[发明专利]自动骨龄预测方法、系统、计算机设备和存储介质

说明书

本发明涉及数据处理技术领域，尤其涉及一种自动骨龄预测方法、系统、计算机设备和存储介质。骨龄预测方法包括：采集左手X射线片图像，将采集到的左手X射线片图像进行手部分割，对分割后的图像进行摆正缩放到预设大小和位置，对摆正缩放后的图像进行自适应均衡处理后，将图像输入到骨龄预测网络结构中，得到骨龄预测值，重复进行骨龄训练，直到骨龄训练得到的骨龄预测值满足预设误差范围后，停止骨龄训练阶段，进入骨龄预测阶段，将预测值输出。本发明预测骨龄时，无需医师鉴定，整个预测过程在秒级内完成，预测效率高。

技术领域

本发明涉及数据处理技术领域，尤其涉及一种自动骨龄预测方法、系统、计算机设备和存储介质。

背景技术

人类身体发育过程中，不同时期的骨骼大小和形状有着明显的差异，正常发育的情况下，骨骼的年龄(骨龄)和真实的年龄差异性非常小，一旦发现该差异较大时，则表明身体发育的过程中可能存在某些潜在的疾病干扰着骨头的正常发育。因此，临床医师通过预测青少年骨骼系统的成熟度，从而尽早发现一些发育中的异常问题。目前，骨龄预测时，普通医师无法胜任，需要相关经验的医师来执行，致使骨龄预测必须去专门的鉴定机构完成。预测过程中，由于采用医师通过左手的X射线图像与骨骼发育的标准化图谱相比较，因此图像比较所花费时间长、预测效率低，一般都要有相关经验的医师来执行，虽然专家则可以将预测误差控制在6个月内，但是普通医师的预测误差要在12个月内。

另外，深度学习是机器学习中一种基于对数据进行表征学习的方法，深度学习的优势是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。卷积神经网络(Convolutional neural networks，简称CNNs)是一种深度的监督学习下的机器学习模型，是一种多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。卷积神经网络中，由于VGG网络结构对于图片有更精确的估值以及更省空间能力，随着深度学习的普及，VGG网络结构得到了普遍的认可。

发明内容

有鉴于此，有必要针对现有的骨龄预测花费时间长、预测误差大的问题，提供一种自动骨龄预测方法、系统、计算机设备和存储介质。

一种自动骨龄预测方法，包括如下步骤：

S1，采集左手X射线片图像；

S2，将采集到的左手X射线片图像进行手部分割，以去除手部以外部分的干扰，对分割后的图像进行摆正缩放到预设大小和位置，对摆正缩放后的图像进行自适应均衡处理后，将图像输入到骨龄预测网络结构中，得到骨龄预测值，所述骨龄预测网络结构是基于VGG网络结构的深度学习网络；

S3，重复步骤S2进行骨龄训练，直到骨龄训练得到的骨龄预测值满足预设误差范围后，停止骨龄训练阶段，进入骨龄预测阶段，将步骤2)得到的骨龄预测值输出。

在其中一个实施例中，步骤S1采集的左手X射线片图像是左手腕部正位X射线片，所述左手X射线片图像包括距离桡骨和尺骨2cm-3cm的骨干，及手部关节的多块骨，所述左手X射线片图像的管片距为70cm-90cm。

在其中一个实施例中，步骤S2包括如下步骤：

S201，使用U-net网络结构对采集到的左手X射线片图像进行手部分割，去除手部以外部分的干扰；

S202，手部分割完成后，使用关键点侦测网络结构对手部进行探测，得到三个侦测点，三个侦测点分别为中指指尖侦测点、大拇指指尖侦测点、腕骨中心点；

S203，依据得到的三个侦测点，将左手X射线片图像摆正缩放到512*512大小的图片中，摆正时中指指尖侦测点位于上边缘水平位置中点向下40像素处，大拇指指尖侦测点用于镜像翻转，确保大拇指指尖侦测点位于图片右侧，腕骨中心点在下边缘水平位置中点向上190像素处；