【技术实现步骤摘要】
一种具有自主学习能力的儿童骨龄评估方法及系统
[0001]本专利技术涉及一种具有自主学习能力的儿童骨龄评估方法及系统，适用于计算机视觉中目标检测任务下的儿童骨龄评估领域
。
技术介绍
[0002]人类生长发育年龄可分为历法年龄和生物年龄，生物学年龄医学上一般以骨龄来判断
。
人体不同骨骼在发育过程中表现出连续性和阶段性，不同年龄骨形态存在明显差异
。
骨龄是通过观察左手骨的发育状况，如其形状
、
大小
、
位置和闭合程度来确定的
。
骨龄评估最早应用于医学研究，帮助了解和促进儿童生长迟缓
、
预防性早熟
、
预测儿童成年身高
、
辅助诊断内分泌疾病等
。
后来，骨龄评估的应用场景被广泛拓展，如确定运动员实际年龄
、
法医学作为不定罪标准等
。
[0003]最初的骨龄评估方法是基于左手
X
射线影像，由医生通过
GP
图谱法或
TW
方法进行人工评估
。GP
图谱法将图像与参考图谱进行比较，并为其估计的骨龄选择最相似的剖面
。TW
方法使用不同骨骼发育形态的累积分数来评估骨龄
。
最新版本的
TW3
方法比
GP
映射方法更客观，因此被认为比
GP
映射方法具有更高的准确性和重现性
。
【技术保护点】
【技术特征摘要】
1.
一种具有自主学习能力的儿童骨龄评估方法，其特征在于步骤如下：
S101
：对脱敏后的手骨影像进行预处理，将儿童左手骨
X
光影像的长边缩放为统一像素，然后将短边按比例缩放，儿童左手骨
X
光影像均包含
13
个骨骼区域；
S102
：将预处理好的儿童左手骨
X
光影像送入目标检测模型
YOLOv5
中进行
13
块手骨区域的位置标定与类别检测；
S103
：
YOLOv5
模型的输出一个包含
13
块骨骼区域的检测框坐标与检测类别的张量，由于在
YOLOv5
进行目标检测的过程中同一块手骨骼区域会产生大量的检测框，使用
NMS
非极大值抑制方法剔除冗余的检测框，只保留置信度最高的检测框；
S104
：根据
YOLOv5
模型的输出结果对儿童左手骨
X
光影像进行切分，利用
S103
中
YOLOv5
输出的
13
个手骨骼区域的检测框坐标，从原始儿童左手骨
X
光影像中切分出
13
张对应
13
块手骨区域的图像；
S105
：对切分出来的
13
张手骨骼区域图像进行预处理，先将
13
张骨骼区域图像缩放为统一预设大小，然后将每一块手骨骼区域图像都裁剪为多个不同尺寸的子图像，以便在不同尺度下进行特征提取，同时，将裁剪后的子图像中像素值归一化到0到1之间完成预处理；
S106
：将预处理好的手骨骼区域子图像输入对应专用的
CAP
模型中进行特征提取与预测，每个
CAP
模型接收来自同一块手骨骼区域不同尺度的子图像，使用卷积神经网络
Xception
提取不同尺度下各个子图像的特征表示，在得到每个尺度的特征图后，通过上下文感知注意力池化模块来整合各个子图像的上下文信息；该模块首先使用
Bilinear pooling
双线性池化方法将不同尺度的特征图表示为大小一致的特征矩阵，然后计算这些特征矩阵之间的相似性值，以每一个尺度的特征图与其他尺度特征图的相似性值作为权重对不同尺度的特征图进行加权求和，得到每一个尺度特征图的上下文向量，该上下文向量中包含该尺度与其他尺度特征的相关性，具有比原始特征图更丰富的特征表示，生成的上下文向量的数量与子图像的数量一致；
S107
：将
S106
中生成的不同尺度子图像的上下文向量经过全局平均池化后输入到长短期记忆网络
LSTM
中得到最终的特征图，通过可学习的池化层和
Softmax
函数将特征图归一化为概率分布，该概率分布表示输入的手骨骼区域图像处于哪一个生长发育等级的置信度，对概率分布中的概率进行排序，以概率最高的等级作为预测的骨龄等级输出；，
S108
：根据中华
05
骨龄评分标准，依据
13
块手骨骼区域生长状态，尺骨包括7个骨龄等级，其余
12
个骨骼区域每个包括8个骨龄等级，根据
S107
中
CAP
模型输出的骨龄等级为每一块手骨骼区域赋分，再对每一块区域的赋分进行求和，查询中华
05
骨龄评分表计算获得最终骨龄
。2.
根据权利要求1所述的一种具有自主学习能力的儿童骨龄评估方法，其特征在于：脱敏使用模板匹配法
TemplateMatching
实施，通过预先定义一个模板，对医学影像进行匹配，以判断是否包含敏感信息，达到脱敏的目的
。3.
根据权利要求1所述的一种具有自主学习能力的儿童骨龄评估方法，其特征在于：对输入的手骨影像进行预处理，使用相对缩放，将图像长边缩放为
640
像素，然后将短边按比例缩放，然后对每一个像素除以
255
，归一化到
[0
，
1]
区间
。4.
根据权利要求1所述的一种具有自主学习能力的儿童骨龄评估方法，其特征在于：
YOLOv5
模型包括顺序连接的特征提取网络
、SPP
模块
、
特征金字塔网络
、
检测头
、
后处理模
块，具体地，
YOLOv5
采用的特征提取网络是
CSPDarknet53
，能够提高模型的性能和效率；
SPP
模块为可变尺度的池化模块，可以处理图像不同尺寸的目标，同时减少了计算量；特征金字塔网络
FPN
用以进行多尺度特征融合，将不同尺度的的特征图进行融合，提高检测的准确性和鲁棒性，最终输出；检测头由三个卷积层组成，分别用来处理来自
FPN
的三个尺度的特征图，利用卷积将三个特征图的通道数统一，输出检测框中心点的横坐标
、
纵坐标
、
高度
、
宽度以及置信度；
YOLOv5
模型在后处理模块中使用非极大值抑制算法
NMS
剔除冗余的预测框，使用
GIOU
度量预测框与真实框之间的差距
。5.
根据权利要求4所述的一种具有自主学习能力的儿童骨龄评估方法，其特征在于：其中
YOLOv5
模型使用
CSPDarknet53
轻量级卷积神经网络作为特征提取网络，
CSPDarknet53
网络输出的张量尺寸为：
(batch_size
，
num_anchors*(num_classes+5)
，
grid_size
，
grid_size)
；其中，
batch_size
表示批量大小，
num_anchors
表示预测框中心点所生成的预测框数量，
num_classes
表示目标类别数，5表示每个锚框预测的参数个数，每个锚框的中心坐标
x
，
y
，宽度
w
，高度
...
【专利技术属性】
技术研发人员：许新征，营鹏，李仲年，徐慧慧，孙统风，赵小阳，魏孟，孙仁科，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。