二值分割图像中相同位置的像素点的像素值的累加和，对所述累加和进行负相关归一化，并将负相关归一化结果确定为每个所述目标像素点对应的消散程度。

进一步的，对所述累加和进行负相关归一化对应的计算公式为：

、

其中，c为所述灰度图像中每个所述目标像素点对应的所述累加和的负相关归一化结果，F为所述灰度图像中每个所述目标像素点对应的所述累加和，d为所述二值分割图像的数目。

进一步的，确定目标权重阈值，包括：

利用所述目标权重作为阈值将所有所述目标权重划分为两部分，将满足两部分的目标权重的类间方差最大的目标权重确定为目标权重阈值。

进一步的，根据所述灰度图像中的像素点，确定灰度值等级数据点，并根据所述灰度图像中灰度值等级数据点的灰度值等级的最大值、最小值和设定的灰度步长，确定至少两个灰度分割阈值，包括：

根据所述灰度图像中像素点的灰度值，对同一灰度值等级对应的像素点的数目进行统计，确定各个灰度值等级对应的像素点的数目；

根据各个灰度值等级及其对应的像素点的数目确定各个灰度值等级数据点，所述灰度值等级数据点的横坐标根据所述灰度值等级确定，所述灰度值等级数据点的纵坐标根据所述灰度值等级对应的像素点的数目确定；

根据各个所述灰度值等级数据点，构造灰度值等级变化曲线，确定所述灰度值等级变化曲线的各个极小值，并将所述各个极小值中的最小值确定为目标极小值；

根据所述目标极小值的横坐标，确定首个灰度分割阈值，以所述首个灰度分割阈值为基础，按照设定灰度步长进行增长，每增长一次得到一个灰度分割阈值，直至增长后得到的灰度分割阈值大于或者等于所述灰度图像中像素点的灰度值中的最大值。

进一步的，确定灰度图像中的各个目标像素点，包括：

将灰度值大于首个灰度分割阈值对应的像素点确定为灰度图像中的各个目标像素点。

进一步的，确定最佳分割阈值，包括：

根据目标权重阈值对应的目标像素点的灰度值，确定每种灰度值对应的目标像素点的数量；

利用所述目标灰度值作为阈值将所述目标权重阈值对应的目标像素点的灰度值划分为两部分，将满足两部分的灰度值对应的目标像素点的数量的类间方差最大的目标灰度值，确定为最佳分割阈值。

进一步的，确定所述骨龄检查拍摄图像对应的骨龄，包括：

将所述灰度分割图像输入到预先获取的桡骨获取神经网络，由所述桡骨获取神经网络输出所述灰度分割图像对应的桡骨图像；

确定所述桡骨图像与各种骨龄对应的标准桡骨图像之间的相似度，并将最大的相似度对应的骨龄确定为所述骨龄检查拍摄图像对应的骨龄。

本发明具有如下有益效果：本发明通过获取骨龄检查拍摄图像的灰度图像，并对该灰度图像进行相应的处理，可以自适应确定最佳分割阈值，当采用该最佳分割阈值对灰度图像进行分割时，有效保证了骨骼区域的分割效果，解决了儿童骨龄检测不准确的问题。具体的，根据灰度图像中像素点的灰度值，确定多个灰度分割阈值，以便于后续对灰度图像中的像素点的消散情况进行考察，同时为了避免背景区域像素点的影响，确定灰度图像中的各个目标像素点。对灰度图像中每个目标像素点的灰度在不同分割阈值对应的二值分割图像中的消散情况进行分析，确定每个目标像素点的消散程度，该消散程度用于对目标像素点的灰度值大小进行区分，表征了目标像素点消散的难以程度。然后统筹考虑每个目标像素点对应的消散程度和灰度值，为每个目标像素点赋予目标权重，该目标权重表征了对应目标像素点属于骨骼区域的可能性大小，进而结对所有目标像素点的目标权重进行分析，确定其中的目标权重阈值，该目标权重阈值对应的目标像素点的灰度值中的存在最佳分割阈值，该最佳分割阈值可以尽可能的将骨骼和肌肉区域区分开。因此通过对目标权重阈值对应的目标像素点的灰度值进行分析，筛选出该最佳分割阈值并对灰度图像进行图像分割，最终得到灰度分割图像，进而准确确定骨龄检查拍摄图像对应的骨龄以用于分泌异常检测。由于本发明通过确定灰度图像中的各个目标像素点对应的消散程度，并结合各个目标像素点的灰度值，可以准确确定各个目标像素点对应的目标权重，进而可以自适应准确确定最佳分割阈值，有效保证了骨骼区域的分割效果，从而提高了儿童骨龄检测的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明实施例的用于儿童内分泌异常检测的骨龄智能分析方法的流程图；

