[发明专利]一种基于异构数据融合网络的手骨X光片骨龄评估方法

说明书

一种基于异构数据融合网络的手骨X光片骨龄评估方法，包括以下步骤：步骤一，对X光片图像进行预处理，提取图像中手腕骨部位；步骤二，构建卷积神经网络提取图像特征；步骤三，构建文本特征提取模型；步骤四，构建融合层，合并图像特征和文本特征；步骤五，模型训练，充分收敛后，保存并导出模型结构及权重参数；利用训练得到的融合网络对手骨X光片进行骨龄评估。本发明可以利用文本信息和X光片图像信息对手骨X光片分析得出精准的骨龄。

技术领域

本发明涉及医学图像分析领域及机器学习领域，特别涉及一种应用于手骨X光片骨龄评估方法，属于基于深度学习的医学影像分析领域。

背景技术

在儿童发育过程中，骨骼的大小和形状会发生改变。因此，儿童的骨骼年龄与实际年龄之间的差异能反映出发育问题。并且骨骼年龄作为生长发育程度的一项重要指标，在医学、体育等领域中发挥着重要作用，特别是在对青少年脊柱侧凸等病人的临床管理中，进行骨骼成熟度分析以理解其生长的高峰期与停止期对于决定临床观察间隔、定时开始和终止支撑治疗至关重要。而由于手腕部骨块数量较多、包含的信息量大，且采集更加方便，故通常用于评价骨骼成熟度，即骨龄。

目前对于手骨骨龄评定，国际上认可的评定方法包括图谱法和计分法。图谱法要求手骨X光片图像整体与图谱标准片对比，以最接近的图谱标准片所对应的骨龄值作为被检测手骨的骨龄。计分法是对手骨中若干块有代表性的骨骼，对每一块骨骼评定分值并计算总分，再从相应标准中换算为对应的骨龄。

无论是图谱法还是计分法都要求医生对手骨X光片评估拥有足够的领域知识，因为手骨X光片中用于评估骨龄的感兴趣区域(Region of Interest,RoI)在不同的等级中差异细微，在评估过程中为了得出精准的骨龄就要求医生集中注意力并耗费大量的时间去仔细审视手骨X光片中感兴趣区域。但是从事骨龄评估的医生的数量无法满足需要进行骨龄评估的患者的需求，这容易造成医生因每天审视大量的X光片而产生疲劳，从而在接下来的评估过程中无法做出精准的判断。并且富有经验的医生资源集中在城市，在乡镇级别的医院从事骨龄评估的医生资源匮乏。近年来，传统计算机辅助诊断(Computer AidedDiagnosis,CAD)方法辅助专家评估手骨X光片的骨龄，多采用X光片中的纹理、形状等特征进行模型的训练，但这些特征的提取对X光片质量要求较高，样本的好坏容易影响模型的训练结果。此外，手骨关节区域在接近年龄段内的差异较小，这些因素使得传统方法较难取得较高的性能。

发明内容

为了克服现有骨龄评估方法的难度大、效率低下、精度较低的不足，本发明提出了一种基于异构数据融合网络的手骨X光片骨龄评估方法，实现了对手骨X光片的自动分析，可有效得出精准的骨龄评估值。

本发明解决其技术问题所采用的技术方案是：

一种基于异构数据融合网络的手骨X光片骨龄评估方法，包括以下步骤：

步骤一，对X光片图像进行预处理，提取图像中手腕骨部位；

步骤二，构建卷积神经网络提取图像特征；

步骤三，构建文本特征提取模型；

步骤四，构建融合层，合并图像特征和文本特征；

步骤五，模型训练，充分收敛后，保存并导出模型结构及权重参数；

进一步，所述步骤一中，对手骨X光片预处理的过程为：

步骤1.1：图像二值化；

步骤1.2：腐蚀和膨胀，填补手骨区域的黑色区域；

步骤1.3：轮廓检测，提取手腕骨部位轮廓；

步骤1.4：自定义轮廓长度阈值，去除手腕骨腕部多余的信息。

再进一步，所述步骤二中，构建卷积神经网络的过程为：