[发明专利]基于深度学习的X线片骨龄预测方法及系统

权利要求书

1.一种基于深度学习的X线片骨龄预测方法，其特征在于，包括：

样本数据预处理的步骤，将满足训练样本要求的手骨图像样本进行样本标记，标记内容包括手骨X线片对应的青少年性别和真实年龄；

样本数据增强的步骤，采用平行视觉体系框架，对标记的手骨图像样本进行增强，得到整幅手骨X线片样本图像；所述增强包括通过对原始样本进行形变、加噪、旋转、使用对抗神经网络进行变换处理生成新的样本，扩大原始样本规模；

手掌分割的步骤，将整幅手骨X线片样本图像中的手掌区域和背景区域切割成图像样本块，手掌区域的采样图像样本块作为正样本，手掌区域之外的采样图像样本块作为负样本；正负样本块输入到卷积神经网络模型中，获得手掌分割结果，并将该手掌分割结果作为手掌分割模板；使用图像形态学方法对手掌分割模板进行后处理，将周围小面积干扰区域剔除，基于手掌分割模板进一步进行阈值分割操作，剔除手掌分割模板区域的肌肉组织区域，得到手骨X线片图像，该图像是带有年龄性别标记的手骨X线片图像；

骨龄分类预测模型建立的步骤，将分割得到的带有年龄性别标记的手骨X线片图像作为迁移学习的输入，建立骨龄分类预测模型。

2.根据权利要求1所述的骨龄预测方法，其特征在于，所述样本数据预处理的步骤中，在对手骨图像样本进行样本标记之前，需要进行样本清洗，包括：(1)通过图像处理方法计算图像的灰度分布判断前景和背景灰度范围是否正常、大小是否符合要求；(2)图像的灰度和大小归一化，进行图像非线性灰度增强使前景灰度一致，对和标准大小不一致的图像进行图像补齐；(3)判断清洗之后的样本是否满足需求，如果不满足则进行清洗算法改进或对个别不满足要求的原始图像进行人工处理。

3.根据权利要求1所述的骨龄预测方法，其特征在于，所述样本数据增强的步骤中，所述增强具体包括：通过对手骨图像样本的分析确定其不变且鲁棒的特征属性，并利用这些特征属性指导数据增强，所述特征属性不受旋转不变、缩放、灰度变换影响，通过旋转、缩放、灰度变换、加噪策略增加标记样本；结合骨龄评测，根据骨骼发育形态判断骨龄的推理规则和对抗神经网络模拟生成数据样本，增加标记样本规模；使用真实图像和人工生成样本进行分类训练，通过对抗网络对生成样本改进优化。

4.根据权利要求1所述的骨龄预测方法，其特征在于，所述迁移学习包括对现有的神经网络模型进行参数修改和优化形成新的神经网络模型。

5.根据权利要求1所述的骨龄预测方法，其特征在于，所述神经网络模型为GoogLeNet，或Alexnet。

6.一种基于深度学习的X线片骨龄预测系统，其特征在于，包括：

样本数据预处理模块，将满足训练样本要求的手骨图像样本进行样本标记，标记内容包括手骨X线片对应的青少年性别和真实年龄；

样本数据增强模块，采用平行视觉体系框架，对标记的手骨图像样本进行增强，得到整幅手骨X线片样本图像；所述增强包括对原始样本进行形变、加噪、旋转、使用对抗神经网络进行变换等处理生成新的样本，扩大原始样本规模；

手掌分割模块，将整幅手骨X线片样本图像中的手掌区域和背景区域切割成图像样本块，手掌区域的采样图像样本块作为正样本，手掌区域之外的采样图像样本块作为负样本；正负样本块输入到卷积神经网络模型中，获得手掌分割结果，并将该手掌分割结果作为手掌分割模板；使用图像形态学方法对手掌模板图像进行后处理，将周围小面积干扰区域剔除，基于手掌分割模板进一步进行阈值分割操作，剔除手掌分割模板区域的肌肉组织区域，得到手骨X线片图像，该图像是带有年龄性别标记的手骨X线片图像；

骨龄分类预测模型建立的步骤，将分割得到的带有年龄性别标记的手骨X线片图像作为迁移学习的输入，建立骨龄分类预测模型。