图2为本发明实施例的一个消散程度变化曲线的变化示意图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

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发明的技术领域的技术人员通常理解的含义相同。另外，本文所涉及公式中的所有参数或者指标均为归一化之后的消除了量纲影响的数值。

本实施例提供了一种用于儿童内分泌异常检测的骨龄智能分析方法，该方法对应的流程图如图1所示，包括以下步骤：

步骤S1：获取骨龄检查拍摄图像的灰度图像，根据所述灰度图像中像素点的灰度值，确定至少两个灰度分割阈值以及灰度图像中的各个目标像素点。

当需要对儿童骨龄进行检测以实现儿童内分泌异常检测时，首先需要采集儿童手部的X光图像，该X光图像也可称为骨龄检查拍摄图像。由于儿童骨龄通常是根据桡骨的融合程度与桡骨的面积来确定，因此在进行儿童手部的X光图像的采集时，需要调整儿童手部的位姿，以避免由于位姿不正导致的桡骨畸变现象。

在获取到儿童手部的X光图像也就是骨龄检查拍摄图像之后，对该骨龄检查拍摄图像进行灰度转换，从而得到灰度图像。图像的灰度转换过程属于现有技术，此处不再赘述。由于该灰度图像中通常含有噪声，可选择地，可以采用现有技术中合适的图像去噪方法对该灰度图像进行去噪处理，从而得到去噪处理后的灰度图像，后续内容所涉及到的灰度图像均是指该去噪处理后的灰度图像。

对去噪处理后的灰度图像中像素点的灰度值进行分析，根据灰度图像中的像素点，确定灰度值等级数据点，并根据灰度图像中灰度值等级数据点的灰度值等级的最大值、最小值和设定的灰度步长，确定至少两个灰度分割阈值，实现步骤包括：

根据所述灰度图像中像素点的灰度值，对同一灰度值等级对应的像素点的数目进行统计，确定各个灰度值等级对应的像素点的数目；

根据各个灰度值等级及其对应的像素点的数目确定各个灰度值等级数据点，所述灰度值等级数据点的横坐标根据所述灰度值等级确定，所述灰度值等级数据点的纵坐标根据所述灰度值等级对应的像素点的数目确定；

根据各个所述灰度值等级数据点，构造灰度值等级变化曲线，确定所述灰度值等级变化曲线的各个极小值，并将所述各个极小值中的最小值确定为目标极小值；

根据所述目标极小值的横坐标，确定首个灰度分割阈值，以所述首个灰度分割阈值为基础，按照设定灰度步长进行增长，每增长一次得到一个灰度分割阈值，直至增长后得到的灰度分割阈值大于或者等于所述灰度图像中像素点的灰度值中的最大值。

具体的，考虑到手部的骨骼和肌肉具有不同的密度和组织结构，因此X光在骨骼和肌肉间的透射率不同。骨骼是由钙盐和其他矿物质组成的坚硬组织，因此X光在骨骼中的透射率较低，通常呈现出白色或浅灰色。相反，肌肉是由柔软的肌肉纤维和其他软组织组成，因此X光在肌肉中的透射率较高，通常呈现出较暗的灰色。因此，可以通过不同的阈值对灰度图像进行阈值分割，后续基于分割结果获取像素点的消散程度，以对肌肉组合和骨骼进行区分，进而最终自适应确定最佳分割阈值。

