[发明专利]骨龄预测方法、装置、电子设备及可读存储介质在审
| 申请号: | 201911007755.3 | 申请日: | 2019-10-22 |
| 公开(公告)号: | CN110874834A | 公开(公告)日: | 2020-03-10 |
| 发明(设计)人: | 陈挺;刘晓鸿;王光宇 | 申请(专利权)人: | 清华大学 |
| 主分类号: | G06T7/00 | 分类号: | G06T7/00;G06T7/11;G06N3/04;G06N3/08;G06K9/62 |
| 代理公司: | 北京润泽恒知识产权代理有限公司 11319 | 代理人: | 莎日娜 |
| 地址: | 100084*** | 国省代码: | 北京;11 |
| 权利要求书: | 查看更多 | 说明书: | 查看更多 |
| 摘要: | |||
| 搜索关键词: | 预测 方法 装置 电子设备 可读 存储 介质 | ||
1.一种基于深度学习的骨龄预测方法,其特征在于,所述方法包括:
获取待预测对象的待预测X光骨图,所述待预测对象包括男性待预测对象和女性待预测对象;
通过骨关键区域提取模型对所述待预测X光骨图进行关键点检测和关键区域提取,得到待预测对象的多张骨关键区域图;
通过骨成熟度预测模型对所述待预测对象的多张骨关键区域图进行预测,得到每张骨关键区域图属于每一类骨分类的概率,根据所述每张骨关键区域图属于每一类骨分类的概率,得到所述待预测对象的多张骨关键区域图对应的骨分类结果;
通过男性骨龄预测模型对所述男性待预测对象的所述多张骨关键区域图对应的骨分类结果进行计算,得到所述男性待预测对象的骨龄预测结果,或
通过女性骨龄预测模型对所述女性待预测对象的所述多张骨关键区域图对应的骨分类结果进行计算,得到所述女性待预测对象的骨龄预测结果。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取多张临床X光骨图样本;
将所述临床X光骨图样本分为训练集和验证集,对待训练骨关键区域提取模型进行多轮训练,直至输出的关键点预测的误差在第一预设轮数内均不再下降,结束训练,得到所述骨关键区域提取模型,所述骨关键区域提取模型用于输出多张预设大小的骨关键区域图。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取多张临床骨关键区域图样本;
将所述临床骨关键区域图样本分为训练集和验证集,对待训练骨成熟度预测模型进行多轮训练,直至输出的骨分类结果的误差在第二预设轮数内均不再下降,结束训练,得到所述骨成熟度预测模型。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取多组临床骨分类结果样本,每组所述骨分类结果样本包含每个待预测对象样本的多个骨分类结果样本,所述多组临床骨分类结果样本包括多组男性临床骨分类结果样本和多组女性临床骨分类结果样本,待预测对象样本包括男性待预测对象样本和女性待预测对象样本;
将所述多组男性临床骨分类结果样本分为训练集和验证集,对男性待训练骨龄预测模型进行多轮训练,直至输出的男性待预测对象样本的骨龄预测结果的误差在第三预设轮数内均不再下降,结束训练,得到男性骨龄预测模型;
将所述多组女性临床骨分类结果样本分为训练集和验证集,对女性待训练骨龄预测模型进行多轮训练,直至输出的女性待预测对象样本的骨龄预测结果误差在第三预设轮数内均不再下降,结束训练,得到女性骨龄预测模型。
5.一种基于深度学习的骨龄预测装置,其特征在于,所述装置包括:
获取模块,用于获取待预测对象的待预测X光骨图,所述待预测对象包括男性待预测对象和女性待预测对象;
骨关键区域提取模块,用于通过骨关键区域提取模型对所述待预测X光骨图进行关键点检测和关键区域提取,得到待预测对象的多张骨关键区域图;
骨成熟度预测模块,用于通过骨成熟度预测模型对所述待预测对象的多张骨关键区域图进行预测,得到每张骨关键区域图属于每一类骨分类的概率,根据所述每张骨关键区域图属于每一类骨分类的概率,得到所述待预测对象的多张骨关键区域图对应的骨分类结果;
男性骨龄预测模块,用于通过男性骨龄预测模型对所述男性待预测对象的所述多张骨关键区域图对应的骨分类结果进行计算,得到所述男性待预测对象的骨龄预测结果;
女性骨龄预测模块,用于通过女性骨龄预测模型对所述女性待预测对象的所述多张骨关键区域图对应的骨分类结果进行计算,得到所述女性待预测对象的骨龄预测结果。
6.根据权利要求5所述的装置,其特征在于,所述装置还包括:
第二获取模块,用于获取多张临床X光骨图样本;
骨关键区域提取模型训练模块,用于将所述临床X光骨图样本分为训练集和验证集,对待训练骨关键区域提取模型进行多轮训练,直至输出的关键点预测的误差在第一预设轮数内均不再下降,结束训练,得到所述骨关键区域提取模型,所述骨关键区域提取模型用于输出多张预设大小的骨关键区域图。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于清华大学,未经清华大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201911007755.3/1.html,转载请声明来源钻瓜专利网。





