TWI684997B - 骨齡評估與身高預測模型之建立方法、骨齡評估與身高預測系統及骨齡評估與身高預測方法 - Google Patents
骨齡評估與身高預測模型之建立方法、骨齡評估與身高預測系統及骨齡評估與身高預測方法 Download PDFInfo
- Publication number
- TWI684997B TWI684997B TW107126751A TW107126751A TWI684997B TW I684997 B TWI684997 B TW I684997B TW 107126751 A TW107126751 A TW 107126751A TW 107126751 A TW107126751 A TW 107126751A TW I684997 B TWI684997 B TW I684997B
- Authority
- TW
- Taiwan
- Prior art keywords
- bone
- image data
- ray image
- height
- hand
- Prior art date
Links
Images
Classifications
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Radiology & Medical Imaging (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本發明提供一種骨齡評估與身高預測系統,包含一影像擷取單元以及一非暫態機器可讀媒體。影像擷取單元用以取得一受試者的一目標手骨X光影像資料。非暫態機器可讀媒體用以儲存一程式,當程式由處理單元執行時用以判斷受試者之手骨發育狀態、骨齡和預測受試者之成年身高。藉此,本發明之骨齡評估與身高預測系統可有效提升骨齡評估及身高預測的準確度與敏感度,並可縮短骨齡評估及身高預測的判定時間。
Description
本發明是有關於一種醫療資訊分析模型、系統以及方法,特別是一種骨齡評估與身高預測模型、骨齡評估與身高預測系統以及骨齡評估與身高預測方法。
骨骼年齡為人體生理年齡的重要指標之一,其透過骨骼的生長、發育、成熟、衰老的規律來推斷人體的生理年齡。骨齡評估(bone age assessment,BAA)為小兒科醫師常用以判讀兒童生長發育的常規檢查,其透過分析不同生長階段時骨骼的不同型態表現,並參照人體骨骼之連續性與階段性的發育狀態,進而準確地評估個體的生長發育水平和成熟程度,並可進一步評估與預測受試兒童的生長發育潛力以及性成熟的趨勢。
習知的骨齡評估方式係利用低劑量的X光攝影方式取得受試者之左手或右手的指骨、掌骨與腕骨的X光影像,並將前述之X光影像透過Greulich and Pyle(G-P)方
法與Tanner-Whitehouse(TW)方法而以圖譜比對的方式進行骨齡評估。G-P方法在操作上係以人工方式將受試者手骨的原始X光影像與資料庫中的手骨X光片影像依據不同年齡區間進行一對一的比對,而TW方法則是取左手掌與左手腕的手骨X光影像中二十個感興趣區域(Regions of Interests,ROI)進行逐一比對分析,並將手骨的發育狀況分成九個成熟等級,以進行後續的評估。然而,當使用G-P方法進行骨齡評估時,同一受試者的骨齡評估結果容易因為不同分析者的不同比對習慣而有所不同,而利用TW方法進行骨齡評估時所得之骨齡評估結果雖較為客觀,但因所需評分的骨頭較多,過程也較為繁瑣耗時,並無法在短時間內對受試者手骨的原始X光影像進行分析並即時獲得相應之骨齡評估結果。
因此,如何發展出一種具有高度準確率及快速檢測之骨齡評估及身高預測系統,實為一具有商業價值之技術課題。
本發明之一態樣是在於提供一種骨齡評估與身高預測模型,包含以下建立步驟:取得一參照資料庫、進行一影像前處理步驟、進行一特徵選取步驟以及進行一訓練步驟。所述之參照資料庫包含一骨齡身高圖譜資料集合及複數個參照手骨X光影像資料,其中各參照手骨X光影像資料包含一生理年齡資訊以及一性別資訊。所述之影像前處理步驟
係利用一影像資料編輯模組調整各參照手骨X光影像資料的一影像大小及一影像黑白對比度,以取得複數個標準化手骨X光影像資料。所述之特徵選取步驟係利用一特徵選取模組分析標準化手骨X光影像資料後以得至少一影像特徵值。所述之訓練步驟係將所述之影像特徵值透過一卷積神經網路學習分類器進行訓練而達到收斂,以得骨齡評估與身高預測模型,其中骨齡評估與身高預測模型係用以判斷受試者之一手骨發育狀態、受試者之一骨齡以及預測受試者之一成年身高。
依據前述之骨齡評估與身高預測模型,其中卷積神經網路學習分類器可為Inception-ResNet-v2卷積神經網路。
依據前述之骨齡評估與身高預測模型,其中參照手骨X光影像資料的影像格式可為數位醫療影像儲存標準協定(Digital Imaging and Communications in Medicine,DICOM)之影像格式。
依據前述之骨齡評估與身高預測模型,其中影像前處理步驟可更對各參照手骨X光影像資料進行一影像色度擴展處理。
依據前述之骨齡評估與身高預測模型,其中骨齡身高圖譜資料集合可包含一男性骨齡身高圖譜資料子集合及一女性骨齡身高圖譜資料子集合。
依據前述之骨齡評估與身高預測模型,其中各參照手骨X光影像資料可為一非慣用手之參照手骨X光影像資料。
本發明之另一態樣是在於提供一種骨齡評估與身高預測方法,其包含下述步驟。提供一如前段所述之骨齡評估與身高預測模型。提供一受試者之一目標手骨X光影像資料,其中前述之目標手骨X光影像資料包含一生理年齡資訊以及一性別資訊。對目標手骨X光影像資料進行前處理,其係利用前述之影像資料編輯模組調整目標手骨X光影像資料的一影像大小及一影像黑白對比度,以取得一標準化目標手骨X光影像資料。利用前述之特徵選取模組分析標準化目標手骨X光影像資料後以得至少一影像特徵值。利用前述之骨齡評估與身高預測模型分析所述之影像特徵值,以判斷受試者之一手骨發育狀態、受試者之一骨齡以及預測受試者之一成年身高。
依據前述之骨齡評估與身高預測方法,其中目標手骨X光影像資料的影像格式可為數位醫療影像儲存標準協定之影像格式。
依據前述之骨齡評估與身高預測方法,其中影像資料編輯模組可更對目標手骨X光影像資料進行一影像色度擴展處理。
