[发明专利]骨龄预测方法、装置、介质及电子设备

权利要求书

1.一种骨龄预测方法，其特征在于，所述方法包括：

获取待预测的手骨数据；

确定所述待预测的手骨数据的性别；

获取多个手骨数据；按照预定比例将获取的手骨数据分为训练数据集和测试数据集，所述训练数据集和所述测试数据集分别包括多个手骨数据；获取包括多个手骨数据的训练数据集；其中，每一所述手骨数据与真实骨龄对应，所述数据集中与同一真实骨龄对应的手骨数据为多个；

针对每一性别，利用所述训练数据集中该性别的手骨数据和与该性别的手骨数据对应的真实骨龄训练初始化的卷积神经网络模型，得到该性别的卷积神经网络模型；其中，训练所述初始化的卷积神经网络模型的初始学习率为0.01，学习率衰减系数为0.8；

利用所述测试数据集中的手骨数据和与每一手骨数据对应的真实骨龄，对对应性别的卷积神经网络模型进行测试；

若所述性别的卷积神经网络模型通过测试，则按照所述性别，将所述待预测的手骨数据输入至对应性别的卷积神经网络模型，得到由所述卷积神经网络模型输出的预测骨龄，包括：按照所述性别，将所述待预测的手骨数据输入至对应性别的卷积神经网络模型，以使所述卷积神经网络模型通过预处理层对所述待预测的手骨数据进行预处理，通过卷积层获取所述待预测的手骨数据的特征图，通过特征提取层对所述卷积层输出的特征图进行向量提取，并通过全连接层根据所述特征提取层提取的向量输出对所述手骨数据的预测骨龄；其中，所述手骨数据是手部骨骼图像的原始数据，是用数值表示各像素的灰度值的集合；所述卷积神经网络模型预先基于三元组损失函数和回归损失函数训练得到；所述卷积神经网络模型的损失函数为：

L＝L_r+λL_T，

L为所述卷积神经网络模型的损失函数，L_r为L中的回归损失函数部分，L_T为L中的三元组损失函数部分，λ为0.5，其中，L_r通过如下公式计算得到：

N为批尺寸的大小，xⁱ为由所述卷积神经网络输出的批内第i个样本的预测骨龄，yⁱ为对应于批内第i个样本的真实骨龄，

L_T通过如下公式计算得到：

其中，d(a，p，n)是a，p，n对应的a与p之间的距离和a与n之间的距离的最大距离差与β之和，d(a，p，n)＝max{T(aⁱ，pⁱ)-T(aⁱ，nⁱ)+β，0}，β为预设样本距离阈值，a，p，n为由所述特征提取层输出的三个向量，aⁱ，pⁱ，nⁱ分别为第i个三元组对应的三个样本的向量，τ为批内所有三元组样本的组合，T(xⁱ，yⁱ)＝||xⁱ-yⁱ||_p，p＝2。

2.根据权利要求1所述的方法，其特征在于，所述按照所述性别，将所述待预测的手骨数据输入至对应性别的卷积神经网络模型，得到由所述卷积神经网络模型输出的预测骨龄，包括：

将所述待预测的手骨数据转换为图片；

按照所述性别，将所述待预测的手骨数据对应的图片输入至对应性别的卷积神经网络模型，得到由所述卷积神经网络模型输出的预测骨龄。