CN109272002A - 一种骨龄片的分类方法及装置 - Google Patents

一种骨龄片的分类方法及装置 Download PDF

Info

Publication number
CN109272002A
CN109272002A CN201811161328.6A CN201811161328A CN109272002A CN 109272002 A CN109272002 A CN 109272002A CN 201811161328 A CN201811161328 A CN 201811161328A CN 109272002 A CN109272002 A CN 109272002A
Authority
CN
China
Prior art keywords
stone age
piece
coordinate
age piece
stone
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811161328.6A
Other languages
English (en)
Other versions
CN109272002B (zh
Inventor
魏子昆
华铱炜
王�琦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
According To Hangzhou Medical Technology Co Ltd
Original Assignee
According To Hangzhou Medical Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by According To Hangzhou Medical Technology Co Ltd filed Critical According To Hangzhou Medical Technology Co Ltd
Priority to CN201811161328.6A priority Critical patent/CN109272002B/zh
Publication of CN109272002A publication Critical patent/CN109272002A/zh
Application granted granted Critical
Publication of CN109272002B publication Critical patent/CN109272002B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例提供了一种骨龄片的分类方法及装置，涉及机器学习技术领域，该方法包括：获取待检测用户的骨龄片，调整骨龄片中的各骨头至基准位置，然后将调整后的骨龄片输入分类模型，确定骨龄片的类型，分类模型是以预先标记骨龄片类型的多张骨龄片为训练样本，对深度残差网络进行训练后确定的，骨龄片的类型包括左手、右手和非手。由于以预先标记骨龄片类型的多张骨龄片为训练样本，对深度残差网络进行训练后，确定分类模型，然后采用分类模型确定待检测用户的骨龄片的类型，将左手类型的骨龄片用于检测待检测用户的骨龄，避免了由于骨龄片不规范而导致检测精度低的问题。