依據前述之骨齡評估與身高預測方法,其中前述之目標手骨X光影像資料可為一非慣用手之目標手骨X光影像資料。
本發明之又一態樣是在於提供一種骨齡評估與身高預測系統,包含一影像擷取單元以及一非暫態機器可讀媒體。影像擷取單元用以取得一受試者的一目標手骨X光影像資料,其中前述之目標手骨X光影像資料包含一生理年齡資訊以及一性別資訊。非暫態機器可讀媒體訊號連接前述之影像擷取單元,其中非暫態機器可讀媒體用以儲存一程式,當前述之程式由一處理單元執行時係用以評估受試者之一手骨發育狀態、受試者之一骨齡和預測受試者之一成年身高,且前述之程式包含一參照資料庫取得模組、一第一影像資料編輯模組、一特徵選取模組、一訓練模組、一第二影像資料編輯模組、一目標特徵選取模組及一比對模組。參照資料庫取得模組用以取得一參照資料庫,且前述之參照資料庫包含一骨齡身高圖譜資料集合及複數個參照手骨X光影像資料,其中各參照手骨X光影像資料包含一生理年齡資訊以及一性別資訊。第一影像資料編輯模組係調整各參照手骨X光影像資料的一影像大小及一影像黑白對比度,以取得複數個標準化手骨X光影像資料。特徵選取模組用以分析標準化手骨X光影像資料後以得至少一參照影像特徵值。訓練模組用以將前述之參照影像特徵值透過一卷積神經網路學習分類器進行訓練而達到收斂,以得一骨齡評估與身高預測模型。第二影像資料編輯模組係調整目標手骨X光影像資料的一影像大小及一影像黑白對比度,以取得一標準化目標手骨X光影像資料。目標特徵選取模組用以分析標準化目標手骨X光影像資料後以得至少一目標影像特徵值。比對模組用以將前述之至少一目標影像特徵值以前述之骨齡評估與身高預測模型進行分析,以得一目標影像特徵值權重數據,並將前述之至少一目標影像特徵值權重數據與參照資料庫進行比對,以輸出受試者之一手骨發育狀態判斷結果、受試者之骨齡判斷結果以及受試者之成年身高預測結果。
依據前述之種骨齡評估與身高預測系統,其中卷積神經網路學習分類器可為Inception-ResNet-v2卷積神經網路。
依據前述之種骨齡評估與身高預測系統,其中前述之目標手骨X光影像資料的影像格式可為數位醫療影像儲存標準協定之影像格式,前述之參照手骨X光影像資料的影像格式可為數位醫療影像儲存標準協定之影像格式。
依據前述之種骨齡評估與身高預測系統,其中第一影像資料編輯模組可更對各參照手骨X光影像資料進行一影像色度擴展處理,第二影像資料編輯模組可更對目標手骨X光影像資料進行一影像色度擴展處理。
依據前述之種骨齡評估與身高預測系統,其中骨齡身高圖譜資料集合可包含一男性骨齡身高圖譜資料子集合及一女性骨齡身高圖譜資料子集合。
依據前述之種骨齡評估與身高預測系統,其中各參照手骨X光影像資料為一非慣用手之參照手骨X光影像資料,目標手骨X光影像資料為一非慣用手之目標手骨X光影像資料。
依據前述之種骨齡評估與身高預測系統,可更包含一警示模組,用以於標準化目標手骨X光影像資料以骨齡評估與身高預測模型進行分析後發出一主動警示通知。
藉此,本發明之骨齡評估與身高預測模型、骨齡評估與身高預測系統及骨齡評估與身高預測方法透過將參照手骨X光影像資料與目標手骨X光影像資料進行影像標準化前處理,並利用特徵選取模組分析並得至少一影像特徵值後,再以卷積神經網路對影像特徵值進行訓練,以對手骨發育狀態、骨齡以及成年身高進行分析判斷,不僅可有效縮短骨齡評估與身高預測所需的時間,亦可避免習知的骨齡評估方式中因不同分析者之特徵選取及比對方式的不同所造成之結果誤差。再者,透過包含卷積神經網路學習分類器之骨齡評估與身高預測模型能有效提升骨齡評估及身高預測的準確度與敏感度,不僅使本發明之骨齡評估與身高預測模型、骨齡評估與身高預測系統及骨齡評估與身高預測方法在骨齡判斷及身高預測方面更有效率,並可準確地評估不同受試者的生長發育水平和成熟程度,以及預測受試者未來的生長發育潛力。
上述發明內容旨在提供本揭示內容的簡化摘要,以使閱讀者對本揭示內容具備基本的理解。此發明內容並非本揭示內容的完整概述,且其用意並非在指出本發明實施例的重要/關鍵元件或界定本發明的範圍。
100‧‧‧骨齡評估與身高預測模型
110、120、130、140‧‧‧步驟
200‧‧‧骨齡評估與身高預測方法
210、220、230、240、250‧‧‧步驟
300‧‧‧骨齡評估與身高預測系統
400‧‧‧影像擷取單元
500‧‧‧非暫態機器可讀媒體
510‧‧‧參照資料庫取得模組
520‧‧‧第一影像資料編輯模組
530‧‧‧特徵選取模組
540‧‧‧訓練模組
550‧‧‧第二影像資料編輯模組
560‧‧‧目標特徵選取模組
570‧‧‧比對模組
611a、611b、611c‧‧‧參照手骨X光影像資料
620‧‧‧影像前處理步驟
621a、621b、621c‧‧‧標準化手骨X光影像資料
630‧‧‧特徵選取步驟
641‧‧‧卷積神經網路學習分類器
650‧‧‧目標影像特徵值權重數據
700‧‧‧應用結果
701、702、703、704‧‧‧結果欄位
為讓本發明之上述和其他目的、特徵、優點與實施例能更明顯易懂,所附圖式之說明如下:第1圖係繪示本發明一實施方式之骨齡評估與身高預測模型的建立步驟流程圖;第2圖係繪示本發明另一實施方式之骨齡評估與身高預測方法的步驟流程圖;第3圖係繪示本發明再一實施方式之骨齡評估與身高預測系統的架構示意圖;第4圖係繪示本發明之骨齡評估與身高預測模型的部分建立步驟流程圖;第5圖係繪示本發明之骨齡評估與身高預測模型的卷積神經網路學習分類器的架構示意圖;以及第6圖係繪示本發明之骨齡評估與身高預測系統之應用結果的示意圖。
下述將更詳細討論本發明各實施方式。然而,此實施方式可為各種發明概念的應用,可被具體實行在各種不同的特定範圍內。特定的實施方式是僅以說明為目的,且不受限於揭露的範圍。
請參照第1圖,其係繪示本發明一實施方式之骨齡評估與身高預測模型100的建立步驟流程圖。骨齡評估與身高預測模型100係用以判斷一受試者之一手骨發育狀態、受試者之一骨齡以及預測受試者之一成年身高,且骨齡
評估與身高預測模型100的建立步驟包含步驟110、步驟120、步驟130以及步驟140。
步驟110為取得參照資料庫,其中參照資料庫包含一骨齡身高圖譜資料集合及複數個參照手骨X光影像資料,其中各參照手骨X光影像資料包含一生理年齡資訊以及一性別資訊。較佳地,前述之參照手骨X光影像資料可為一非慣用手之參照手骨X光影像資料,避免本發明之骨齡評估與身高預測模型100受慣用手的使用頻率或使用習慣所導致之骨骼型態變異而影響其判斷準確率。
