[发明专利]一种骨龄评测模型减少干扰特征的图像预处理方法及系统

说明书

一种骨龄评测模型减少干扰特征的图像预处理方法，包括以下步骤：1)手部区域检测；2)手型图像分割；3)手掌角度调整。以及提供了一种骨龄评测模型减少干扰特征的图像预处理系统，包括手部区域检测模块、手型图像分割模块和手掌角度调整模块，其中，所述手部区域检测模块用于手骨的定位，去除手部区域在图像中位置不同形成的干扰特征；所述手型图像分割模块用于手骨的分割和背景的统一，去除背景不同形成的干扰；所述手掌角度调整模块用于手骨角度的统一，去除角度不同形成的干扰。本发明通过预处理手段调整手骨位置和角度，去除背景，用减少干扰特征的方式达到数据扩增的目的，使得模型训练更有效，分类能力和鲁棒性较好。

技术领域

本发明涉及到骨龄评测领域，用于在训练神经网络模型前对手骨X光图像进行预处理，能使训练更有效率，模型效果更好。

背景技术

骨龄是儿童青少年身体发育检测、内分泌疾病的检查、体育选材等方面的重要指标之一，因而骨龄评测有着广泛的应用。目前，骨龄的评测方法有人工方法、计算机辅助方法、深度学习方法等。由于骨龄评测的复杂性和人的主观因素过大，前两种方法都不能准确地评测骨龄；而随着深度学习技术的发展，越来越多的研究人员开始将深度学习用于骨龄评测中。

现有深度学习模型多为数据驱动，需要大量的数据作为支持。但是，骨龄图像质量往往参差不齐，手骨的位置、角度、背景都不相同，形成了大量的干扰特征，影响深度学习训练的效率。

发明内容

为了克服现有骨龄评测方式的骨龄X光片数据质量参差不齐、干扰特征较多、导致深度学习模型难以训练、分类能力和鲁棒性较差的不足，本发明提供了一种减少干扰特征、分类能力和鲁棒性较好的骨龄评测模型减少干扰特征的图像预处理方法及系统。

为了解决上述技术问题，本发明提供的技术方案为：

一种骨龄评测模型减少干扰特征的图像预处理方法，包括以下步骤：

1)手部区域检测，过程如下：

1.1)随机选出少量手部X光图像作为训练样本，人工给训练样本标注手骨的位置，得到训练集；

1.2)将训练集输入目标检测模型进行训练和测试；

目标检测模型大多基于卷积神经网络(CNN)，是一种可以进行多目标定位和分类的深度学习模型。常用的目标检测模型包括Faster-RCNN，YOLO，SSD等，它们会在图像中提出若干个置信度不一的候选框，然后将候选框内的图像输入CNN中进行分类判断。本发明中，用少量手骨图像进行训练，就可以得到检测手骨位置的目标检测模型；

1.3)将原始数据集输入训练得到的模型，得到每一张图像手骨位置的坐标数值，根据坐标对原始图像进行切割，可获得只包含手骨部分的图像。

通过以上步骤能够精准且快速的定位X光片中的手骨，有效地做到了手骨位置的统一。

2)手型图像分割，过程如下：

2.1)读取图像矩阵I，根据图像的灰度分布函数f(x)，假设图像灰度值中值为n，根据公式：

计算出图像灰度值的中值n；

2.2)以灰度值中值n为阈值，高于阈值的点设为1，低于阈值的点设为0，将图像二值化，形成由0，1组成的矩阵L；

2.3)根据矩阵：

对图像矩阵L进行八连通区域分析，将连通区域按包含的像素点个数进行排序，仅保留最大的连通区域，将其余连通区域内点的值都设为0；

2.4)将二值图矩阵L与原图像矩阵I点乘：

F＝L·I ③