基于上述分析，根据灰度图像中像素点的灰度值，构建该灰度图像对应的直方图，该直方图的横坐标表示的是灰度图像中出现的各个灰度值等级，纵坐标表示的是灰度图像中的各个灰度值等级对应的统计频率。由于灰度图像中大面积的背景为黑色，而黑色背景不具备参考价值，因此在确定灰度分割阈值时需要大于黑色背景，以减小计算量。因而根据直方图中的每个灰度值等级及其对应的统计频率对应确定一个灰度值等级数据点，该灰度值等级数据点的横坐标为每个灰度值等级，纵坐标为每个灰度值等级对应的统计频率。对直方图中的各个灰度值等级数据点进行曲线拟合，从而得到灰度值等级变化曲线。当然，作为其他的实施方式，在确定灰度值等级变化曲线时，也可以根据直方图中的每个灰度值等级及其对应的统计频次确定一个灰度值等级数据点，此时该灰度值等级数据点的横坐标为每个灰度值等级，纵坐标为每个灰度值等级对应的统计频次，也就是每个灰度值等级对应的像素点的数目。

在确定灰度值等级变化曲线之后，确定该曲线上的各个极小值，这里的极小值是指纵坐标小于其左右相邻的两个灰度值等级数据点的纵坐标的灰度值等级数据点的纵坐标。确定各个极小值中的最小值，若该最小值对应一个灰度值等级，则直接将该对应的灰度值等级作为首个灰度分割阈值；若该最小值对应多个灰度值等级，则将选择最靠近直方图左侧也就是最趋近于0的一个灰度值等级作为首个灰度分割阈值。

在确定首个灰度分割阈值之后，将该首个灰度分割阈值记为，在该首个灰度分割阈值/>的基础上每次以设定灰度步长b进行递增，每递增一次得到一个灰度分割阈值，当达到灰度图像中的最大灰度值时停止，并将得到的最大的灰度分割阈值记为/>，该最大的灰度分割阈值/>大于或者等于灰度图像中的最大灰度值。该设定灰度步长可以根据经验进行确定，本实施例设置该设定灰度步长b的取值为3。例如，当首个灰度分割阈值的取值为25时，则第二个灰度分割阈值为28，第三个灰度分割阈值为31，以此类推，若灰度图像中的最大灰度值为201，在首个灰度分割阈值25的基础上，每次以设定灰度步长3进行58次递增所得到的灰度分割阈值为199，此时继续进行递增得到灰度分割阈值202，该灰度分割阈值202即为最大的灰度分割阈值/>。

按照上述的方式，可以确定多个灰度分割阈值。之后为排除灰度图像中背景像素点的影响，确定灰度图像中有分析价值的像素点，从而便于后续确定灰度图像的最佳分割阈值，实现步骤包括：将所述灰度图像中像素点的灰度值与所述首个灰度分割阈值进行比较，并将灰度值大于所述首个灰度分割阈值对应的像素点确定为灰度图像中的各个目标像素点。也就是说，将灰度图像中灰度值大于首个灰度分割阈值记为的像素点作为目标像素点，从而得到各个目标像素点。

步骤S2：利用每个所述灰度分割阈值对所述灰度图像进行二值分割，从而得到每个所述灰度分割阈值对应的二值分割图像。

基于上述步骤所获取的各个灰度分割阈值，利用每个灰度分割阈值对灰度图像进行二值分割，将灰度图像中灰度值大于灰度分割阈值的像素点的像素值设置为1，并将灰度值小于或者等于灰度分割阈值的像素点的像素值设置为0，从而得到每个灰度分割阈值对应的二值分割图像。

步骤S3：根据所述灰度图像中每个所述目标像素点在各个所述二值分割图像中相同位置的像素点的像素值，确定每个所述目标像素点对应的消散程度。

随着灰度分割阈值的增大，肌肉区域中的像素点逐渐消散，骨骼区域的像素点保留，随着灰度分割阈值的继续增大，骨骼区域的像素点也随着消散，最终直至所有像素点均消散。基于这种现象，根据不同灰度分割阈值对应的二值分割图像，对不同灰度分割阈值下不同目标像素点的消散情况进行分析，即仅对灰度值大于首个灰度分割阈值的像素点的消散情况进行分析，可以确定不同目标像素点对应的消散程度，实现步骤包括：