較佳地,前述之參照手骨X光影像資料的影像格式可為數位醫療影像儲存標準協定(Digital Imaging and Communications in Medicine,DICOM)之影像格式,以將各參照手骨X光影像資料的生理年齡資訊、性別資訊等基本資料儲存於參照手骨X光影像資料的檔頭(header)中,以利於後續的分析。再者,由於男性與女性的生理成熟歷程並不盡相同,骨骼的發育形態及其對應的生理年齡也不相同,是以本發明之骨齡評估與身高預測模型100可進一步對不同性別之參照手骨X光影像資料分別進行特徵選取步驟與訓練步驟,以進行性別化之手骨發育狀態、骨齡及成年身高的判斷與預測。較佳地,前述之骨齡身高圖譜資料集合可包含一男性骨齡身高圖譜資料子集合及一女性骨齡身高圖譜資料子集合,以利於對不同性別之受試者進行分析。
步驟120為進行影像前處理步驟,其係利用一影像資料編輯模組調整各參照手骨X光影像資料的一影像大小及一影像黑白對比度,以取得複數個標準化手骨X光影像資料。詳細而言,影像資料編輯模組可分別將不同的參照手骨X光影像資料的影像大小調整為256像素(pixel)×256像素後,並調整其黑白對比度,以減少不同參照手骨X光影像資料之間的黑白色度差異以及增加影像的清晰度,以利於後續的分析。
另外,在步驟120中,影像資料編輯模組可進一步對各參照手骨X光影像資料進行影像色度擴展處理。詳細而言,影像資料編輯模組可計算各參照手骨X光影像資料的影像灰階程度,並依據前述之計算結果而依序對各參照手骨X光影像資料之影像像素行、列自動填補色彩,以將呈現灰階色調之各參照手骨X光影像資料轉換為彩色色調,進而提升後續分析的準確度,但本發明並不以前述說明與圖式揭露的內容為限。
步驟130為進行特徵選取步驟,其係利用一特徵選取模組分析標準化手骨X光影像資料後以得至少一影像特徵值。詳細而言,本發明之骨齡評估與身高預測模型100可利用特徵選取模組自動地對標準化手骨X光影像資料的影像資訊進行分析,並自動提取對應的影像特徵值,藉以增進本發明之骨齡評估與身高預測模型100的評估與預測效率。
步驟140為進行訓練步驟,其係將前述之影像特徵值透過一卷積神經網路學習分類器進行訓練而達到收斂,以得骨齡評估與身高預測模型100。較佳地,前述之卷積神經網路學習分類器可為Inception-ResNet-v2卷積神經網路。Inception-ResNet-v2卷積神經網路為一種基於ImageNet可視化數據資料庫的大規模視覺辨識(Large Scale Visual Recognition)卷積神經網路,其透過殘差連接(Residual connections)的方式而可有效擴展卷積神經網路的訓練深度,進而使Inception-ResNet-v2卷積神經網路於圖像分類與辨識方面具有相當高的準確率。
請參照第2圖,其係繪示本發明另一實施方式之骨齡評估與身高預測方法200的步驟流程圖。骨齡評估與身高預測方法200包含步驟210、步驟220、步驟230、步驟240以及步驟250。
步驟210為提供骨齡評估與身高預測模型,而骨齡評估與身高預測模型係經由前述步驟110至步驟140所建立。
步驟220為提供受試者之目標手骨X光影像資料,其中目標手骨X光影像資料包含一生理年齡資訊以及一性別資訊。較佳地,前述之目標手骨X光影像資料可為一非慣用手之目標手骨X光影像資料,避免受試者之受慣用手的使用頻率或使用習慣所導致之骨骼型態變異影響骨齡評估與身高預測方法200的分析準確率。
較佳地,前述之目標手骨X光影像資料的影像格式可為數位醫療影像儲存標準協定之影像格式,以將目標手骨X光影像資料的生理年齡資訊、性別資訊等基本資料儲存於目標手骨X光影像資料的檔頭中,以利於後續的分析。再者,由於男性與女性在生理成熟歷程並不盡相同,骨骼的發育形態及其對應的生理年齡也不相同,故本發明之骨齡評估與身高預測方法200將分別對不同性別之目標手骨X光影像資料進行性別化之手骨發育狀態、骨齡及其成年身高的評估與分析。
步驟230為對目標手骨X光影像資料進行前處理,其係利用前述之影像資料編輯模組調整目標手骨X光影像資料的一影像大小及一影像黑白對比度,以取得一標準化目標手骨X光影像資料。詳細而言,影像資料編輯模組係將目標手骨X光影像資料的影像大小調整為256像素×256像素後,並調整其黑白對比度以增加影像的清晰度,以利於後續的分析。
另外,在步驟230中,影像資料編輯模組可進一步對目標手骨X光影像資料進行影像色度擴展處理。詳細而言,影像資料編輯模組可計算目標手骨X光影像資料的影像灰階程度,並依據前述之計算結果而依序對目標手骨X光影像資料之影像像素行、列自動填補色彩,以將呈現灰階色調之目標手骨X光影像資料轉換為彩色色調,進而提升後續分析的準確度,但本發明並不以前述說明與圖式揭露的內容為限。
步驟240為利用特徵選取模組分析標準化目標手骨X光影像資料後以得至少一影像特徵值。詳細而言,本發明之骨齡評估與身高預測方法200可利用特徵選取模組自動地對標準化目標手骨X光影像資料的影像資訊進行分析,並自動提取對應的影像特徵值,藉以增進本發明之骨齡評估與身高預測方法200的評估與預測效率。
步驟250為利用前述之骨齡評估與身高預測模型分析影像特徵值,以判斷受試者之手骨發育狀態、受試者之骨齡以及預測受試者之成年身高。
請參照第3圖,其係繪示繪示本發明再一實施方式之骨齡評估與身高預測系統300的架構示意圖。骨齡評估與身高預測系統300包含一影像擷取單元400以及一非暫態機器可讀媒體500。
影像擷取單元400係用以取得一受試者的一目標手骨X光影像資料,其中目標手骨X光影像資料包含一生理年齡資訊以及一性別資訊。詳細而言,影像擷取單元400可為一X光檢測儀器,其利用低劑量之X光射線照射受試者之手部,以取得解析度適當之目標手骨X光影像資料。較佳地,前述之目標手骨X光影像資料可為一非慣用手之目標手骨X光影像資料,避免本發明之骨齡評估與身高預測系統300受慣用手的使用頻率或使用習慣所導致之骨骼型態變異而影響其分析準確率。較佳地,前述之目標手骨X光影像資料的影像格式可為數位醫療影像儲存標準協定之影像格式,以將目標手骨X光影像資料的生理年齡資訊、性別資訊