Description

一种骨龄片的分类方法及装置
技术领域
本发明实施例涉及机器学习技术领域，尤其涉及一种骨龄片的分类方法及装置。
背景技术
“骨龄”是骨骼年龄的简称，是青少年儿童骨骼发育水平同骨发育标准比较而得出的发育年龄，它比年龄、身高、体重更能精确的反映出身体的成熟程度，更加准确地反映个体的生长发育水平和成熟程度。
临床上通过检测骨龄来判读儿童的生物学年龄，通过生物年龄与日历年龄的差异来评估儿童发育状况，了解儿童性成熟的趋势，预测儿童的成年身高等，并广泛用于影响儿童生长发育疾病的治疗监测，对一些儿科内分泌疾病的诊断有很大帮助。
现有技术中主要通过拍摄骨龄片，由人工查看骨龄片估计骨龄。为了保证骨龄评估的一致性，骨龄片一般为左手正位的骨龄片。但是有时候因为拍摄不规范的缘故，骨龄片并不是左手正位的骨龄片，导致评估的骨龄与实际骨龄相差较大。
发明内容
由于现有技术中，在拍摄不规范时，骨龄片并不是左手正位的骨龄片，导致评估的骨龄与实际骨龄相差较大的问题，本申请实施例提供了一种骨龄片的分类方法及装置。
第一方面，本申请实施例提供了一种骨龄片的分类方法，包括：
获取待检测用户的骨龄片；
调整所述骨龄片中的各骨头至基准位置；
将调整后的骨龄片输入分类模型，确定所述骨龄片的类型，所述分类模型是以预先标记骨龄片类型的多张骨龄片为训练样本，对深度残差网络进行训练后确定的，所述骨龄片的类型包括左手、右手和非手。
可选地，所述调整所述骨龄片中的各骨头至基准位置，包括：
获取预设基准点的坐标；
采用调整模型确定所述骨龄片中关键点的坐标，所述调整模型是以预先标记关键点的坐标的多张骨龄片为训练样本，对深度残差网络进行训练后确定的，所述关键点的坐标和所述预设基准点的坐标为同一坐标系中的坐标；
根据所述预设基准点的坐标和所述关键点的坐标确定所述骨龄片各骨头的当前位置与基准位置之间的对应关系；
根据所述对应关系将所述骨龄片中的各骨头调整至基准位置。
可选地，所述调整所述骨龄片中的各骨头至基准位置之前，还包括：
对所述骨龄片进行高斯滤波和二值化处理；
采用漫水法将二值化处理后的所述骨龄片划分为多个区域块；
从面积最大的区域块中分割出骨头图像；
将分割出的骨头图像粘贴至预设的背景图像中。
可选地，还包括：
在确定所述骨龄片的类型为左手时，确定所述骨龄片中各目标骨骺的位置；
针对每一个目标骨骺，根据所述目标骨骺的特征以及所述目标骨骺的位置确定所述目标骨骺的骨龄分数；
根据各目标骨骺的骨龄分数确定所述待检测用户的骨龄。
第二方面，本申请实施例提供了一种骨龄片的分类装置，包括：
获取模块，用于获取待检测用户的骨龄片；
调整模块，用于调整所述骨龄片中的各骨头至基准位置；
分类模块，用于将调整后的骨龄片输入分类模型，确定所述骨龄片的类型，所述分类模型是以预先标记骨龄片类型的多张骨龄片为训练样本，对深度残差网络进行训练后确定的，所述骨龄片的类型包括左手、右手和非手。
可选地，所述调整模块具体用于：
获取预设基准点的坐标；
采用调整模型确定所述骨龄片中关键点的坐标，所述调整模型是以预先标记关键点的坐标的多张骨龄片为训练样本，对深度残差网络进行训练后确定的，所述关键点的坐标和所述预设基准点的坐标为同一坐标系中的坐标；
根据所述预设基准点的坐标和所述关键点的坐标确定所述骨龄片各骨头的当前位置与基准位置之间的对应关系；
根据所述对应关系将所述骨龄片中的各骨头调整至基准位置。
可选地，所述调整模块还用于：
在调整所述骨龄片中的各骨头至基准位置之前，对所述骨龄片进行高斯滤波和二值化处理；
采用漫水法将二值化处理后的所述骨龄片划分为多个区域块；
从面积最大的区域块中分割出骨头图像；
将分割出的骨头图像粘贴至预设的背景图像中。
可选地，还包括检测模块；
所述检测模块具体用于：
在确定所述骨龄片的类型为左手时，确定所述骨龄片中各目标骨骺的位置；
针对每一个目标骨骺，根据所述目标骨骺的特征以及所述目标骨骺的位置确定所述目标骨骺的骨龄分数；
根据各目标骨骺的骨龄分数确定所述待检测用户的骨龄。
第三方面，本申请实施例提供了一种计算机设备，包括至少一个处理器、以及至少一个存储器，其中，所述存储单元存储有计算机程序，当所述程序被所述处理器执行时，使得所述处理器执行第一方面所述方法的步骤。
第四方面，本申请实施例提供了一种计算机可读介质，其存储有可由计算机设备执行的计算机程序，当所述程序在所述计算机设备上运行时，使得所述计算机设备执行第一方面所述方法的步骤。
本申请实施例中，以预先标记骨龄片类型的多张骨龄片为训练样本，对深度残差网络进行训练后，确定分类模型，然后采用分类模型确定待检测用户的骨龄片的类型，将左手类型的骨龄片用于检测待检测用户的骨龄，避免了由于骨龄片不规范而导致检测精度低的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种骨龄片的分类方法的流程示意图；
图2为本申请实施例提供的一种骨龄片的示意图；
图3为本申请实施例提供的一种预处理方法的流程示意图；
图4为本申请实施例提供的一种调整骨龄片的方法的流程示意图；
图5为本申请实施例提供的一种深度残差网络的结构示意图；
图6为本申请实施例提供的一种卷积特征提取块的结构示意图；
图7为本申请实施例提供的一种检测骨龄的方法的流程示意图；
图8为本申请实施例提供的一种骨龄片的分类装置的结构示意图；
图9为本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
为了方便理解，下面对本发明实施例中涉及的名词进行解释。
