[发明专利]一种基于深度回归网络的骨龄预测方法及装置

权利要求书

1.一种基于深度回归网络的骨龄预测方法，其特征在于，包括：

输入待处理骨龄片图像；

根据关键点检测深度卷积网络，获取骨骺区域图像；以及

将所述骨骺区域图像输入预设深度学习回归网络，得到骨骺等级预测结果，计算出对应的骨龄；

所述根据关键点检测深度卷积网络，获取骨骺区域图像包括：获取多个骨骺区域，对于每个骨骺区域，获取一个关键点，根据获取的一个关键点初步确定出骨骺区域；

所述预设深度学习回归网络包括：根据各个骨骺有不同的生长发育特征，为每种骨骺分别采用了独立的分支网络建立的预设深度学习回归网络；

所述根据关键点检测深度卷积网络，获取骨骺区域图像时包括：关键点检测深度卷积网络分为三部分：全局关键点提取网络、关键点细节精修网络和部分相似场约束网络；全局关键点提取网络采用特征金字塔结构，将全局上下文信息有效的融入每个骨骺关键点的预测；关键点细节精修网络对全局网络的输出关键点位置做进一步精细调整；部分相似场约束网络是一个基于多尺度特征的部分相似场的分支，同时施加了点点之间连线的约束；通过全局关键点提取网络、关键点细节精修网络以及部分相似场约束网络来获取具有手部全局上下文信息的骨骺关键点和骨骺细节的骨骺关键点。

2.根据权利要求1所述的骨龄预测方法，其特征在于，根据关键点检测深度卷积网络，获取骨骺区域图像时包括如下的任一一种或多种执行步骤：

获取图像灰阶直方图，并调整图像窗宽窗位；

获取手部朝向，并将图片中手部朝向调整为向上；

判断手部姿态是否正常以及是左手或右手。

3.根据权利要求1所述的骨龄预测方法，其特征在于，根据关键点检测深度卷积网络，获取骨骺区域图像包括：

获取多个骨骺区域；

对每个所述骨骺区域获取至少一个关键点。

4.根据权利要求3所述的骨龄预测方法，其特征在于，对每个所述骨骺区域获取至少一个关键点之后还包括：

根据骨骺中心点和骨骺方向的包围框按照不同尺度缩放，获取多个同中心点、同朝向的包围框；

根据所述多个同中心点、同朝向的包围框提取多尺度骨骺感兴趣区域。

5.根据权利要求1所述的骨龄预测方法，其特征在于，将所述骨骺区域图像输入预设深度学习回归网络，得到骨骺等级预测结果包括：

采用预训练的深度卷积网络提取骨骺区域中的图像特征；

根据所述图像特征采用回归分支网络将骨骺等级分类，并分别回归得到各自的骨骺发育等级。

6.根据权利要求5所述的骨龄预测方法，其特征在于，所述回归分支网络还包括：在使用骨龄随访数据训练所述回归分支网络时，激活Margin Ranking Loss。

7.根据权利要求1所述的骨龄预测方法，其特征在于，预设深度卷积网络可以是但不限于：VGG Net、ResNet、ResNext、DenseNet或SqueezeNet、MobileNet。