[发明专利]基于深度学习实现图像分割和分类的骨龄评估方法

说明书

本发明公开一种基于深度学习实现图像分割和分类的骨龄评估方法。本发明包含以下步骤：1、使用数字图像处理方法对数据集进行处理，得到更高质量的样本数据；2、手动标记部分手骨图像，利用这部分图像来训练图像分割网络U‑Net，然后，使用训练好的U‑Net对数据集进行分割，得到去除背景后的数据集，并按照一定比例制作成训练集、验证集和测试集；3、利用处理好的数据集对改进的图像分类网络VGG16进行训练；4、利用测试集对训练好的模型进行测试并对结果进行评价。本发明提出的改进方法与原始骨龄评估方法相比，有效地提高了模型对手骨图像评估的准确率，同时有着更高的效率。

技术领域

本发明涉及医学影像智能诊断技术领域，尤其涉及X射线图像目标自动分割与识别、骨龄评估方法领域，具体涉及一种基于深度学习实现图像分割和分类的全自动骨龄评估方法。

背景技术

骨龄表示了某一年龄为特点的儿童生长发育的水平，它与个体的身体发育成熟度之间表现出完全一致的关系，是评价个体生长发育最为可靠的指标。骨龄评估是研究青少年儿童内分泌、遗传和生长障碍常用的一种临床方法。骨龄评估在青少年发育状况和预测、体育界选拔人才、疾病的发现和预防等领域有着很广的应用。目前对于手骨骨龄评定，国际上认可的评定方法包括Greulich-Pyle(GP)和Tanner-Whitehouse(TW)。GP法将手的整体视觉外观与标准骨龄图进行比较得出骨龄预测值。TW方法考虑手和手腕中的20个感兴趣区域(ROI)，并为每个感兴趣区域分配骨骼成熟度的离散阶段，每个阶段都对应根据性别不同而变化的分数，最后，根据计分表将所有分数的总和转换为骨龄估计。GP和TW都比较耗时，而且这两种方法都是高度主观的，极其依赖于从业者的经验，通常需要骨龄评估方面的专家。

深度学习作为机器学习研究中的一项新技术，通过学习一个深度非线性网络结构，可以刻画输入数据的特征，实现复杂函数的逼近。在骨龄自动评估领域，深度学习技术已经取得了超越现有技术的成果。lee等人使用了11000多张手部x光图像，然后初始化googlenet网络，通过对imagenet初始训练参数的微调学习，获得了较好的预测效果。Spampinato等人提出了针对自动骨龄评估的卷积神经网络Bonet由五个卷积层和池化层组成，实验结果显示与人工读片得出的骨龄相差不多。然而，大多数研究并没有考虑到除了手骨之外的其他对象(例如，X射线标签和注释标记)也存在于X射线图像中的问题。显然，这些物体充当噪声，将网络分散到图像的其他不重要区域。

发明内容

为了能够快速准确的实现对骨龄的评估，本发明提出了一种基于深度学习的骨龄评估方法。首先对原始数据集进行处理，得到更高质量的图像样本；然后，利用U-Net来获取手骨的掩模图像，将获得的掩模图像与原始图像进行对比得到去除背景后的手骨图像数据集，并按照一定比例将数据集制作成训练集、验证集和测试集；然后利用训练集的数据对改进的VGG16算法进行训练；最后利用测试集对训练得到的模型进行测试，并对结果进行评价。

本发明方法主要包括以下步骤：

(1)采用数字图像处理方法对原始的手骨图像样本进行增强，得到整幅手骨X线片样本图像；所述增强包括对原始样本进行直方图均衡、高斯滤波、幂律变换和锐化；

(2)选取1000张原始样本图像进行标记，得到手骨部分的掩模，将这部分图像作为分割数据集(训练集包括800张图像，验证集包括200张图像)用来训练U-Net网络模型；用训练好的U-Net模型对原始数据集进行分割，得到手掌分割结果；使用形态学方法对手掌分割结果进行后处理，将一些较小的连通域剔除，仅保留最大连通域；

(3)将得到的手掌分割数据集制作成训练集、验证集和测试集；使用制作好的训练集对改进的VGG16算法进行训练；

改进的VGG16算法如下：