骨龄：骨骼年龄的简称，需要借助于骨骼在X光摄像中的特定图像来确定。通常要拍摄人左手手腕部的X光片，医生通过X光片观察左手掌指骨、腕骨及桡尺骨下端的骨化中心的发育程度，来确定骨龄。
本申请实施例中骨龄片的分类方法适用在检测骨龄之前，对待检测用户的骨龄片进行识别，判断骨龄片是否符合检测骨龄的标准。另一方面，该方法也适用于对训练深度残差网络的训练样本进行分类。
图1示例性示出了本申请实施例提供的一种骨龄片的分类方法的流程示意图，该流程可以由骨龄片的分类装置执行，具体包括以下步骤：
步骤S101，获取待检测用户的骨龄片。
骨龄片指采用X光拍摄的特定图像，通常拍摄人左手的X光片作为骨龄片，示例性地，如图2所示。有时候骨龄片是右手的X光片，或者脚等非手的X光片。
步骤S102，调整骨龄片中的各骨头至基准位置。
基准位置预先设置，具体地，基准位置可以是骨龄片中一个或多个骨头的预设位置。
可选地，调整骨龄片中的各骨头至基准位置之前，对骨龄片进行预处理，预处理过程包括以下步骤，如图3所示：
步骤S301，对骨龄片进行高斯滤波和二值化处理。
二值化的阈值通过求图像灰度直方图的最大类间距方法获得。
步骤S302，采用漫水法将二值化处理后的骨龄片划分为多个区域块。
步骤S303，从面积最大的区域块中分割出骨头图像。
步骤S304，将分割出的骨头图像粘贴至预设的背景图像中。
预设的背景图像可以是一张和手骨图像的长宽相符的纯黑图像。
进一步地，对图像归一化处理，包括以下步骤：骨龄片为dicom格式的图像，先根据dicom信息，选取窗宽窗位，转为png格式的骨龄片图像。通过在骨龄片图像上侧或两侧添加黑边，将骨龄片图像长宽比调整为1:1，最后将骨龄片图像缩放到512*512大小。
可选地，调整骨龄片中的各骨头至基准位置，具体包括以下步骤，如图4所示：
步骤S401，获取预设基准点的坐标。
预设基准点的坐标可以是预设的部分骨头的坐标，用于表示部分骨头的基准位置，比如预设基准点的坐标可以是与中指相关的点的预设坐标，用于表示中指的基准位置，预设基准点的坐标也可以是与小指相关的点的预设坐标，用于表示小指的基准位置。
步骤S402，采用调整模型确定骨龄片中关键点的坐标，调整模型是以预先标记关键点的坐标的多张骨龄片为训练样本，对深度残差网络进行训练后确定的。
关键点的坐标和预设基准点的坐标为同一坐标系中的坐标。
示例性地，获取多张骨龄片，然后人工标记骨龄片中小指周围的关键点，然后将标记关键点的骨龄片输入深度残差网络进行训练，当深度残差网络的目标函数满足预设条件时，确定调整模型。当获取待检测用户的骨龄片时，将骨龄片输入调整模型，确定骨龄片中小指周围的关键点。
步骤S403，根据预设基准点的坐标和关键点的坐标确定骨龄片各骨头的当前位置与基准位置之间的对应关系。
步骤S404，根据对应关系将骨龄片中的各骨头调整至基准位置。
当预设基准点和关键点都是与小指相关的点时，根据预设基准点的坐标和关键点的坐标可以确定小指在骨龄片中的当前位置与小指在骨龄片中的基准位置之间的对应关系，进一步也可以得到骨龄片中其他骨头的当前位置与基准位置之间的对应关系，其中对应关系包括平移关系以及旋转关系。然后根据对应关系将骨龄片中的各骨头调整至基准位置。由于左手和右手的骨龄片相似，但是当左手和右手的骨龄片中的骨头调整至基准位置时，左手的骨龄片和右手的骨龄片将相差较多，故在采用分类模型对骨龄片进行分类之前，将骨龄片中的各骨头调整至基准位置，从而提高了区分左手骨龄片和右手骨龄片的精度。
步骤S103，将调整后的骨龄片输入分类模型，确定骨龄片的类型。
分类模型是以预先标记骨龄片类型的多张骨龄片为训练样本，对深度残差网络进行训练后确定的，骨龄片的类型包括左手、右手和非手。
下面具体介绍分类模型的训练过程：获取多张骨龄片作为训练样本。针对每一张骨龄片，对骨龄片进行预处理，再将骨龄片中的各骨头调整至基准位置，其中，调整骨龄片的位置以及对骨龄片进行预处理的过程已在前文中描述，此处不再赘述。由标注人员标注每张骨龄片的类型，骨龄片的类型包括左手、右手和非手。然后对训练样本进行数据增强，数据增强的方法包括但不限于：
1、随机旋转一定角度。
2、随机上下左右平移0～30像素。
3、随机缩放0.85～1.15倍。
4、对图像对比度和亮度进行少量抖动。
5、通过对正常数据进行裁剪、部分旋转、粘贴，获得更多异常数据。
之后再将训练样本输入深度残差网络进行训练。训练时根据标注的骨龄片的类型和网络预测的骨龄片的类型计算loss函数，通过反向传播的方法训练，训练的优化算法使用带有动量和阶梯衰减的sgd算法。
可选地，上述深度残差网络的结构如图5所示，包括N个连续的卷积特征提取块以及一个全连接层，N大于0。针对N个卷积特征提取块中任意两个连续的第一卷积特征提取块和第二卷积特征提取块，第二卷积特征提取块输出的第二图像特征与第一卷积特征提取块输出的第一图像特征相加后作为第三积特征提取块的输入或者N个连续的卷积特征提取块的输出。第三卷积特征提取块为位于第二卷积特征提取块之后且与第二卷积特征提取块连续的卷积特征提取块。卷积特征提取块包括L个卷积模块，L大于0，任意一个卷积模块中包括卷积层、BN层及激励层，具体如图6所示。
分类模型训练好之后，将骨龄片经N个连续的卷积特征提取块处理，得到骨龄片的图像特征，将骨龄片的图像特征输入全连接层，输出骨龄片的类型。
由于以预先标记骨龄片类型的多张骨龄片为训练样本，对深度残差网络进行训练后，确定分类模型，然后采用分类模型确定待检测用户的骨龄片的类型，将左手类型的骨龄片用于检测待检测用户的骨龄，避免了由于骨龄片不规范而导致检测精度低的问题，提高检测骨龄的精度。
