[发明专利]基于非下采样轮廓波变换和卷积神经网络的骨龄评估方法

说明书

本发明公开了一种基于非下采样轮廓波变换和卷积神经网络的X光图像骨龄评估方法，包括：首先对尺寸归一化后的X光图像进行非下采样轮廓波变换，得到多个尺度下的高频方向子带和一幅低频系数图，然后将它们输入到一个多通道卷积神经网络中，得到不同尺度下的特征图，最后将这些特征图层叠在一起后输入到一个由若干全连接层构成的回归网络中得到骨龄预测值；上述过程以一个端到端的网络结构实现，并使用误差反向传播机制实现网络训练。本发明方法利用非下采样轮廓波变换对原始空间域图像进行特征预提取和分离，能够克服现有深度学习方法在小规模数据集上网络训练的困难，提升网络的泛化性能，从而为临床应用提供更加准确可靠的评估方法。

技术领域

本发明涉及医学图像分析领域，具体涉及一种基于非下采样轮廓波变换和卷积神经网络的骨龄评估方法。

背景技术

作为儿科放射学中的一种常用技术，骨龄评估主要用于判断儿童骨骼发育的成熟程度，对内分泌紊乱诊断、生长激素治疗监控、青少年最终身高预测等多种临床问题具有十分重要的意义。目前，临床上最为流行的骨龄评估方法是基于受试者左手及手腕的X光图像，医生通过分析X光图像中相应骨骼结构的发育程度，完成对受试者的骨龄评估。然而，骨龄评估结果的准确性严重依赖于医生的经验和水平，不同的医生评估的结果可能差异很大，即使对于同一位医生，其多次评价的结果也可能存在一定的差别。

近年来，基于计算机辅助的自动骨龄评估方法成为医学图像分析领域一个活跃的研究方向，其基本思想是采用机器学习方法，使计算机具有“读”骨龄片的能力，能够自动给出一个骨龄估计值。借助于计算机强大的计算能力，计算机辅助自动骨龄评估可以在很短的时间完成评估任务，很大程度上减轻医生的工作负担，为医生提供参考和帮助。十几年来，多种自动骨龄评估方法被国内外研究学者提出，这些方法通常将骨龄评估问题建模为一个分类问题或者回归问题，通常包括手部区域分割，感兴趣区域提取、特征提取、分类器/回归器学习等步骤。最近，深度学习理论和方法在越来越多的医学图像分析问题领域获得了巨大的成功。在骨龄评估方向，近两年也逐渐开始出现基于深度学习(主要是卷积神经网络)的相关方法，并且展现出相对于传统方法的优势，为解决该问题提供了新途径。可参考文献：H.Lee,S.Tajmir,J.Lee,et al.,“Fully automated deep learning system forbone age assessment”,Journal of Digital Imaging,vol.30,no.4,pp.427-441,2017和C.Spampinato,S.Palazzo,D.Giordano,et al.,“Deep learning for automatedskeletal bone age assessment in X-ray images”,Medical Image Analysis,vol.36,pp.41-51,2017。

在目前已有的基于深度学习的骨龄评估方法中，神经网络的输入都是空间域X光图像，而没有进行特征的预提取。然而，在众多医学图像相关应用中，带标签(专家标注)的影像获取成本很高，数据量往往非常有限，这给网络的训练带来了很大困难。即使通过迁移学习的方式利用其它自然图像任务中预训练的网络模型，在样本规模很小的情况下也难以保证网络训练的水平，限制了评估系统的精度。

发明内容

本发明为克服现有技术存在的问题，提供了一种基于非下采样轮廓波变换和卷积神经网络的骨龄评估方法，以期能解决现有基于深度学习的方法在小规模数据集上进行网络训练困难的问题，提升网络的泛化性能，从而为临床应用提供更加准确可靠的评估方法。

本发明为解决上述问题采用如下技术方案：

本发明一种基于非下采样轮廓波变换和卷积神经网络的骨龄评估方法的特点在于，包括如下步骤：

步骤1：以手部X光图像作为原始输入图像并进行插值和边界连续型延拓的空间尺寸处理，得到归一化大小的手部X光图像；

步骤2：对所述归一化后的手部X光图像进行非下采样轮廓波变换处理，得到低频分量和不同尺度下的高频方向子带；