确定所述灰度图像中每个所述目标像素点在各个所述二值分割图像中相同位置的像素点的像素值的累加和，对所述累加和进行负相关归一化，并将负相关归一化结果确定为每个所述目标像素点对应的消散程度。

可选择的，对所述累加和进行负相关归一化也就是每个目标像素点对应的消散程度对应的计算公式为：

、

其中，c为所述灰度图像中每个所述目标像素点对应的所述累加和的负相关归一化结果，也就是所述灰度图像中每个所述目标像素点对应的消散程度，F为所述灰度图像中每个所述目标像素点对应的所述累加和，d为所述二值分割图像的数目，为所述灰度图像中每个所述目标像素点在第i个二值分割图像中相同位置的像素点的像素值。

在上述的灰度图像中每个目标像素点对应的消散程度c的计算公式中，表示每个目标像素点在第i个二值分割图像中对应位置的像素值，其对应的取值为0或者1，当该目标像素点在二值分割图像中对应位置的像素值为1的情况越多时，说明该目标像素点的灰度值越大，该目标像素点越不容易消散，其对应的消散程度越小，反之则说明该目标像素点的灰度值越小，该目标像素点越容易消散，其对应的消散程度越大。

步骤S4：根据每个所述目标像素点对应的消散程度和灰度值，确定每个所述目标像素点对应的目标权重，并根据所述目标权重，确定目标权重阈值。

由于肌肉是由柔软的肌肉纤维和其他软组织组成，因此X光在肌肉中的透射率较高，所以肌肉区域的灰度梯度较小，且肌肉区域像素点的灰度分布较为分散，而骨骼是由钙盐和其他矿物质组成的坚硬组织，因此X光在骨骼中的透射率较低，因而骨骼区域的灰度梯度较大，且骨骼区域像素点的灰度分布较为集中，因此像素点在消散时，隶属于肌肉组织的像素点整体消散较为缓慢，而骨骼区域整体消散较为迅速。

基于上述特点，可以根据每个目标像素点对应的消散程度，构造消散程度变化曲线，以对目标像素点整体的消散情况进行分析，避免对单个目标像素点对应的消散程度进行分析时所造成的误判断现象，如单个目标像素点有可能为噪声像素点，同时结合每个目标像素点的灰度值，为每个目标像素点赋予不同的权重，从而便于后续确定最佳分割阈值，实现步骤包括：

根据每个所述目标像素点对应的消散程度，对同一消散程度对应的目标像素点的数量进行统计，确定各个所述消散程度对应的目标像素点的数量；

以各个所述消散程度为横坐标，并以各个所述消散程度对应的目标像素点的数量为纵坐标，构造消散程度变化曲线，并确定所述消散程度变化曲线上各个所述消散程度的斜率值；

根据每个所述目标像素点对应的灰度值以及每个所述目标像素点对应的所述消散程度的斜率值，确定每个所述目标像素点对应的目标权重。

具体的，根据每个目标像素点对应的消散程度，构造消散程度变化曲线，该消散程度变化曲线的横坐标表示消散程度，纵坐标表示消散程度对应的目标像素点的数量。为了便于理解，图2给出了一个消散程度变化曲线的变化示意图。确定该消散程度变化曲线上每个点对应的切线，从而可以确定各个目标像素点对应的消散程度处切线的斜率，并结合各个目标像素点的灰度值，确定该任意一个目标像素点对应的目标权重，对应的计算公式为：

、

其中，g为每个所述目标像素点对应的目标权重，为每个所述目标像素点对应的灰度值，/>为所有所述灰度分割阈值中的最小值，/>为所有所述灰度分割阈值中的最大值，k为每个所述目标像素点对应的所述消散程度的斜率值，/>为以自然常数e为底数的指数函数，| |为取绝对值符号。