在上述步骤S103之后，在确定骨龄片的类型为左手时，采用类型为左手的骨龄片检测待检测用户的骨龄，具体包括以下步骤，如图7所示：
步骤S701，确定骨龄片中各目标骨骺的位置。
采用定位模型确定骨龄片中各目标骨骺的位置，定位模型包括粗定位模块和细定位模块，粗定位模块和细定位模块均为深度残差网络，其中，粗定位模块是以预先标记关键点的多张骨龄片为训练样本，对深度残差网络进行训练后确定的。细定位模块以预先标记关键点的多张粗分割区域的骨龄片为训练样本，对深度残差网络进行训练后确定的，细定位模块的数量根据粗定位模块输出的粗分割区域的数量确定。
首先将骨龄片输入所粗定位模块，确定骨龄片中各目标骨骺对应的第一关键点的坐标，然后根据各目标骨骺对应的第一关键点的坐标确定骨龄片中的一个或多个粗分割区域，粗分割区域包括一个或多个目标骨骺。针对每一个粗分割区域，将粗分割区域输入对应的细定位模块，确定粗分割区域中各目标骨骺对应的第二关键点的坐标，最后根据粗分割区域中各目标骨骺对应的第二关键点的坐标确定各目标骨骺的位置。
步骤S702，针对每一个目标骨骺，根据目标骨骺的特征以及目标骨骺的位置确定目标骨骺的骨龄分数。
目标骨骺的特征采用识别模型进行识别，识别模型是以预先标记目标骨骺特征类型的多张骨骺图像为训练样本，对深度残差网络进行训练后确定的。由于各个目标骨骺的特征存在差异，因此，可以针对每一个目标骨骺训练一个识别模型，从而提高识别目标骨骺的特征的精度。
根据目标骨骺的特征以及目标骨骺的位置查询骨龄评分标准确定骨龄分数。不同位置以及不同特征的骨骺对应不同的骨龄分数。在评分时，不同的骨龄评分标准确定的骨龄分数也会不一样，骨龄评分标准包括但不限于TW3骨龄评分标准、G-P(图谱法)。
步骤S703，根据各目标骨骺的骨龄分数确定待检测用户的骨龄。
由于骨骺的不同形态代表着不同的骨龄阶段，不同位置的骨骺的形态也会存下一定的区别，因此本申请实施例中采用定位模型自动确定目标骨骺的位置，然后结合目标骨骺的特征以及目标骨骺的位置确定骨龄分数，基于骨龄分数确定待检测用户的骨龄，而不需要人工主观根据骨龄片判断骨龄，从而一方面提高了检测骨龄的精度，另一方面提高了检测骨龄的效率。
基于相同的技术构思，本申请实施例提供了一种骨龄片的分类装置，如图8所示，该装置800包括：
获取模块801，用于获取待检测用户的骨龄片；
调整模块802，用于调整所述骨龄片中的各骨头至基准位置；
分类模块803，用于将调整后的骨龄片输入分类模型，确定所述骨龄片的类型，所述分类模型是以预先标记骨龄片类型的多张骨龄片为训练样本，对深度残差网络进行训练后确定的，所述骨龄片的类型包括左手、右手和非手。
可选地，所述调整模块802具体用于：
获取预设基准点的坐标；
采用调整模型确定所述骨龄片中关键点的坐标，所述调整模型是以预先标记关键点的坐标的多张骨龄片为训练样本，对深度残差网络进行训练后确定的，所述关键点的坐标和所述预设基准点的坐标为同一坐标系中的坐标；
根据所述预设基准点的坐标和所述关键点的坐标确定所述骨龄片各骨头的当前位置与基准位置之间的对应关系；
根据所述对应关系将所述骨龄片中的各骨头调整至基准位置。
可选地，所述调整模块802还用于：
在调整所述骨龄片中的各骨头至基准位置之前，对所述骨龄片进行高斯滤波和二值化处理；
采用漫水法将二值化处理后的所述骨龄片划分为多个区域块；
从面积最大的区域块中分割出骨头图像；
将分割出的骨头图像粘贴至预设的背景图像中。
可选地，还包括检测模块804；
所述检测模块具体用于：
在确定所述骨龄片的类型为左手时，确定所述骨龄片中各目标骨骺的位置；
针对每一个目标骨骺，根据所述目标骨骺的特征以及所述目标骨骺的位置确定所述目标骨骺的骨龄分数；
根据各目标骨骺的骨龄分数确定所述待检测用户的骨龄。
基于相同的技术构思，本申请实施例提供了一种计算机设备，如图9所示，包括至少一个处理器901，以及与至少一个处理器连接的存储器902，本申请实施例中不限定处理器901与存储器902之间的具体连接介质，图9中处理器901和存储器902之间通过总线连接为例。总线可以分为地址总线、数据总线、控制总线等。
在本申请实施例中，存储器902存储有可被至少一个处理器901执行的指令，至少一个处理器901通过执行存储器902存储的指令，可以执行前述的骨龄片的分类方法中所包括的步骤。
其中，处理器901是计算机设备的控制中心，可以利用各种接口和线路连接计算机设备的各个部分，通过运行或执行存储在存储器902内的指令以及调用存储在存储器902内的数据，从而实现骨龄片分类。可选的，处理器901可包括一个或多个处理单元，处理器901可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作***、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器901中。在一些实施例中，处理器901和存储器902可以在同一芯片上实现，在一些实施例中，它们也可以在独立的芯片上分别实现。
