[发明专利]一种基于两阶段神经网络的骨龄评价方法

说明书

本发明提供一种基于两阶段神经网络的骨龄评价方法，步骤如下：一：调整原始输入手骨图像大小为512×512，即按比例缩放，并添加边缘信息；二：图像掩模提取；三：生成训练图像；四：对步骤三中生成的图像分别计算二维单尺度小波变换与Canny算子边缘提取，与直方图均衡后的图像共同组成输入样本的三通道；五：对步骤四中生成的三通道图像进行数据增强，扩充数据集大小；六：骨龄预测；通过以上步骤，本检测方法结合图像分割和骨龄预测，能够较好地抑制噪音，比较准确地分割出手骨区域，从而进行骨龄评价；对于其他图像处理领域如目标分割、目标检索、目标回归预测等都有实际应用价值。

(一)技术领域

本发明涉及一种基于两阶段神经网络的骨龄评价方法，属于计算机视觉和数字图像处理领域。在目标分割、目标识别等领域中有广阔的应用前景。

(二)背景技术

儿童和青少年的骨龄评价广泛用于临床，法律和运动医学领域。临床上，手部的X射线影像通常用于评价个体的成熟度。目前，骨龄评价主要由经过培训的放射科医师手动进行，他们根据图谱法(Greulich-Pyle，GP)或计分法(Tanner-Whitehouse，TW)手动评价X射线影像中的手骨发育情况。GP通过比较手部X射线影像与由来自不同年龄段的受试者的参考图像组成的图谱来评价骨龄。TW方法考虑一组特定的感兴趣区域(Region ofInterest,ROI)，每个感兴趣区域的发育被分成不同的阶段，并且每个阶段被给予根据种族和性别而变化的数字分数的字母。可以通过添加所有ROI的分数来计算总体骨骼成熟度分数。手动评价相对繁琐的，并且观察者间的评价结果可能差异较大。因此迫切需要自动骨龄评价系统。

许多经典的计算机视觉和图像处理技术已应用于骨龄的自动评价。然而，目前自动骨龄评价系统主要存在评价精度低，实验样本少，可评价的年龄范围小的缺点。并且模型较差的泛化问题阻止了所有这些方法取得令人满意的结果。2009年，丹麦Thodberg等人提出了一种自动骨龄评估系统BoneXpert，它通过TW和GP方法的统一模型进行自动骨龄评价。然而，BoneXpert需要高质量的X射线扫描才能获得可靠的结果。它们都通过提取TW或GP临床方法中常用的骨的特征来评价骨龄，从而使用高级(即，直接来自人类知识)视觉描述符来限制低水平(即机器学习和计算机视觉)方法。这种语义差距通常会限制设计解决方案的泛化能力。

作为机器学习研究的一项新技术，深度学习可以通过学习深度非线性网络结构来表征输入数据并实现复杂的函数逼近。由于深度学习技术在一般图像分类中的成功，研究人员已经探索了这种分析方法在医学图像数据的应用。在大多数这些应用中，卷积神经网络取得了超越现有技术的结果。在骨龄自动评价领域，韩国Lee等人使用了超过11,000个手部X射线图像，然后初始化了GoogleNet网络，通过ImageNet初始训练的参数进行了微调获得更好的预测结果。意大利Spampinato等提出了BoNet，它由五个卷积和全连接层组成。

以往的骨龄评价方法通常存在模型泛化能力差，评价精度较低的缺点。本发明提出了一种高效的手骨分割方法，并考虑骨龄标签的序数回归特征，提出基于多输出神经网络来估计骨龄。

(三)发明内容

(1)本发明的目的

本发明提出了一种高效的手骨分割方法，并考虑骨龄标签的序数回归特征，提出基于多输出神经网络估计骨龄。

由于注释标记的存在以及输入图像在灰度和对比度的巨大差异，我们期望从输入图像分割手和手腕以减少噪音对特征学习的影响。大多数骨龄评价方法是端到端的，因此它们没有预处理部分。然而，传统的图像处理方法对输入图像不能取得较好的分割效果。我们考虑使用U-Net全卷积神经网络，它通常用于医学分割领域。考虑到较小的训练数据集，我们使用预训练的VGG16作为U-Net的编码器来提高分割精度并防止过度拟合。随后，使用标准化过程处理网络输出的图像掩模。