[发明专利]一种基于关键骨区定位的骨龄评估方法

说明书

本发明提供一种基于关键骨区定位的骨龄评估方法，所述方法包括将选择的手骨X光原始图像输入特征提取网络中，生成第一可视化热图，并利用第一可视化热图提取出完整手骨区域；将完整手骨区域输入特征提取网络中，生成第二可视化热图，并利用第二可视化热图提取出完整手骨区域中的腕骨区域；将完整手骨区域中的剩余区域输入基于注意力机制的特征提取网络，生成第三可视化热图，利用第三可视化热图提取出剩余区域中的掌指骨区域；将腕骨区域、掌指骨区域和对象的性别信息输入到预测网络中，得到对象的骨龄结果。本评估方法结合图像定位和骨龄预测，能够聚焦于手骨图像的关键区域，弱化无关区域的影响，从而实现准确的骨龄评估。

技术领域

本发明涉及图像定位和骨龄预测领域，尤其涉及一种基于关键骨区定位的骨龄评估方法。

背景技术

人的生长发育可用两个“年龄”来表示，即生活年龄(日历年龄)和生物年龄(骨龄)。骨龄代表着骨骼的成熟度，通常是基于左手、左手腕或左膝盖的X线片获得的，骨龄作为应用最为广泛的生物年龄，在临床医学、体育竞技、司法鉴定等领域都有重要意义。

骨骼骨年龄评估(BAA)是评价临床实践中个体生长发育水平和成熟程度最准确、最客观的方法。人类骨骼发育的变化基本相似，每一根骨头的发育过程都具有连续性和阶段性，不同阶段的骨头具有不同的形态特点。由于非显性手骨化分期的判别性质，BAA方法通常采用左手放射学检查，然后借助通用标准进行骨龄评估。

目前，Tanner-Whitehouse(TW)法和Greulich-Pyle(GP)法是两种常用方法。GP法是将被评价的X线片与发育程度相近的图谱标准片做整片比较，直到选择出发育程度最为相似的标准片，该标准片的骨龄即为被评价儿童的骨龄；而TW方法分析特定的感兴趣区域(ROIs，ROIs由桡骨、尺骨、腕骨和掌指骨组成)，通过评分机制单独评估，而不是基于整个X线片评估骨年龄。每个ROI都由一个数值评分系统来评估，最终的骨龄是通过所有ROI得分的平均值来估计的。然而，GP和TW方法都需要足够的专家知识来分析手部X光片。平均而言，一名训练有素的放射科医生可能需要7.9分钟或1.4分钟来分别使用TW或GP对患者进行骨龄评估。GP方法评估速度更快，且简单易学，76％的放射科医生选择使用GP方法。但是这种方法的缺陷是建立的标准没有考虑不同骨的权重(如长骨与腕骨)，实际应用难以完全符合某个标准骨龄，所以评价者必须主观判定符合哪个标准骨龄；基于TW的方法，如TW2和TW3，被用于特定骨骼的分析，而不是像GP方法那样用于全身骨骼的分析。与GP方法相比，TW方法具有更有效、更准确的性能，但TW方法使用较少，因为它们需要更多的时间来进行骨龄分析。

深度学习和神经网络模型的出现，使计算机能够模拟人类大脑的深层抽象认知过程，实现对数据的计算机复杂计算和优化。基于人工智能的自动骨龄评估可以解决放射科医生需要处理大量图像来确定骨龄的负担，显著减少了主观性、以及与传统骨龄评估方法相关的观察者之间和观察者内部的影响。现有的基于深度学习的骨龄评估方法总体上分为两大类：

全局图像作为输入：将全局图像作为输入的方法没有充分利用具有区别性的局部信息，忽略了对特定骨骼的细粒度分析，且无ROI方法的精度和可解释性普遍较差，这极大地限制了这类方法的实用价值；同时，原始输入的图像较大，将原始图像缩小为较低的分辨率又会损失部分的重要信息，而且原始图像手的摆放不同，在位置不确定的情况下，ROI较小，这也会降低模型的性能；除此之外，将原始图像作为输入还会存在X射线标签等其他物体因素的干扰。

额外标注边界框或关键点：通过额外标注边界框或关键点的方法需要对ROI进行大而精确的边界框/掩模标注，给领域专家带来了昂贵的劳动成本，限制了现实的实用价值；而且额外的标注不仅成本昂贵，且主观因素的影响也较大，领域专家识别的强监督ROI注意可能不适合自动化方法，严格的人类先验限制了深度学习的泛化。同时，现有端到端的关键区域定位研究，定位的ROI与临床医生定位的结果存在较大的误差，对预测结果产生了极大的影响。