处理器901可以是通用处理器，例如中央处理器(CPU)、数字信号处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器902作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器902可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory，RAM)、静态随机访问存储器(Static Random Access Memory，SRAM)、可编程只读存储器(Programmable Read Only Memory，PROM)、只读存储器(Read Only Memory，ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性存储器、磁盘、光盘等等。存储器902是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本申请实施例中的存储器902还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。
基于同一发明构思，本申请实施例还提供了一种计算机可读介质，其存储有可由计算机设备执行的计算机程序，当所述程序在计算机设备上运行时，使得所述计算机设备执行骨龄分类的方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种骨龄片的分类方法，其特征在于，包括：
获取待检测用户的骨龄片；
调整所述骨龄片中的各骨头至基准位置；
将调整后的骨龄片输入分类模型，确定所述骨龄片的类型，所述分类模型是以预先标记骨龄片类型的多张骨龄片为训练样本，对深度残差网络进行训练后确定的，所述骨龄片的类型包括左手、右手和非手。
2.如权利要求1所述的方法，其特征在于，所述调整所述骨龄片中的各骨头至基准位置，包括：
获取预设基准点的坐标；
采用调整模型确定所述骨龄片中关键点的坐标，所述调整模型是以预先标记关键点的坐标的多张骨龄片为训练样本，对深度残差网络进行训练后确定的，所述关键点的坐标和所述预设基准点的坐标为同一坐标系中的坐标；
根据所述预设基准点的坐标和所述关键点的坐标确定所述骨龄片各骨头的当前位置与基准位置之间的对应关系；
根据所述对应关系将所述骨龄片中的各骨头调整至基准位置。
3.如权利要求1所述的方法，其特征在于，所述调整所述骨龄片中的各骨头至基准位置之前，还包括：
对所述骨龄片进行高斯滤波和二值化处理；
采用漫水法将二值化处理后的所述骨龄片划分为多个区域块；
从面积最大的区域块中分割出骨头图像；
将分割出的骨头图像粘贴至预设的背景图像中。
4.如权利要求1至3任一所述的方法，其特征在于，还包括：
在确定所述骨龄片的类型为左手时，确定所述骨龄片中各目标骨骺的位置；
针对每一个目标骨骺，根据所述目标骨骺的特征以及所述目标骨骺的位置确定所述目标骨骺的骨龄分数；
根据各目标骨骺的骨龄分数确定所述待检测用户的骨龄。
5.一种骨龄片的分类装置，其特征在于，包括：
获取模块，用于获取待检测用户的骨龄片；
调整模块，用于调整所述骨龄片中的各骨头至基准位置；
分类模块，用于将调整后的骨龄片输入分类模型，确定所述骨龄片的类型，所述分类模型是以预先标记骨龄片类型的多张骨龄片为训练样本，对深度残差网络进行训练后确定的，所述骨龄片的类型包括左手、右手和非手。
6.如权利要求5所述的装置，其特征在于，所述调整模块具体用于：
获取预设基准点的坐标；
采用调整模型确定所述骨龄片中关键点的坐标，所述调整模型是以预先标记关键点的坐标的多张骨龄片为训练样本，对深度残差网络进行训练后确定的，所述关键点的坐标和所述预设基准点的坐标为同一坐标系中的坐标；
根据所述预设基准点的坐标和所述关键点的坐标确定所述骨龄片各骨头的当前位置与基准位置之间的对应关系；
根据所述对应关系将所述骨龄片中的各骨头调整至基准位置。
7.如权利要求5所述的装置，其特征在于，所述调整模块还用于：
在调整所述骨龄片中的各骨头至基准位置之前，对所述骨龄片进行高斯滤波和二值化处理；
采用漫水法将二值化处理后的所述骨龄片划分为多个区域块；
从面积最大的区域块中分割出骨头图像；
将分割出的骨头图像粘贴至预设的背景图像中。
8.如权利要求5至7任一所述的装置，其特征在于，还包括检测模块；
所述检测模块具体用于：
在确定所述骨龄片的类型为左手时，确定所述骨龄片中各目标骨骺的位置；
针对每一个目标骨骺，根据所述目标骨骺的特征以及所述目标骨骺的位置确定所述目标骨骺的骨龄分数；
根据各目标骨骺的骨龄分数确定所述待检测用户的骨龄。
9.一种计算机设备，其特征在于，包括至少一个处理器、以及至少一个存储器，其中，所述存储单元存储有计算机程序，当所述程序被所述处理器执行时，使得所述处理器执行权利要求1～4任一权利要求所述方法的步骤。
10.一种计算机可读介质，其特征在于，其存储有可由计算机设备执行的计算机程序，当所述程序在所述计算机设备上运行时，使得所述计算机设备执行权利要求1～4任一所述方法的步骤。
CN201811161328.6A 2018-09-30 2018-09-30 一种骨龄片的分类方法及装置 Active CN109272002B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811161328.6A CN109272002B (zh) 2018-09-30 2018-09-30 一种骨龄片的分类方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811161328.6A CN109272002B (zh) 2018-09-30 2018-09-30 一种骨龄片的分类方法及装置