等基本資料儲存於目標手骨X光影像資料的檔頭中,以利於後續的分析。
非暫態機器可讀媒體500訊號連接影像擷取單元400,其中非暫態機器可讀媒體500用以儲存一程式(圖未繪示),當前述之程式由一處理單元(圖未繪示)執行時係用以評估受試者之一手骨發育狀態、受試者之一骨齡和預測受試者之一成年身高,且前述之程式包含一參照資料庫取得模組510、一第一影像資料編輯模組520、一特徵選取模組530、一訓練模組540、一第二影像資料編輯模組550、一目標特徵選取模組560及一比對模組570。
參照資料庫取得模組510用以取得一參照資料庫,且前述之參照資料庫包含一骨齡身高圖譜資料集合及複數個參照手骨X光影像資料,其中各參照手骨X光影像資料包含一生理年齡資訊以及一性別資訊。較佳地,各參照手骨X光影像資料可為一非慣用手之參照手骨X光影像資料,而前述之骨齡身高圖譜資料集合可包含一男性骨齡身高圖譜資料子集合及一女性骨齡身高圖譜資料子集合,以利於對不同性別之受試者進行分析。
較佳地,前述之參照手骨X光影像資料的影像格式可為數位醫療影像儲存標準協定之影像格式,以將各參照手骨X光影像資料的生理年齡資訊、性別資訊等基本資料儲存於參照手骨X光影像資料的檔頭中,以利於後續的分析。
第一影像資料編輯模組520係調整各參照手骨X光影像資料的一影像大小及一影像黑白對比度,以取得複數個標準化手骨X光影像資料。詳細而言,第一影像資料編輯模組520係將不同的參照手骨X光影像資料的影像大小調整為256像素×256像素後,並調整其黑白對比度,以減少不同參照手骨X光影像資料之間的黑白色度差異以及增加影像的清晰度。
另外,第一影像資料編輯模組520可更進一步對各參照手骨X光影像資料進行影像色度擴展處理。詳細而言,第一影像資料編輯模組520可計算各參照手骨X光影像資料的影像灰階程度,並依據前述之計算結果而依序對各參照手骨X光影像資料之影像像素行、列自動填補色彩,以將呈現灰階色調之各參照手骨X光影像資料轉換為彩色色調,以提升後續分析的準確度,但本發明並不以前述說明與圖式揭露的內容為限。
特徵選取模組530用以分析標準化手骨X光影像資料後以得至少一參照影像特徵值。詳細而言,本發明之骨齡評估與身高預測系統300可利用特徵選取模組530自動地對標準化手骨X光影像資料的影像資訊進行分析,並自動提取對應的影像特徵值。
訓練模組540用以將前述之參照影像特徵值透過一卷積神經網路學習分類器進行訓練而達到收斂,以得一骨齡評估與身高預測模型。較佳地,前述之卷積神經網路學習分類器可為Inception-ResNet-v2卷積神經網路,以有效
擴展卷積神經網路的訓練深度,進而提升訓練模組540的圖像分類與辨識能力。
第二影像資料編輯模組550係調整目標手骨X光影像資料的一影像大小及一影像黑白對比度,以取得一標準化目標手骨X光影像資料。詳細而言,第二影像資料編輯模組550係將目標手骨X光影像資料的影像大小調整為256像素×256像素後,並調整其黑白對比度以增加影像的清晰度,進而獲得前述之標準化目標手骨X光影像資料。較佳地,第二影像資料編輯模組550可進一步對目標手骨X光影像資料進行影像色度擴展處理,其係計算目標手骨X光影像資料的影像灰階程度,並根據前述之計算結果而依序對目標手骨X光影像資料之影像像素行、列自動填補色彩,以將呈現灰階色調之目標手骨X光影像資料轉換為彩色色調,但本發明並不以前述說明與圖式揭露的內容為限。
目標特徵選取模組560用以分析標準化目標手骨X光影像資料後以得至少一目標影像特徵值。詳細而言,目標特徵選取模組560可自動地對標準化目標手骨X光影像資料的影像資訊進行分析,並自動提取對應的影像特徵值。具體來說,目標特徵選取模組560可自動將目標手骨X光影像資料中的手掌區域和背景區域進行切割,並將手掌區域的影像作為正樣本,而手掌區域之外的影像為負樣本,接著將前述之正樣本與負樣本以目標特徵選取模組560進行處理後以獲得標準化目標手骨X光影像資料的目標影像特徵值,以進行後續的分析。
比對模組570用以將前述之目標影像特徵值以前述之骨齡評估與身高預測模型進行分析,以得一目標影像特徵值權重數據,並將前述之目標影像特徵值權重數據與前述之參照資料庫進行比對,以輸出受試者之一手骨發育狀態判斷結果、受試者之一骨齡判斷結果以及受試者之一成年身高預測結果。
再者,由於男性與女性在生理成熟歷程不盡相同,骨骼的發育形態及其對應的生理年齡也不相同,故比對模組570可進一步將不同性別之受試者的標準化目標手骨X光影像資料分別與男性骨齡身高圖譜資料子集合或女性骨齡身高圖譜資料子集合進行比對,以對不同性別之受試者進行手骨發育狀態、骨齡及其成年身高的分析與預測。
再者,雖圖未繪示,本發明之骨齡評估與身高預測系統300可更包含一警示模組(圖未繪示)。當標準化目標手骨X光影像資料與骨齡身高圖譜資料集合進行比對後,倘若受試者的骨齡比對結果明顯超前或落後其生理年齡時,警示模組可在第一時間發出主動警示通知,以利於後續之治療或其他相關應對措施的實施。
根據上述實施方式,以下提出具體試驗例並配合圖式予以詳細說明。
本發明所使用的參照資料庫為中國醫學大學暨附設醫院所蒐集的回溯性兒科骨齡X光影像資料,為經中國醫藥大學暨附設醫院研究倫理委員會(China Medical University & Hospital Research Ethics Committee)核准之臨床試驗計劃,其編號為:CMUH 107-REC2-097。前述之參照資料庫包含2758位男性受試者以及4462位女性受試者、共計7220位受試者的參照手骨X光影像資料,而受試者的年齡範圍則落於2歲至16歲之間,且前述之參照手骨X光影像資料的影像格式皆為數位醫療影像儲存標準協定之影像格式,以將各受試者的生理年齡資訊、性別資訊、病歷號碼、受試編號等相關資料儲存於影像資料的檔頭中,以利於後續的分析。
前述之參照資料庫亦包含一骨齡身高圖譜資料集合。詳細而言,前述之參照手骨X光影像資料為受試者的非慣用手之參照手骨X光影像資料,避免慣用手的使用頻率或使用習慣所導致之骨骼型態變異而影響參照資料庫的可信度,而骨齡身高圖譜資料集合則包含骨骼生長圖譜、生長曲線圖譜等參照資料。再者,本試驗例之骨齡身高圖譜資料集合可包含一男性骨齡身高圖譜資料子集合及一女性骨齡身高圖譜資料子集合,以對不同性別之參照受試者進行分析。
