[发明专利]自动骨龄预测方法、系统、计算机设备和存储介质

权利要求书

1.一种自动骨龄预测方法，其特征在于，包括如下步骤：

S1，采集左手X射线片图像；

S2，将采集到的左手X射线片图像进行手部分割，以去除手部以外部分的干扰，对分割后的图像进行摆正缩放到预设大小和位置，对摆正缩放后的图像进行自适应均衡处理后，将图像输入到骨龄预测网络结构中，得到骨龄预测值，所述骨龄预测网络结构是基于VGG网络结构的深度学习网络；

S3，重复步骤S2进行骨龄训练，直到骨龄训练得到的骨龄预测值满足预设误差范围后，停止骨龄训练阶段，进入骨龄预测阶段，将步骤2)得到的骨龄预测值输出；

所述S2包括如下步骤：

S201，使用U-net网络结构对采集到的左手X射线片图像进行手部分割，去除手部以外部分的干扰；

S202，手部分割完成后，使用关键点侦测网络结构对手部进行探测，得到三个侦测点，三个侦测点分别为中指指尖侦测点、大拇指指尖侦测点、腕骨中心点；

S203，依据得到的三个侦测点，将左手X射线片图像摆正缩放到512*512大小的图片中，摆正时中指指尖侦测点位于上边缘水平位置中点向下40像素处，大拇指指尖侦测点用于镜像翻转，确保大拇指指尖侦测点位于图片右侧，腕骨中心点在下边缘水平位置中点向上190像素处；

S204，对摆正缩放后的图像进行限制对比度的自适应直方图均衡化；

S205，通过骨龄预测网络结构对自适应直方图均衡化后的图像进行骨龄预测，得到骨龄预测值。

2.根据权利要求1所述的自动骨龄预测方法，其特征在于，所述S1采集的左手X射线片图像是左手腕部正位X射线片，所述左手X射线片图像包括距离桡骨和尺骨2cm-3cm的骨干，及手部关节的多块骨，所述左手X射线片图像的管片距为70cm-90cm。

3.根据权利要求1所述的自动骨龄预测方法，其特征在于，所述关键点侦测网络结构为：先将三个卷积核层数分别为64、128、256的VGG模块依次连接，然后接一个Dropout层，再接两层各包含512个神经元的全连接层，且两层全连接层均连接一个ELU激活函数，两层512个神经元的全连接层之间设另一Dropout层，最后一层为包含6个神经元的全连接层，最后将6个数值输出，分别对应三个侦测点的横纵坐标值；

所述骨龄预测网络结构为：先将六个卷积核层数分别为32、64、128、128、256、3846的VGG模块依次连接，然后接一个Dropout层，再接两层各包含2048个神经元的全连接层，两层全连接层均连接一个ELU激活函数，两层2048个神经元的全连接层之间设另一Dropout层，最后一层为单神经元的输出层，得到预测值。

4.根据权利要求1所述的自动骨龄预测方法，其特征在于，在骨龄训练阶段，对U-net网络结构进行训练，训练时的损失函数如下：

L用于表示损失函数，y_i表示每个像素的预测值，表示每个像素的真实值，取值为0或1，表示该像素是否在前景，n用于表示骨龄训练阶段的图片总数量；

用于U-net网络结构训练的数据为标注的100张图片，标注的工具为在线的图像分割标注工具，标注的内容为手部，并采用旋转、缩放或平移来增加训练数据。

5.根据权利要求1所述的自动骨龄预测方法，其特征在于，在骨龄训练阶段，对关键点侦测网络结构进行训练，训练时的损失函数采用均方差损失函数：

其中，y_i表示预测的坐标值，为真实的坐标值，n用于表示骨龄训练阶段的图片总数量；

通过不断缩小损失函数，让预测位置与真实位置的差距越来越小，让关键点侦测网络学习到三个侦测点的具体位置，训练数据为三个侦测点对应的坐标，每张图片共有6个数据，分别为三个侦测点的横纵坐标值，并采用到了旋转、缩放或平移来增加数据量。