在上述的每个目标像素点对应的目标权重g的计算公式中，所有灰度分割阈值中的最大值和最小值/>用于对目标像素点的灰度值/>进行归一化处理，从而使归一化后的目标像素点的灰度值/>的取值范围为0-1。作为其他的实施例方式，也可以采用灰度值的最大取值255和最小取值0对目标像素点的灰度值/>进行归一化处理。由于骨骼区域像素点的灰度分布较为密集，即对应灰度级的像素点数量多，相邻灰度级像素点数量变化较快，因此对于骨骼区域中的像素点，相邻消散程度的像素点的个数相差较大，所以消散程度对应的斜率值较大，对应像素点消散的越快，因此当目标像素点对应的消散程度的斜率值的绝对值/>越大，且同时该目标像素点的灰度值越大时，表明对应目标像素点越可能为骨骼区域，其对应的目标权重的取值就越大。由于肌肉区域像素点的灰度分布较为离散，因此对于肌肉区域中的像素点，相邻消散程度的像素点的个数是相近的，所以消散程度对应的斜率值较小，对应像素点消散的越缓慢，因此当目标像素点对应的消散程度的斜率值的绝对值/>越小，且同时该目标像素点的灰度值越小时，表明对应目标像素点越可能为肌肉组织区域，其对应的目标权重的取值就越小。

通过上述方式可以确定每个目标像素点对应的目标权重，目标权重大的像素点更有可能为骨骼区域的像素点，目标权重小的像素点更有可能为肌肉区域的像素点，故可以根据目标权重的分布获取目标权重阈值，实现步骤包括：根据各个所述目标像素点对应的目标权重，将所有所述目标权重中满足设置条件的目标权重确定为目标权重阈值，所述设置条件为：当利用所述目标权重作为阈值将所有所述目标权重划分为两部分时，满足两部分的目标权重的类间方差最大。也就是，以一个目标权重为阈值，将所有目标权重分为两部分，计算两部分目标权重的类间方差，当类间方差最大时所对应的阈值即为目标权重阈值，该目标权重阈值对应的目标像素点的灰度值最有可能为最佳的分割阈值。也就是，利用所述目标权重作为阈值将所有所述目标权重划分为两部分，将满足两部分的目标权重的类间方差最大的目标权重确定为目标权重阈值。在本实施例中，为了确定目标权重阈值，根据各个所述目标像素点对应的目标权重，利用大津阈值算法确定目标权重中的目标权重阈值。由于计算两部分目标权重的类间方差的具体实现过程属于现有技术，此处不再赘述。

步骤S5：根据目标权重阈值对应的目标像素点的灰度值，确定最佳分割阈值，并利用所述最佳分割阈值对所述灰度图像进行图像分割，得到灰度分割图像。

由于目标权重阈值对应的目标像素点的灰度值存在多个，这些灰度值中的某一个值可以尽可能的将骨骼和肌肉区域区分开，确定该某一个值也就是最佳分割阈值的步骤为：

根据目标权重阈值对应的目标像素点的灰度值，对每种灰度值对应的目标像素点的数量进行统计，确定每种灰度值对应的目标像素点的数量；

将所述目标权重阈值对应的目标像素点的灰度值中满足设定条件的目标灰度值确定为最佳分割阈值，所述设定条件为：当利用所述目标灰度值作为阈值将所述目标权重阈值对应的目标像素点的灰度值划分为两部分时，满足两部分的灰度值对应的目标像素点的数量的类间方差最大。也就是，利用所述目标灰度值作为阈值将所述目标权重阈值对应的目标像素点的灰度值划分为两部分，将满足两部分的灰度值对应的目标像素点的数量的类间方差最大的目标灰度值，确定为最佳分割阈值。

具体的，根据目标权重阈值对应的目标像素点的灰度值，确定统计直方图，该统计直方图的横轴表示灰度值，纵轴表示每种灰度值对应的目标像素点的数量。然后利用最大类间方差法对该统计直方图进行计算，即将统计直方图中的某一灰度值作为阈值，该阈值将统计直方图中的灰度值分为两部分，根据两部分的灰度值对应的目标像素点的数量，计算两部分的类间方差，当两部分的类间方差最大时，则将对应的灰度值确定为最佳分割阈值。由于两部分的类间方差的具体计算过程属于现有技术，此处不再赘述。

