[发明专利]一种基于轻量化模型的骨龄预测方法及装置

说明书

本发明提供一种基于轻量化模型的骨龄预测方法及装置。所述方法包括：获取被检测人的手部图像；基于融合轻量化网络shufflenet、ghostnet的建模方法建立分割模型，将所述手部图像输入训练好的分割模型，输出手部分割结果；基于融合轻量化网络shufflenet、ghostnet的建模方法建立骨龄预测模型，将所述手部图像和手部分割结果输入到训练好的骨龄预测模型，得到被检测人的骨龄。本发明既可降低计算量减轻时间消耗，又能降低内存访问成本MAC节约制造成本，适合于嵌入式系统计算的网络设计模式。值得说明的是，本发明所述方法不仅适合基于人手图像的骨龄预测，还适合基于任何人体器官图像的疾病类型诊断预测。

技术领域

本发明属于医学影像技术领域，具体涉及一种基于轻量化模型的骨龄预测方法及装置。

背景技术

骨龄是评价青少年儿童生物年龄的主要方法，在临床医学、法医学和运动医学等领域中有广泛的应用。骨龄评测方法分为图谱法和计分法。图谱法以GP图谱为代表，该方法将待测骨龄片与一组左手正位标准GP骨龄片相比较，选取最相似的一张“标准GP图谱骨龄片”的骨龄值，作为待测骨龄片的评测值。计分法以TW2/TW3法、CH05法为代表，对手腕部20块骨，分别评定其发育等级，进而计算出骨龄评测值。综上，骨龄评测是一个主观对比的过程，而且对于医师来说骨龄评测是比较耗时耗力的任务。使用深度学习方法来辅助医师进行骨龄评测可以极大减少医师的工作量并能有效地保证预测结果的稳定性。而现有的深度学习方法往往采用非常巨大的主干模型作为网络，在进行推理时不仅浪费时间还会消耗较多能源。

申请号为202110613678.7的发明专利，公开了一种基于改进的ResNeSt卷积神经网络模型的糖尿病性视网膜病变图像分类方法。其方法如下：首先从医院获取病变图像；对图像进行预处理，眼科医生手动标注，划分数据集；再搭建实验所需的深度学习服务器平台，然后编写python代码；在ResNeSt卷积神经网络中引入OctConv和SPConv两种轻量且高效的卷积操作，并引入Warm Restart和余弦退火的学习率调节机制。该方法的网络设计存在极高的碎片化，即网络中存在多路径分支，而网络结构的碎片化会降低并行效率；其次，这种网络设计含有非常多的元素级操作(元素级操作指的是对神经网络的输出特征进行逐个元素的操作，例如逐个元素的加减乘除等)，这也就意味着会有较大的MAC(memoryaccess cost)。上述两方面共同决定了该网络无法应用在嵌入式系统上。

发明内容

为了解决现有技术中存在的上述问题，本发明提供一种基于轻量化模型的骨龄预测方法及装置。

为了实现上述目的，本发明采用以下技术方案。

第一方面，本发明提供一种基于轻量化模型的骨龄预测方法，包括以下步骤：

获取被检测人的手部图像；

基于融合轻量化网络shufflenet、ghostnet的建模方法建立分割模型，将所述手部图像输入训练好的分割模型，输出手部分割结果；

基于融合轻量化网络shufflenet、ghostnet的建模方法建立骨龄预测模型，将所述手部图像和手部分割结果输入到训练好的骨龄预测模型，得到被检测人的骨龄。

进一步地，所述方法还包括图像预处理步骤：对获取的手部图像进行去噪处理；调整图像的对比度和亮度；旋转图像以消除倾斜；裁剪图像，通过添加padding的方式调整图像尺寸为512像素*512像素。

进一步地，所述基于融合轻量化网络shufflenet、ghostnet的建模方法包括：

利用通道分割模块将输入的特征图沿通道方向均分为第一特征图和第二特征图；

将第一特征图输入到由卷积层、批量归一化层和修正线性单元组成的组合模块，输出通道数减半的第三特征图；