【技术实现步骤摘要】
本专利技术涉及骨龄检测，具体涉及一种儿童骨龄图像采集定位装置及其检测方法。
技术介绍
1、在医学领域，尤其是儿科领域，骨龄的评估对于儿童生长发育状况的判断具有重要意义。传统的骨龄评估方法依赖于医生对手腕x光片的观察和经验判断，这种方法不仅耗时耗力，而且受到医生主观因素的影响较大，准确性难以保证。随着深度学习和人工智能技术的发展，基于图像数据的骨龄评估方法逐渐兴起，这些方法通过分析儿童手腕部的x光图像来自动评估骨龄，虽然提高了评估的效率和客观性，但同时也带来了新的问题。
2、首先，现有的骨龄检查要么是家长主动地规划儿童的检查时间，亦或者是被动听从医生的嘱咐进行后续的检查，不能根据儿童的实际骨龄特征表现，对检查时间进行科学的规划，而且基于图像数据的骨龄评估方法需要大量的标注数据进行训练，而这些数据的获取往往需要专业的医疗设备和技术人员，难度较高。其次，图像数据处理和分析需要较高的计算资源，尤其是在处理高分辨率的x光图像时，算力成本显著增加。此外，图像数据的质量也直接影响到评估的准确性，而高质量的图像获取又进一步增加了成本。
3、因此，如何在保证评估准确性的同时降低骨龄评估的成本成为了一个重要的技术问题。本专利技术提出了一种通过骨龄检查报告的文本进行判断的方法，旨在利用现有的医疗记录文本信息，结合深度学习模型，实现高效且成本较低的骨龄评估。这种方法不仅可以减少对昂贵医疗设备的依赖，还可以降低对专业医疗人员的要求，从而提高骨龄评估的普及率和便捷性。
技术实现思路
1
2、现有的骨龄检查时间间隔不能根据儿童实际情况进行科学规划，且基于图像数据的骨龄评估方法需要大量的标注数据进行训练，难度较高，且需要较高的计算资源。
3、本专利技术的目的可以通过以下技术方案实现：
4、一种儿童骨龄图像采集检测方法，包括以下步骤：
5、设定标准的检查周期d，d表示天数，每隔检查周期d采集儿童的骨龄图像，获取医护人员根据所述骨龄图像书写的检查记录；
6、将所述检查记录输入预设的bert模型中，提取骨龄特征的关键词；
7、基于卷积神经网络和循环神经网络构建辅助检测模型，通过已标注的历史数据集对模型进行训练，提取所述检查记录的儿童年龄和关键词，将所述儿童年龄和关键词转化为向量输入训练后的辅助检查模型中，输出儿童实际年龄与骨龄的骨龄差值；
8、每隔n个检查周期d统计儿童的骨龄差值序列，并计算所述骨龄差值序列的均值ya，超过预设阈值d的骨龄差值占序列的比例p，并绘制骨龄差值随时间变化的折线图，获得任意相邻两个坐标点之间的斜率k；根据以下公式计算检查周期调整系数γ：
9、
10、其中，i∈[1,n-1]，ki表示折线图中的第i个斜率值，根据计算得出的检查周期调整系数γ，调整接下来n个检查周期的天数为d’＝d/γ。
11、作为本专利技术进一步的方案：每隔n个检查周期统计对应骨龄差值序列的指标，所述指标包括均值ya、比例p和斜率k，根据所述指标和公式计算接下来n个检查周期的单个检查周期的天数。
12、作为本专利技术进一步的方案：提取骨龄特征的关键词的过程为：
13、将已标注标准骨龄特征词典分为训练集和验证集，将训练集映射为向量并经过编码后输入bert模型中，提取文本中的内容特征，通过验证集对bert模型进行反向传播更新直至收敛，将待测儿童的检查记录经过编码后输入bert模型中，所述检查记录中包括该儿童的实际年龄和骨龄特征描述文本，提取骨龄特征描述文本中的骨龄特征，聚类生成待定关键词，并利用待定关键词反向传播更新模型，获取反复更新若干次后的待定关键词，标记为关键词。
14、作为本专利技术进一步的方案：所述辅助诊断模型的训练过程为：
15、所述历史数据集包括不同年龄儿童对应的标准骨龄特征文本，以及历史检查记录中已标注的不同年龄儿童的非标准骨龄特征文本，根据年龄对所有的骨龄特征文本进行排序，生成骨龄特征的时间序列，将骨龄特征的时间序列形成的矩阵视为图像，依次输入所述卷积神经网络中，所述卷积神经网络中包括若干个卷积神经层，每个卷积神经层包括若干个滤波器，每当矩阵图像经过一个卷积神经层时，滤波器会滑动扫描矩阵并生成一个多维数组，降低矩阵图像的尺寸，增加矩阵图像的维数，增加的维数与该卷积神经网络中滤波器的数量相同，每个卷积神经层依次降低图像尺寸，并增加矩阵图像的维数大小，卷积神经网络最终生成的多维数组展平转换为向量，将该向量作为后续循环神经网络的输入。
16、作为本专利技术进一步的方案：所述辅助诊断模型的训练过程还包括：