在确定最佳分割阈值之后，利用该最佳分割阈值对灰度图像进行图像分割，即将灰度图像中灰度值大于该最佳分割阈值的像素点的像素值设置为1，同时将灰度值小于或者等于该最佳分割阈值的像素点的像素值设置为0，从而得到一个二值图像，将该二值图像与灰度图像相乘，最终得到灰度分割图像。

步骤S6：根据所述灰度分割图像，确定所述骨龄检查拍摄图像对应的骨龄以用于分泌异常检测。

基于上述步骤所获取的灰度分割图像，获取桡骨图像，进而确定骨龄检查拍摄图像对应的骨龄，实现步骤包括：

将所述灰度分割图像输入到预先获取的桡骨获取神经网络，由所述桡骨获取神经网络输出所述灰度分割图像对应的桡骨图像；

确定所述桡骨图像与各种骨龄对应的标准桡骨图像之间的相似度，并将最大的相似度对应的骨龄确定为所述骨龄检查拍摄图像对应的骨龄。

具体的，预先构建并训练桡骨获取神经网络，该桡骨获取神经网络的重点任务是像素点类型分类，即将灰度分割图像中的所有像素点分类成桡骨像素点和背景像素点，并输出桡骨像素点区域对应的桡骨图像。该桡骨获取神经网络在进行训练时所采用的训练数据集为大量的儿童手部的X光图像按照上述步骤所获取的灰度分割图像，这些大量的儿童手部的X光图像对应的儿童年龄段为多种多样。对这些训练数据集标注单通道的语义标签，将属于背景类的像素点的标签标注为0，并将属于桡骨的像素点的标签标注1。该桡骨获取神经网络在进行训练时所采用的损失函数为交叉熵损失函数。由于构建以及训练该桡骨获取神经网络的具体实现过程属于现有技术，此处不再赘述。

将通过上述步骤所获取到的灰度分割图像输入到上述所构建并训练好的桡骨获取神经网络中，由该桡骨获取神经网络输出该灰度分割图像中桡骨区域对应的桡骨图像。然后将该桡骨图像与各个桡骨等级对应的标准桡骨图像进行匹配，确定该桡骨图像与各个桡骨等级对应的标准桡骨图像之间的相似度，并确定最大的相似度所对应的桡骨等级。由于两个图像进行匹配并确定相似度的具体实现过程属于现有技术，此处不再赘述。如下表1所示，由于每个桡骨等级均有其对应的骨龄，因此将最大的相似度所对应的桡骨等级所对应的骨龄确定为该骨龄检查拍摄图像对应的骨龄。

表1

、

在确定骨龄检查拍摄图像对应的骨龄之后，后续将该骨龄与儿童的实际年龄进行比较以进行内分泌异常判断，若该骨龄与儿童的实际年龄不符合，则判定存在内分泌异常，否则判定不存在内分泌异常。

需要说明的是：以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (5)

1.用于儿童内分泌异常检测的骨龄智能分析方法，其特征在于，包括以下步骤：

获取骨龄检查拍摄图像的灰度图像，根据所述灰度图像中像素点的灰度值，确定至少两个灰度分割阈值以及灰度图像中的各个目标像素点，包括：根据所述灰度图像中的像素点，确定灰度值等级数据点，并根据所述灰度图像中灰度值等级数据点的灰度值等级的最大值、最小值和设定的灰度步长，确定至少两个灰度分割阈值；将灰度值大于首个灰度分割阈值对应的像素点确定为灰度图像中的各个目标像素点；

利用每个所述灰度分割阈值对所述灰度图像进行二值分割，从而得到每个所述灰度分割阈值对应的二值分割图像；

根据所述灰度图像中每个所述目标像素点在各个所述二值分割图像中相同位置的像素点的像素值，确定每个所述目标像素点对应的消散程度，包括：确定所述灰度图像中每个所述目标像素点在各个所述二值分割图像中相同位置的像素点的像素值的累加和，对所述累加和进行负相关归一化，并将负相关归一化结果确定为每个所述目标像素点对应的消散程度；

根据每个所述目标像素点对应的消散程度和灰度值，确定每个所述目标像素点对应的目标权重，并根据所述目标权重，确定目标权重阈值，其中，确定每个所述目标像素点对应的目标权重，包括：