Publications (2)

Publication Number Publication Date
CN109272002A true CN109272002A (zh) 2019-01-25
CN109272002B CN109272002B (zh) 2020-11-24

Family

ID=65195047

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811161328.6A Active CN109272002B (zh) 2018-09-30 2018-09-30 一种骨龄片的分类方法及装置

Country Status (1)

Country Link
CN (1) CN109272002B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109961099A (zh) * 2019-03-26 2019-07-02 浙江康体汇科技有限公司 一种基于身高年龄的多分类器手腕骨等级识别方法
CN109977864A (zh) * 2019-03-26 2019-07-05 浙江康体汇科技有限公司 一种基于二次分类的手腕骨等级识别方法
CN109994172A (zh) * 2019-03-06 2019-07-09 杭州津禾生物科技有限公司 骨龄在线数字化测算及身高数据库管理***
CN110516715A (zh) * 2019-08-05 2019-11-29 杭州依图医疗技术有限公司 一种手骨分类方法及装置
CN110598030A (zh) * 2019-09-26 2019-12-20 西南大学 一种基于局部cnn框架的甲骨拓片分类方法
CN111882517A (zh) * 2020-06-08 2020-11-03 杭州深睿博联科技有限公司 一种基于图卷积神经网络的骨龄评测方法、***、终端及存储介质
CN112785555A (zh) * 2020-12-30 2021-05-11 深兰人工智能芯片研究院（江苏）有限公司 骨检测方法、装置、电子设备及存储介质
CN113487656A (zh) * 2021-07-26 2021-10-08 推想医疗科技股份有限公司 图像配准方法及装置，训练方法及装置，控制方法及装置
CN113570618A (zh) * 2021-06-28 2021-10-29 内蒙古大学 一种基于深度学习的加权骨龄评估方法及***