請參照第4圖,其係繪示本發明之骨齡評估與身高預測模型(圖未繪示)的部分建立步驟流程圖。在第4圖的試驗例中將以參照手骨X光影像資料611a、參照手骨X光影像資料611b與參照手骨X光影像資料611c為例,以說明本發明之骨齡評估與身高預測模型的操作方法以及分析方式。
首先,在取得前述之參照資料庫後,參照手骨X光影像資料611a、參照手骨X光影像資料611b與參照手骨X光影像資料611c將分別進行影像前處理步驟620,以對其進行尺寸與色度的標準化,藉以取得標準化手骨X光影像資料621a、標準化手骨X光影像資料621b與標準化手骨X光影像資料621c。詳細而言,影像前處理步驟620係利用一影像資料編輯模組(圖未繪示)將參照手骨X光影像資料611a、參照手骨X光影像資料611b與參照手骨X光影像資料611c的影像大小調整為256像素×256像素,並進一步調整其黑白對比度以增加影像的清晰度,以及減少不同參照手骨X光影像資料之間的黑白色度差異。
較佳地,影像資料編輯模組可視需求而進一步對各參照手骨X光影像資料進行影像色度擴展處理,其係計算各參照手骨X光影像資料的影像灰階程度,並依據前述之計算結果而分別對參照手骨X光影像資料611a、參照手骨X光影像資料611b與參照手骨X光影像資料611c之影像像素行、列自動填補色彩,以將其轉換為彩色色調,進而提升後續分析的準確度。
再者,由於各受試者之生理年齡資訊、性別資訊等基本資料係直接儲存於呈現數位醫療影像儲存標準協定之影像格式之標準化手骨X光影像資料621a、標準化手骨X光影像資料621b與標準化手骨X光影像資料621c的檔頭中,本發明之骨齡評估與身高預測模型可直接提取標準化手骨X光影像資料621a、標準化手骨X光影像資料621b與標準化手骨X光影像資料621c之生理年齡資訊以及性別資訊,而無須透過人工方式額外進行標注作業,有利於省去額外的分析程序並提升分析的效率。
前述之經過影像前處理步驟620所得之標準化手骨X光影像資料621a、標準化手骨X光影像資料621b與標準化手骨X光影像資料621c將進一步分別進行特徵選取步驟630,以利用一特徵選取模組(圖未繪示)分析後以得至少一影像特徵值。詳細而言,特徵選取模組可分別將標準化手骨X光影像資料621a、標準化手骨X光影像資料621b與標準化手骨X光影像資料621c中的手掌區域和背景區域進行切割,並將手掌區域的影像作為正樣本,而手掌區域之外的影像為負樣本,接著將前述之正樣本與負樣本以特徵選取模組進行處理後以獲得各別之影像特徵值。
接著,請一併參照第4圖與第5圖,第5圖係繪示本發明之骨齡評估與身高預測模型的卷積神經網路學習分類器641的架構示意圖。在第5圖的試驗例中,卷積神經網路學習分類器641為Inception-ResNet-v2卷積神經網路,其包含複數個卷積層(Convolution)、複數個最大池化
層(MaxPool)、複數個平均池化層(AvgPool)以及複數個級聯層(Concat),以對影像特徵值進行訓練與分析。
在對影像特徵值進行訓練的過程中,首先將分別對標準化手骨X光影像資料621a、標準化手骨X光影像資料621b與標準化手骨X光影像資料621c的影像特徵值進行二層卷積層及一層最大池化層(MaxPool)處理,以將所提取之影像特徵值進行最大輸出,並再次重複前述之二層卷積層與一層最大池化層輸出後,利用複數個卷積層進行並行塔(parallel towers)訓練,以完成影像特徵值的初級訓練(Inception)。
而在完成前述之初級訓練後,標準化手骨X光影像資料621a、標準化手骨X光影像資料621b與標準化手骨X光影像資料621c的影像特徵值將分別進行10次(10×)、20次(20×)與10次(10×)的不同深度、不同階層與不同態樣之殘差(Residual)模塊訓練,以對影像特徵值進行訓練並達到收斂。詳細而言,利用殘差模塊進行訓練可防止卷積神經網路學習分類器641對前述之影像特徵值進行多層的訓練後發生梯度消失的退化現象,並可有效提升卷積神經網路學習分類器641的訓練效率。
而在完成深層且重複之殘差模塊訓練後,將依序以一層卷積層、一平均池化層、一取代全局平均池化層(Global Average Pooling 2D,GloAvePool2D)以及一線性整流單元訓練層(Rectified Linear Unit,ReLU)對收斂之影像特徵值進行最終訓練與處理,藉以判斷受試者之手
骨發育狀態、受試者之骨齡以及預測受試者之成年身高。其中,平均池化層可先對完成殘差模塊訓練之影像特徵值進行計算,以求各影像特徵值的平均值,取代全局平均池化層則可對卷積神經網路學習分類器641的整體網路架構進行正則化(Regularization)處理,防止卷積神經網路學習分類器641在追求低誤差之訓練模式下發生過擬合現象(Overfitting),而導致判斷結果的誤差值過高,致使骨齡評估與身高預測模型的結果可信度不如預期。最後,線性整流單元訓練層則進一步對完成訓練後之影像特徵值進行激活,並輸出一目標影像特徵值權重數據650,以進行後續的比對與分析。前述之線性整流單元訓練層可避免骨齡評估與身高預測模型輸出的目標影像特徵值權重數據650趨近於零或趨近於無限大,以利於後續比對步驟的進行,進而提升本發明之骨齡評估與身高預測模型的判斷準確率。
於本試驗例中進一步將所建立的骨齡評估與身高預測模型用於判斷受試者之手骨發育狀態、受試者之骨齡以及預測受試者之成年身高。其步驟如下:提供前述建立之骨齡評估與身高預測模型。提供受試者之目標手骨X光影像資料,其中目標手骨X光影像資料包含一生理年齡資訊以及一性別資訊。對目標手骨X光影像資料進行前處理,其係利用前述之影像資料編輯模組調整目標手骨X光影像資料的
一影像大小及一影像黑白對比度,以取得一標準化目標手骨X光影像資料。利用前述之特徵選取模組分析標準化目標手骨X光影像資料後以得至少一影像特徵值。利用前述之骨齡評估與身高預測模型分析所述之影像特徵值,以判斷受試者之一手骨發育狀態、受試者之一骨齡以及預測受試者之一成年身高。
再者,前述所建立的骨齡評估與身高預測模型將應用於本發明之骨齡評估與身高預測系統中,以將受試者之手骨發育狀態判斷結果、受試者之骨齡判斷結果以及受試者之成年身高預測結果進一步整合於參照資料庫中,以對骨齡評估與身高預測模型進行優化。此外,本發明之骨齡評估與身高預測系統的細部架構已如第3圖與前文所述,在此則不再贅述。