17、将卷积神经网络输出的矩阵图像的维数保持不变，在时间维度和特征向量上将矩阵图像拉平，将所有卷积神经层的最终多维数组生成一个新的矩阵，把新的矩阵向量作为循环神经网络lstm的输入，将拉平产生的扁平向量作为lstm的时间维度，由时间维度和特征向量对新的矩阵进行训练，并输出骨龄特征与儿童年龄的对应关系。
18、作为本专利技术进一步的方案：所述循环神经网络还包括附加的若干个transformer层，除倒数第一个transformer层外的所有transformer层均采用返回序列模式，并生成与循环神经网络的连续迭代相对应的向量序列，将该向量序列按时间序列分组，作为倒数第一个transformer层的输入。
19、作为本专利技术进一步的方案：将当前检查的儿童的检查记录同样存入所述历史数据集中。
20、本专利技术还包括一种儿童骨龄图像采集定位装置，用于实施上述的一种儿童骨龄图像采集检测方法，其特征在于，包括：
21、存储器，用于设定标准的检查周期d，d表示天数，每隔检查周期d采集儿童的骨龄图像，获取医护人员根据所述骨龄图像书写的检查记录；
22、文本处理器，用于将所述检查记录输入预设的bert模型中，提取骨龄特征的关键词；
23、图形处理器，用于基于卷积神经网络和循环神经网络构建辅助检测模型，通过已标注的历史数据集对模型进行训练，提取所述检查记录的儿童年龄和关键词，将所述儿童年龄和关键词转化为向量输入训练后的辅助检查模型中，输出儿童实际年龄与骨龄的骨龄差值；
24、中央处理器，用于每隔n个检查周期d统计儿童的骨龄差值序列，并计算所述骨龄差值序列的均值ya，超过预设阈值d的骨龄差值占序列的比例p，并绘制骨龄差值随时间变化的折线图，获得任意相邻两个坐标点之间的斜率k；根据以下公式计算检查周期调整系数γ：
25、
26、其中，i∈[1,n-1]，ki表示折线图中的第i个斜率值，根据计算得出的检查周期调整系数γ，调整接下来n个检查周期的天数为d’＝d/γ。
27、本专利技术的有益效果：
28、本专利技术提供了一种儿童骨龄图像采集检测方法，通过设定标准的检查周期，定期采集儿童的骨龄图像并获取本文档来自技高网...
【技术保护点】
1.一种儿童骨龄图像采集检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种儿童骨龄图像采集检测方法，其特征在于，每隔n个检查周期统计对应骨龄差值序列的指标，所述指标包括均值Ya、比例P和斜率k，根据所述指标和公式计算接下来n个检查周期的单个检查周期的天数。
3.根据权利要求1所述的一种儿童骨龄图像采集检测方法，其特征在于，提取骨龄特征的关键词的过程为：
4.根据权利要求1所述的一种儿童骨龄图像采集检测方法，其特征在于，所述辅助诊断模型的训练过程为：
5.根据权利要求4所述的一种儿童骨龄图像采集检测方法，其特征在于，所述辅助诊断模型的训练过程还包括：
6.根据权利要求5所述的一种儿童骨龄图像采集检测方法，其特征在于，所述循环神经网络还包括附加的若干个Transformer层，除倒数第一个Transformer层外的所有Transformer层均采用返回序列模式，并生成与循环神经网络的连续迭代相对应的向量序列，将该向量序列按时间序列分组，作为倒数第一个Transformer层的输入。
7.根据权利
8.一种儿童骨龄图像采集定位装置，用于实施权利要求1-7任一项所述的一种儿童骨龄图像采集检测方法，其特征在于，包括：
...【技术特征摘要】
1.一种儿童骨龄图像采集检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种儿童骨龄图像采集检测方法，其特征在于，每隔n个检查周期统计对应骨龄差值序列的指标，所述指标包括均值ya、比例p和斜率k，根据所述指标和公式计算接下来n个检查周期的单个检查周期的天数。
3.根据权利要求1所述的一种儿童骨龄图像采集检测方法，其特征在于，提取骨龄特征的关键词的过程为：
4.根据权利要求1所述的一种儿童骨龄图像采集检测方法，其特征在于，所述辅助诊断模型的训练过程为：
5.根据权利要求4所述的一种儿童骨龄图像采集检测方法，其特征在于，所述辅助诊断模型的训练过程还包括...
【专利技术属性】
技术研发人员：喻妮娜，喻宁，钟志鸿，董志成，钟慧，曾令文，杨庆福，刘廷林，
申请(专利权)人：江西省妇幼保健院，
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。