根据每个所述目标像素点对应的消散程度，对同一消散程度对应的目标像素点的数量进行统计，确定各个所述消散程度对应的目标像素点的数量；

以各个所述消散程度为横坐标，并以各个所述消散程度对应的目标像素点的数量为纵坐标，构造消散程度变化曲线，并确定所述消散程度变化曲线上各个所述消散程度的斜率值；

根据每个所述目标像素点对应的灰度值以及每个所述目标像素点对应的所述消散程度的斜率值，确定每个所述目标像素点对应的目标权重；

确定目标权重阈值，包括：利用所述目标权重作为阈值将所有所述目标权重划分为两部分，将满足两部分的目标权重的类间方差最大的目标权重确定为目标权重阈值；

根据目标权重阈值对应的目标像素点的灰度值，确定最佳分割阈值，并利用所述最佳分割阈值对所述灰度图像进行图像分割，得到灰度分割图像，其中，确定最佳分割阈值包括：根据目标权重阈值对应的目标像素点的灰度值，确定每种灰度值对应的目标像素点的数量；利用所述目标灰度值作为阈值将所述目标权重阈值对应的目标像素点的灰度值划分为两部分，将满足两部分的灰度值对应的目标像素点的数量的类间方差最大的目标灰度值，确定为最佳分割阈值；

根据所述灰度分割图像，确定所述骨龄检查拍摄图像对应的骨龄以用于分泌异常检测。

2.根据权利要求1所述的用于儿童内分泌异常检测的骨龄智能分析方法，其特征在于，确定每个所述目标像素点对应的目标权重对应的计算公式为：

其中，g为每个所述目标像素点对应的目标权重，为每个所述目标像素点对应的灰度值，/>为所有所述灰度分割阈值中的最小值，/>为所有所述灰度分割阈值中的最大值，k为每个所述目标像素点对应的所述消散程度的斜率值，/>为以自然常数e为底数的指数函数，| |为取绝对值符号。

3.根据权利要求1所述的用于儿童内分泌异常检测的骨龄智能分析方法，其特征在于，对所述累加和进行负相关归一化对应的计算公式为：

其中，c为所述灰度图像中每个所述目标像素点对应的所述累加和的负相关归一化结果，F为所述灰度图像中每个所述目标像素点对应的所述累加和，d为所述二值分割图像的数目。

4.根据权利要求1所述的用于儿童内分泌异常检测的骨龄智能分析方法，其特征在于，根据所述灰度图像中的像素点，确定灰度值等级数据点，并根据所述灰度图像中灰度值等级数据点的灰度值等级的最大值、最小值和设定的灰度步长，确定至少两个灰度分割阈值，包括：

根据所述灰度图像中像素点的灰度值，对同一灰度值等级对应的像素点的数目进行统计，确定各个灰度值等级对应的像素点的数目；

根据各个灰度值等级及其对应的像素点的数目确定各个灰度值等级数据点，所述灰度值等级数据点的横坐标根据所述灰度值等级确定，所述灰度值等级数据点的纵坐标根据所述灰度值等级对应的像素点的数目确定；

根据各个所述灰度值等级数据点，构造灰度值等级变化曲线，确定所述灰度值等级变化曲线的各个极小值，并将所述各个极小值中的最小值确定为目标极小值；

根据所述目标极小值的横坐标，确定首个灰度分割阈值，以所述首个灰度分割阈值为基础，按照设定灰度步长进行增长，每增长一次得到一个灰度分割阈值，直至增长后得到的灰度分割阈值大于或者等于所述灰度图像中像素点的灰度值中的最大值。

5.根据权利要求1所述的用于儿童内分泌异常检测的骨龄智能分析方法，其特征在于，确定所述骨龄检查拍摄图像对应的骨龄，包括：

将所述灰度分割图像输入到预先获取的桡骨获取神经网络，由所述桡骨获取神经网络输出所述灰度分割图像对应的桡骨图像；

确定所述桡骨图像与各种骨龄对应的标准桡骨图像之间的相似度，并将最大的相似度对应的骨龄确定为所述骨龄检查拍摄图像对应的骨龄。