[发明专利]基于模型集成的儿童手骨X光图像骨龄评估方法及系统

说明书

本发明提出了一种基于模型集成的儿童手骨X光图像骨龄评估方法及系统。该方法为：获取儿童手骨X光图像集；构建骨龄预测网络，所述骨龄预测网络包括手骨分割子网络、第一骨龄预测子网络、第二骨龄预测子网络以及骨龄融合模块，所述第一骨龄预测子网络的层数多于所述第二骨龄预测子网络的层数；将儿童手骨X光图像集于手骨分割子网络中提取手骨区域,得到手骨区域的图像集，将提取到的手骨区域的图像与性别信息一起分别于第一骨龄预测子网络、第二骨龄预测子网络中进行训练预测，将第一骨龄预测子网络、第二骨龄预测子网络预测得到的骨龄于所述骨龄融合模块中进行融合，输出最终的骨龄预测值。该方法能取得更好的骨龄预测性能。

技术领域

本发明涉及人工智能计算机视觉和深度学习图像处理技术领域，具体涉及一种基于模型集成的儿童手骨X光图像骨龄评估方法及系统。

背景技术

儿童骨龄评估在儿科临床诊断、儿童的成年身高预测、体育竞技等领域有着广泛应用。由于手腕部最能代表骨骼发育程度与生长潜力，所以手腕部在儿童骨龄测评中最为常用。

传统骨龄评估方法可以分为两种类型，包括Greulich-Pyle图谱法和Tanner-White-house计分法。这些方法都需要医生通过读取骨骺和干骺端发育状况的形态特点进行骨龄评估，对评估者的专业技能要求较高。此外，人工读片、分析及推断骨龄均存在耗时长、误差较大、一致性欠佳等明显弊端。对同一张X光手骨图像，同一个阅片者不同时间的判定结果、不同阅片者之间的判定结果均存在较大差异。

随着计算机视觉技术的发展，智能骨龄评估方法逐渐兴起。早期的智能评估方法是对人工评估使用的特征进行自动提取，并且大多使用私有数据集测试，但这样得到的预测结果准确性非常的差。近年来，深度学习技术在计算机视觉领域取得了突破性进展。作为深度学习的代表性方法，卷积神经网络(convolutional neural networks,CNN)能够自动、快速地从图像中提取关键特征，取代了基于先验知识的传统特征提取方法。基于CNN进行小儿骨龄评估的研究也呈现出快速增长趋势，提高了骨龄评估精度，但这依然存在不足，究其原因大多为未充分发挥骨干网络的结构优势，未充分学习手骨区域的语义特征等。为了获得更加精确的骨龄评估结果，急需一种精度更高的骨龄评估方法。

发明内容

为了克服上述现有技术中存在的缺陷，本发明的目的是提供一种基于模型集成的儿童手骨X光图像骨龄评估方法及系统。

为了实现本发明的上述目的，本发明提供了一种基于模型集成的儿童手骨X光图像骨龄评估方法，包括以下步骤：

获取儿童手骨X光图像集；

构建骨龄预测网络，所述骨龄预测网络包括手骨分割子网络、第一骨龄预测子网络、第二骨龄预测子网络以及骨龄融合模块，所述第一骨龄预测子网络的层数多于所述第二骨龄预测子网络的层数；

将儿童手骨X光图像集于手骨分割子网络中提取手骨区域,得到手骨区域的图像集，将提取到的手骨区域的图像与性别信息一起分别于第一骨龄预测子网络、第二骨龄预测子网络中进行训练预测，将第一骨龄预测子网络、第二骨龄预测子网络预测得到的骨龄于所述骨龄融合模块中进行融合，输出最终的骨龄预测值。

该方法考虑了性别信息来弥补男性与女性在生理上的骨龄差异，并用采用两个不同结构的骨龄预测子网络进行骨龄回归，第一骨龄预测子网络侧重于捕获更加丰富和更加复杂的高阶特征，第二骨龄预测子网络侧重于捕获较为直观的低阶特征，能取得更好的骨龄预测性能。

该基于模型集成的儿童手骨X光图像骨龄评估方法的优选方案：所述手骨区域经M个第一可变卷积网络进行特征提取和尺度变换后获得的特征，与性别信息融合后，再经过两个密集连接层及一个全连接层，输出第一骨龄预测子网络的预测骨龄；

其中，每个所述第一可变卷积网络的网络层数有若干层，所述第一可变卷积网络包括多层感知注意力模块和聚合注意力模块，所述多层感知注意力模块、聚合注意力模块采用并行或串行连接，捕获手骨区域中的关键有效特征。