[发明专利]基于显著图约束和X光头颅定位侧位图像的年龄估计方法

说明书

本发明公开了一种基于显著图约束的头颅定位侧位片年龄估计方法，首次将显著图约束技术和X光头颅定位侧位片应用于年龄估计，解决了现有方法进行年龄估计准确性低并且不稳定的问题。其实现方案为：获取训练样本集、验证样本集和测试样本集；对图像进行填充、缩放和归一化处理；对自适应缩放卷积神经网络进行迭代训练；构建显著图约束训练样本集、显著图约束验证样本集和显著图约束测试样本集；获取自复制样本集和混合训练样本集；构建基于显著图约束的自适应缩放卷积神经网络；对基于显著图约束的自适应缩放卷积神经网络进行迭代训练；获取年龄估计结果；本发明提升了使用X光影像进行年龄估计的准确性和稳定性。

技术领域

本发明属于图像处理领域，涉及一种年龄估计方法，具体涉及一种基于显著图约束和X光头颅定位侧位图像的年龄估计方法，可用于刑事侦查、民事审判、灾难事故和跨境移民领域的年龄估计任务。

背景技术

年龄估计(Age Estimation)在刑事侦查、民事审判、灾难事故和跨境移民等方面具有重要的意义，也是目前法医学司法实践中的亟待解决的难题之一。通常以平均绝对误差作为年龄估计任务的准确性指标，平均绝对误差越小表示年龄估计的准确性更好。由于增龄性的变化，人体的许多部位都可以被用于年龄估计。在人类骨骼成熟和退化的过程中，会产生于年龄有关的形态变化，故可以通过评估骨的尺寸、形状和骨化程度来估计年龄。目前人体的很多部位都被用于年龄估计，包括牙齿、手-腕部、膝盖、脚部和锁骨等。然而这些部位通常在成年前发育期的效果较好，对于成年后的年龄估计效果较差。相对于骨骼，牙齿是人体中最坚硬的器官，在体内外各种极端条件下可以保留较长时间，牙齿也较容易进行观察和影像学检查，因此很多法医齿科学家通过研究牙齿的发育和生理特点进行年龄推断。然而由于成年后牙齿的发育已经完成，因此只能通过增龄性变化来估计年龄，例如牙齿磨损，牙周疾病，牙根透明性，牙骨质环化，牙根吸收，牙根粗糙度增加，颜色变化和继发性牙本质沉积等。然而这些增龄性变化难以量化，仍然需要有经验的临床医生或者法医参与评估年龄。

近年来，深度学习在图像处理和分析分析领域表现优异，从图像去噪、分类和回归分析到目标检测、语义分割和报告生成等诸多任务中均有涉及。深度学习中的关键模型卷积神经网络(Convolutional Neural Network,CNN)模仿了人类大脑中视觉神经的工作机制，其参数共享和局部感知机制允许以较少的参数提取图像中的视觉特征。目前已经有一些研究工作将CNN应用到了医学图像分析处理方面，并且取得了很好的效果。

在自动医学影像年龄估计任务中，例如Nicolás Vila-Blanco等人于2020年在IEEE Transactions on Medical Imaging卷39的论文Deep Neural Networks forChronological Age Estimation From OPG Images中，提出了一种基于深度CNN对牙齿曲断片进行年龄估计方法。该方法以正面拍摄的仅包含牙齿区域的曲断片为输入，其模型包含两个相对独立的由卷积层和池化层串联而成的CNN，用于年龄估计。其中用于性别分类的CNN的部分特征被复制到用于年龄估计的CNN的特征中，从而使性别标签指导年龄估计，最终两个CNN分别输出年龄和性别预测值。通过年龄估计和性别分类的预测值与其对应的标签计算两个任务的损失并求加权和得到最终的损失。又如Jaeyoung Kim等人于2019年在Proceedings of Machine Learning Research的论文Development and Validation ofDeep Learning-based Algorithms for the Estimation of Chronological Age usingPanoramic Dental X-ray Images中使用DenseNet-121网络对X光牙齿曲断片进行年龄估计。并在DenseNet-121网络的基础上加入了注意力机制和课程学习机制，用以更好地提取输入影像的特征，并从易到难渐进式地学习提取到的特征于年龄标签之间的映射关系。