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100715763B1 (ko) * 2006-03-15 2007-05-08 재단법인서울대학교산학협력재단 아틀라스 매칭법을 이용한 뼈 나이 평가방법
KR100838339B1 (ko) * 2007-08-06 2008-06-13 주식회사 오스테오시스 골 연령 판정 및 성인 신장 예측방법 및 그 프로그램이 기록된 기록매체
CN102945545A (zh) * 2012-10-18 2013-02-27 重庆医科大学 一种鲁棒的骨龄评定图像预处理及骨关键点定位方法
CN103300872A (zh) * 2013-05-29 2013-09-18 罗伟 一种分析骨龄的方法及检测装置
US20160300146A1 (en) * 2015-04-12 2016-10-13 Behzad Nejat Method of Design for Identifying Fixed and Removable Medical Prosthetics Using a Dynamic Anatomic Database
CN106327495A (zh) * 2016-08-26 2017-01-11 穆达文 一种生物骨骼识别方法、装置及***
CN107591200A (zh) * 2017-08-25 2018-01-16 卫宁健康科技集团股份有限公司 基于深度学习及影像组学的骨龄标记识别评估方法及***
CN107767376A (zh) * 2017-11-02 2018-03-06 西安邮电大学 基于深度学习的x线片骨龄预测方法及***
CN107895367A (zh) * 2017-11-14 2018-04-10 中国科学院深圳先进技术研究院 一种骨龄识别方法、***及电子设备
CN108056786A (zh) * 2017-12-08 2018-05-22 浙江大学医学院附属儿童医院 一种基于深度学习的骨龄检测方法和装置
CN108334899A (zh) * 2018-01-28 2018-07-27 浙江大学 基于手骨x光片骨骼和关节量化信息集成的骨龄评估方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100715763B1 (ko) * 2006-03-15 2007-05-08 재단법인서울대학교산학협력재단 아틀라스 매칭법을 이용한 뼈 나이 평가방법
KR100838339B1 (ko) * 2007-08-06 2008-06-13 주식회사 오스테오시스 골 연령 판정 및 성인 신장 예측방법 및 그 프로그램이 기록된 기록매체
CN102945545A (zh) * 2012-10-18 2013-02-27 重庆医科大学 一种鲁棒的骨龄评定图像预处理及骨关键点定位方法
CN103300872A (zh) * 2013-05-29 2013-09-18 罗伟 一种分析骨龄的方法及检测装置
US20160300146A1 (en) * 2015-04-12 2016-10-13 Behzad Nejat Method of Design for Identifying Fixed and Removable Medical Prosthetics Using a Dynamic Anatomic Database
CN106327495A (zh) * 2016-08-26 2017-01-11 穆达文 一种生物骨骼识别方法、装置及***
CN107591200A (zh) * 2017-08-25 2018-01-16 卫宁健康科技集团股份有限公司 基于深度学习及影像组学的骨龄标记识别评估方法及***
CN107767376A (zh) * 2017-11-02 2018-03-06 西安邮电大学 基于深度学习的x线片骨龄预测方法及***
CN107895367A (zh) * 2017-11-14 2018-04-10 中国科学院深圳先进技术研究院 一种骨龄识别方法、***及电子设备
CN108056786A (zh) * 2017-12-08 2018-05-22 浙江大学医学院附属儿童医院 一种基于深度学习的骨龄检测方法和装置
CN108334899A (zh) * 2018-01-28 2018-07-27 浙江大学 基于手骨x光片骨骼和关节量化信息集成的骨龄评估方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHIH-YEN CHEN ET AL.: "A study of bone age evaluation based on hand knuckles radiogram", 《2014 IEEE INTERNATIONAL INSTRUMENTATION AND MEASUREMENT TECHNOLOGY CONFERENCE (I2MTC) PROCEEDINGS》 *
MARKUS HARMSEN ET AL.: "Support Vector Machine Classification Based on Correlation Prototypes Applied to Bone Age Assessment", 《IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS》 *
刘洁琳: "计算机辅助桡骨骨龄等级评估", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *
董娜 等: "基于X光图像的骨龄评估***设计与实现", 《计算技术与自动化》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109994172A (zh) * 2019-03-06 2019-07-09 杭州津禾生物科技有限公司 骨龄在线数字化测算及身高数据库管理***
CN109961099B (zh) * 2019-03-26 2022-03-04 浙江康体汇科技有限公司 一种基于身高年龄的多分类器手腕骨等级识别方法
CN109977864A (zh) * 2019-03-26 2019-07-05 浙江康体汇科技有限公司 一种基于二次分类的手腕骨等级识别方法
CN109961099A (zh) * 2019-03-26 2019-07-02 浙江康体汇科技有限公司 一种基于身高年龄的多分类器手腕骨等级识别方法
CN109977864B (zh) * 2019-03-26 2022-03-04 浙江康体汇科技有限公司 一种基于二次分类的手腕骨等级识别方法
CN110516715A (zh) * 2019-08-05 2019-11-29 杭州依图医疗技术有限公司 一种手骨分类方法及装置
CN110598030A (zh) * 2019-09-26 2019-12-20 西南大学 一种基于局部cnn框架的甲骨拓片分类方法
CN110598030B (zh) * 2019-09-26 2022-05-17 西南大学 一种基于局部cnn框架的甲骨拓片分类方法
CN111882517A (zh) * 2020-06-08 2020-11-03 杭州深睿博联科技有限公司 一种基于图卷积神经网络的骨龄评测方法、***、终端及存储介质
CN111882517B (zh) * 2020-06-08 2024-06-21 杭州深睿博联科技有限公司 一种基于图卷积神经网络的骨龄评测方法、***、终端及存储介质
CN112785555A (zh) * 2020-12-30 2021-05-11 深兰人工智能芯片研究院（江苏）有限公司 骨检测方法、装置、电子设备及存储介质
CN112785555B (zh) * 2020-12-30 2022-08-02 深兰智能科技(上海)有限公司 骨检测方法、装置、电子设备及存储介质
CN113570618A (zh) * 2021-06-28 2021-10-29 内蒙古大学 一种基于深度学习的加权骨龄评估方法及***
CN113570618B (zh) * 2021-06-28 2023-08-08 内蒙古大学 一种基于深度学习的加权骨龄评估方法及***
CN113487656A (zh) * 2021-07-26 2021-10-08 推想医疗科技股份有限公司 图像配准方法及装置，训练方法及装置，控制方法及装置