請參照第6圖,其係繪示本發明之骨齡評估與身高預測系統(圖未繪示)之應用結果700的示意圖。骨齡評估與身高預測系統在其骨齡評估與身高預測模型完成分析後,將進一步輸出受試者之一手骨發育狀態判斷結果與受試者之一骨齡判斷結果,並可將其顯示於一顯示模組(圖未繪示)中。而如第6圖所示,本發明之骨齡評估與身高預測系統的應用結果700可包含結果欄位701、結果欄位702、結果欄位703以及結果欄位704。結果欄位701可顯示受試者的基本資料,其包含受試者之生理年齡資訊、性別資訊及病歷號碼、受試編號等其他個人資料,結果欄位702為未經過影像前處理之受試者的目標手骨X光影像資料,結果欄位703
為骨齡評估與身高預測模型所判斷之受試者的骨齡,而結果欄位704則為前述骨齡評估與身高預測系統所判斷之受試者的骨齡結果之前後12個月的骨齡圖譜,以供後續分析者進行對照與分析。
再者,雖圖未揭示,本發明之骨齡評估與身高預測系統可將受試者之手骨發育狀態判斷結果以及受試者之骨齡判斷結果進一步與骨齡身高圖譜資料集合之男性骨齡身高圖譜資料子集合或女性骨齡身高圖譜資料子集合進行比對,以對不同性別之受試者進行成年身高的預測,並將受試者之成年身高預測結果同步輸出並顯示於前述之顯示模組中,且本發明並不以前述說明或圖式揭露的內容為限。
另外,雖圖未揭示,本發明之骨齡評估與身高預測系統可更包含一警示模組(圖未繪示)。當骨齡評估與身高預測模型輸出受試者的骨齡判斷結果後,倘若受試者的骨齡判斷結果明顯超前或落後於受試者的生理年齡,警示模組將可在第一時間發出主動警示通知,並於結果欄位703中以紅字進行顯示,以利於後續之治療或其他相關應對措施的實施。
藉此,本發明之骨齡評估與身高預測模型、骨齡評估與身高預測系統及骨齡評估與身高預測方法透過骨齡評估與身高預測模型可自動對受試者的目標手骨X光影像資料進行影像特徵值提取以及進行深度神經網路訓練,不僅可有效縮短骨齡評估與身高預測所需的時間,亦可避免習知的骨齡評估方式中因不同分析者之特徵選取及比對方式
的不同所造成之結果誤差。再者,透過包含卷積神經網路學習分類器之骨齡評估與身高預測模型不僅能有效提升骨齡評估及身高預測的準確度與敏感度,使本發明之骨齡評估與身高預測模型、骨齡評估與身高預測系統及骨齡評估與身高預測方法在骨齡判斷及身高預測方面更有效率,並可藉由對個案之骨齡判斷結果而實施適當的治療或相關的應用措施,以降低兒童因發育遲緩或早熟所造成之疾病的發生。
雖然本發明已以實施方式揭露如上,然其並非用以限定本發明,任何熟習此技藝者,在不脫離本發明之精神和範圍內,當可作各種之更動與潤飾,因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
100‧‧‧骨齡評估與身高預測模型
110、120、130、140‧‧‧步驟
Claims (12)
- 一種骨齡評估與身高預測模型之建立方法,包含以下建立步驟:取得一參照資料庫,其中該參照資料庫包含一骨齡身高圖譜資料集合及複數個參照手骨X光影像資料,其中各該參照手骨X光影像資料包含一生理年齡資訊以及一性別資訊;進行一影像前處理步驟,其係利用一影像資料編輯模組調整各該參照手骨X光影像資料的一影像大小及一影像黑白對比度,並對各該參照手骨X光影像資料進行一影像色度擴展處理,以取得複數個標準化手骨X光影像資料;進行一特徵選取步驟,其係利用一特徵選取模組分析各該標準化手骨X光影像資料後以得複數個影像特徵值,且各該標準化手骨X光影像資料對應產生一該影像特徵值;以及進行一訓練步驟,其係將該些影像特徵值透過一卷積神經網路學習分類器進行訓練而達到該些影像特徵值的收斂,以得一骨齡評估與身高預測模型,其中該卷積神經網路學習分類器為Inception-ResNet-v2卷積神經網路,且該骨齡評估與身高預測模型係用以判斷一受試者之一手骨發育狀態、該受試者之一骨齡以及預測該受試者之一成年身高。
- 如申請專利範圍第1項所述之骨齡評估與身高預測模型之建立方法,其中該些參照手骨X光影像資料的影像格式為數位醫療影像儲存標準協定(Digital Imaging and Communications in Medicine,DICOM)之影像格式。
- 如申請專利範圍第1項所述之骨齡評估與身高預測模型之建立方法,其中該骨齡身高圖譜資料集合包含一男性骨齡身高圖譜資料子集合及一女性骨齡身高圖譜資料子集合。
- 如申請專利範圍第1項所述之骨齡評估與身高預測模型之建立方法,其中各該參照手骨X光影像資料為一非慣用手之參照手骨X光影像資料。
- 一種骨齡評估與身高預測方法,包含:提供一如申請專利範圍第1項之骨齡評估與身高預測模型;提供一受試者之一目標手骨X光影像資料,其中該目標手骨X光影像資料包含一生理年齡資訊以及一性別資訊; 對該目標手骨X光影像資料進行前處理,其係利用該影像資料編輯模組調整該目標手骨X光影像資料的一影像大小及一影像黑白對比度,並對該目標手骨X光影像資料進行一影像色度擴展處理,以取得一標準化目標手骨X光影像資料;利用該特徵選取模組分析該標準化目標手骨X光影像資料後以得至少一影像特徵值;以及利用該骨齡評估與身高預測模型分析該至少一影像特徵值,以判斷該受試者之一手骨發育狀態、該受試者之一骨齡以及預測該受試者之一成年身高。
- 如申請專利範圍第5項所述之骨齡評估與身高預測方法,其中該目標手骨X光影像資料的影像格式為數位醫療影像儲存標準協定之影像格式。
- 如申請專利範圍第5項所述之骨齡評估與身高預測方法,其中該目標手骨X光影像資料為一非慣用手之目標手骨X光影像資料。
