[发明专利]一种基于深度学习的儿童骨龄评估方法及系统

权利要求书

1.一种基于深度学习的儿童骨龄评估方法，其特征在于，包括：

获取待评估的手骨图像；

对待评估的手骨图像进行预处理；

将预处理后的图像输入至训练好的手骨分割模型，得到分割后的手骨区域掩膜；

将分割后的手骨区域掩膜与预处理后的图像进行融合，得到去除背景信息的手骨图像；

将去除背景信息后的手骨图像输入至训练好的骨龄评估模型中，对骨龄进行评估；

其中，所述手骨分割模型的训练过程具体包括：

建立手骨图像样本库；所述手骨图像样本库包括多张手骨图像样本；

对所述手骨图像样本进行处理并标注手骨轮廓，构建第一数据集，所述数据集包括手骨图像训练集、手骨图像验证集和手骨图像测试集；

通过手骨图像训练集对Mask R-CNN模型进行训练，得到手骨分割模型；

通过所述手骨图像测试集和所述手骨图像验证集对所述手骨分割模型进行优化；

其中，所述骨龄评估模型的训练过程具体包括：

通过手骨分割模型对所述第一数据集进行分割，得到手骨区域掩膜样本；

将分割后的手骨区域掩膜样本与预处理后的手骨图像样本进行融合，构建第二数据集；所述第二数据集包括去除背景信息后的手骨图像训练集、去除背景信息后的手骨图像测试集、去除背景信息后的手骨图像验证集；

通过去除背景信息后的手骨图像训练集对改进后的Xception模型进行训练，得到骨龄评估模型；

通过去除背景信息后的手骨图像测试集和去除背景信息后的手骨图像验证集对骨龄评估模型进行优化；

其中，改进后的Xception模型为：在原始Xception网络输出之后，首先使用全局最大池化和全局平均池化聚合特征图的通道信息，生成两个不同的通道特征，其次送进一个多层感知器中，将其输出进行逐元素相加，最后通过sigmoid函数激活产生通道注意力映射，得通道注意力模块；通道注意力模块输出的特征输入后，首先在通道轴上应用全局最大池化和全局平均池化操作，得到两个二维空间特征，并将它们拼接成一个特征图，其次通过7×7的卷积核降维，最后通过sigmoid函数激活产生通道注意力映射，得空间注意力模块；将输出接入一个全局平均池化层，然后创建性别输入模块，以二进制性别信息作为输入，二进制性别信息是“0”或“1”，男性为“1”，女性为“0”；通过一个具有32个神经元的由ReLU激活的密集连接层，将输出的图像特征信息和性别特征信息串联，接入两层密集连接层，每层都由1024个神经元紧密连接的ReLU激活层和dropout层馈入，最后一层由具有1个神经元的线性激活的密集连接层构成，用来预测骨龄，得到骨龄评估值。

2.根据权利要求1所述的基于深度学习的儿童骨龄评估方法，其特征在于，所述对待评估的手骨图像进行预处理，具体包括：

对待评估的手骨图像利用直方图均衡化增强局部对比度。