Also Published As

Publication number Publication date
CN109272002B (zh) 2020-11-24

Similar Documents

Publication Publication Date Title
CN109272002A (zh) 一种骨龄片的分类方法及装置
CN109146879A (zh) 一种检测骨龄的方法及装置
CN109377484A (zh) 一种检测骨龄的方法及装置
CN109741309B (zh) 一种基于深度回归网络的骨龄预测方法及装置
CN107464250B (zh) 基于三维mri图像的乳腺肿瘤自动分割方法
CN109285154A (zh) 一种检测骨龄的方法及装置
CN110309706A (zh) 人脸关键点检测方法、装置、计算机设备及存储介质
CN111291825B (zh) 病灶分类模型训练方法、装置、计算机设备和存储介质
CN108734694A (zh) 基于faster r-cnn的甲状腺肿瘤超声图像自动识别方法
CN110399927B (zh) 识别模型训练方法、目标识别方法及装置
CN109255786A (zh) 一种检测骨龄的方法及装置
CN109509177B (zh) 一种脑部影像识别的方法及装置
CN110827236B (zh) 基于神经网络的脑组织分层方法、装置、计算机设备
JP2021535484A (ja) 自動的な腫瘍検出及び分類のためのシステム
CN108875731A (zh) 目标识别方法、装置、***及存储介质
CN110533639B (zh) 一种关键点定位方法及装置
CN111985518A (zh) 门窗检测方法及其模型训练的方法、装置
CN113780201B (zh) 手部图像的处理方法及装置、设备和介质
CN112215842A (zh) 基于良性甲状腺模板的恶性结节边缘检测图像处理方法
CN108416253A (zh) 基于人脸图像的体重监测方法、***及移动终端
CN108416304B (zh) 一种利用上下文信息的三分类人脸检测方法
CN110796659A (zh) 一种目标检测结果的鉴别方法、装置、设备及存储介质
CN110287767A (zh) 可防攻击的活体检测方法、装置、计算机设备及存储介质
CN111028940B (zh) 肺结节多尺度检测方法、装置、设备及介质
CN113781488A (zh) 舌象图像的分割方法、装置及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Fu Junfen

Inventor after: Wei Zikun

Inventor after: Hua Yiwei

Inventor after: Wang Qi

Inventor before: Wei Zikun

Inventor before: Hua Yiwei

Inventor before: Wang Qi

GR01 Patent grant
GR01 Patent grant