- 一種骨齡評估與身高預測系統,包含: 一影像擷取單元,用以取得一受試者的一目標手骨X光影像資料,其中該目標手骨X光影像資料包含一生理年齡資訊以及一性別資訊;以及一非暫態機器可讀媒體,訊號連接該影像擷取單元,其中該非暫態機器可讀媒體用以儲存一程式,當該程式由一處理單元執行時係用以評估該受試者之一手骨發育狀態、該受試者之一骨齡和預測該受試者之一成年身高,且該程式包含:一參照資料庫取得模組,用以取得一參照資料庫,且該參照資料庫包含一骨齡身高圖譜資料集合及複數個參照手骨X光影像資料,其中各該參照手骨X光影像資料包含一生理年齡資訊以及一性別資訊;一第一影像資料編輯模組,其係調整各該參照手骨X光影像資料的一影像大小及一影像黑白對比度,並對各該參照手骨X光影像資料進行一影像色度擴展處理,以取得複數個標準化手骨X光影像資料;一特徵選取模組,用以分析各該標準化手骨X光影像資料後以得複數個參照影像特徵值,且各該標準化手骨X光影像資料對應產生一該參照影像特徵值;一訓練模組,用以將該些參照影像特徵值透過一卷積神經網路學習分類器進行訓練而達到該些參照影像特徵值的收斂,以得一骨齡評估與身高預測模型, 其中該卷積神經網路學習分類器為Inception-ResNet-v2卷積神經網路;一第二影像資料編輯模組,其係調整該目標手骨X光影像資料的一影像大小及一影像黑白對比度,並對該目標手骨X光影像資料進行一影像色度擴展處理,以取得一標準化目標手骨X光影像資料;一目標特徵選取模組,用以分析該標準化目標手骨X光影像資料後以得至少一目標影像特徵值;及一比對模組,用以將該至少一目標影像特徵值以該骨齡評估與身高預測模型進行分析,以得一目標影像特徵值權重數據,並將該目標影像特徵值權重數據與該參照資料庫之該骨齡身高圖譜資料集合進行比對,以輸出該受試者之一手骨發育狀態判斷結果、該受試者之一骨齡判斷結果以及該受試者之一成年身高預測結果。
- 如申請專利範圍第8項所述之骨齡評估與身高預測系統,其中該目標手骨X光影像資料的影像格式為數位醫療影像儲存標準協定之影像格式,該些參照手骨X光影像資料的影像格式為數位醫療影像儲存標準協定之影像格式。
- 如申請專利範圍第8項所述之骨齡評估與身高預測系統,其中該骨齡身高圖譜資料集合包含一男性骨齡身高圖譜資料子集合及一女性骨齡身高圖譜資料子集合。
- 如申請專利範圍第8項所述之骨齡評估與身高預測系統,其中各該參照手骨X光影像資料為一非慣用手之參照手骨X光影像資料,該目標手骨X光影像資料為一非慣用手之目標手骨X光影像資料。
- 如申請專利範圍第8項所述之骨齡評估與身高預測系統,更包含:一警示模組,用以於該標準化目標手骨X光影像資料之該至少一目標影像特徵值以該骨齡評估與身高預測模型進行分析後發出一主動警示通知。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107118348 | 2018-05-29 | ||
TW107118348 | 2018-05-29 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202004776A TW202004776A (zh) | 2020-01-16 |
TWI684997B true TWI684997B (zh) | 2020-02-11 |
Family
ID=67911819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW107126751A TWI684997B (zh) | 2018-05-29 | 2018-08-01 | 骨齡評估與身高預測模型之建立方法、骨齡評估與身高預測系統及骨齡評估與身高預測方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110265119A (zh) |
TW (1) | TWI684997B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102211389B1 (ko) * | 2020-01-08 | 2021-02-03 | (주)웨버인스트루먼트 | 인공지능형 회전방식을 구현하는 3차원 골밀도 및 골연령 측정장치 |
CN113100791A (zh) * | 2020-01-13 | 2021-07-13 | 上海西门子医疗器械有限公司 | X-射线医学成像方法和系统以及计算机存储介质 |
CN111553412A (zh) * | 2020-04-27 | 2020-08-18 | 广州市妇女儿童医疗中心(广州市妇幼保健院、广州市儿童医院、广州市妇婴医院、广州市妇幼保健计划生育服务中心) | 对性早熟分类模型进行训练的方法、装置和设备 |
CN112465104B (zh) * | 2020-12-04 | 2023-10-10 | 石家庄喜高科技有限责任公司 | 身高发育评价方法及终端设备 |
CN112365983B (zh) * | 2020-12-04 | 2023-10-13 | 石家庄喜高科技有限责任公司 | 身高发育评价方法及终端设备 |
CN112907537A (zh) * | 2021-02-20 | 2021-06-04 | 司法鉴定科学研究院 | 基于深度学习和现场虚拟仿真技术的骨骼性别鉴别方法 |
CN113781398B (zh) * | 2021-08-13 | 2022-06-24 | 浙江卡易智慧医疗科技有限公司 | 一种基于双向门控循环网络的骨龄识别方法和模型 |
CN115274098B (zh) * | 2022-08-19 | 2023-04-07 | 北京咯咯网络科技有限公司 | 一种基于骨龄与身高来预测身高的智能系统 |
CN117423472B (zh) * | 2023-12-18 | 2024-03-08 | 天津医科大学总医院 | 一种基于骨龄识别的多要素身高预测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI411971B (zh) * | 2008-03-04 | 2013-10-11 | Nat Univ Chung Hsing | 選手等級預測之方法及系統 |
CN107591200A (zh) * | 2017-08-25 | 2018-01-16 | 卫宁健康科技集团股份有限公司 | 基于深度学习及影像组学的骨龄标记识别评估方法及系统 |
US20180061054A1 (en) * | 2016-08-29 | 2018-03-01 | CephX Technologies Ltd. | Automated Cephalometric Analysis Using Machine Learning |
CN107767376A (zh) * | 2017-11-02 | 2018-03-06 | 西安邮电大学 | 基于深度学习的x线片骨龄预测方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080065078A (ko) * | 2007-01-08 | 2008-07-11 | (주)웨버인스트루먼트 | 티더블유쓰리 방식을 이용한 골연령 측정 및 성장 진단방법 |
CN106340000A (zh) * | 2015-07-06 | 2017-01-18 | 司法部司法鉴定科学技术研究所 | 骨龄评估方法 |
WO2017022908A1 (ko) * | 2015-08-04 | 2017-02-09 | 재단법인 아산사회복지재단 | 심층신경망을 이용한 골 연령 산출방법 및 프로그램 |
CN107895367B (zh) * | 2017-11-14 | 2021-11-30 | 中国科学院深圳先进技术研究院 | 一种骨龄识别方法、系统及电子设备 |
CN107944496A (zh) * | 2017-12-06 | 2018-04-20 | 电子科技大学 | 基于改进后的残差网络的骨龄自动化识别系统 |
-
2018
- 2018-08-01 CN CN201810864007.6A patent/CN110265119A/zh active Pending
- 2018-08-01 TW TW107126751A patent/TWI684997B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI411971B (zh) * | 2008-03-04 | 2013-10-11 | Nat Univ Chung Hsing | 選手等級預測之方法及系統 |
US20180061054A1 (en) * | 2016-08-29 | 2018-03-01 | CephX Technologies Ltd. | Automated Cephalometric Analysis Using Machine Learning |
CN107591200A (zh) * | 2017-08-25 | 2018-01-16 | 卫宁健康科技集团股份有限公司 | 基于深度学习及影像组学的骨龄标记识别评估方法及系统 |
CN107767376A (zh) * | 2017-11-02 | 2018-03-06 | 西安邮电大学 | 基于深度学习的x线片骨龄预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
TW202004776A (zh) | 2020-01-16 |
CN110265119A (zh) | 2019-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI684997B (zh) | 骨齡評估與身高預測模型之建立方法、骨齡評估與身高預測系統及骨齡評估與身高預測方法 | |
JP6999812B2 (ja) | 骨年齢評価と身長予測モデルの確立方法、そのシステム及びその予測方法 | |
CN109543719B (zh) | 基于多模态注意力模型的宫颈非典型病变诊断模型和装置 | |
CN108464840B (zh) | 一种乳腺肿块自动检测方法及系统 | |
US20190246904A1 (en) | Stroke diagnosis and prognosis prediction method and system | |
CN104484886B (zh) | 一种mr图像的分割方法及装置 | |
CN109670489B (zh) | 基于多实例学习的弱监督式早期老年性黄斑病变分类方法 | |
TW202015067A (zh) | 染色體異常檢測模型之建立方法、染色體異常檢測系統及染色體異常檢測方法 | |
CN108305241B (zh) | 基于深度投票模型的sd-oct图像ga病变分割方法 | |
CN113298780B (zh) | 一种基于深度学习的儿童骨龄评估方法及系统 | |
CN110543912A (zh) | 自动获取胎儿关键切面超声视频中心动周期视频的方法 | |
CN101667289A (zh) | 基于nsct特征提取和监督分类的视网膜图像分割方法 | |
Tang et al. | CNN-based qualitative detection of bone mineral density via diagnostic CT slices for osteoporosis screening | |
CN116579982A (zh) | 一种肺炎ct图像分割方法、装置及设备 | |
CN111598868B (zh) | 一种肺部超声图像识别方法和系统 | |
CN114240874A (zh) | 基于深度卷积神经网络和特征融合的骨龄评定方法、设备及计算机可读存储介质 | |
Yuzkat et al. | Detection of sperm cells by single-stage and two-stage deep object detectors | |
TWI663960B (zh) | 足畸形檢測模型、足畸形檢測系統及足畸形檢測方法 | |
CN114926486B (zh) | 一种基于多层级改进的甲状腺超声图像智能分割方法 | |
CN113537375B (zh) | 一种基于多尺度级联的糖尿病视网膜病变分级方法 | |
CN113160261B (zh) | 一种用于oct图像角膜层分割的边界增强卷积神经网络 | |
CN113469942B (zh) | 一种ct图像病变检测方法 | |
CN113989588A (zh) | 一种基于自学习的五边形绘图测试智能评价系统及方法 | |
CN112862797A (zh) | 一种肝纤维化无损预测方法及系统 | |
Azemin et al. | Fusion of multiscale wavelet-based fractal analysis on retina image for stroke prediction |