[发明专利]基于关键区域特征双重加权融合的儿童手骨X光图像骨龄评估方法及系统

说明书

本发明提出了一种基于关键区域特征双重加权融合的儿童手骨X光图像骨龄评估方法，具体为：构建骨龄预测网络，骨龄预测网络包括手骨区域筛选子网络和骨龄预测子网络，骨龄预测子网络包括完整手骨区域学习网络和关键手骨区域学习网络；将儿童手骨X光图像集于手骨区域筛选子网络中提取完整手骨区域、关键手骨区域，将提取到的完整手骨区域送入完整手骨区域学习网络提取特征和尺度变换，将不同的关键手骨区域经过区域权重配置模块送入不同的关键手骨区域学习网络，并对其配置相应的权重后提取特征和尺度变换，将完整手骨区域学习网络和关键手骨区域学习网络提取到的特征与性别信息融合，输出骨龄评估结果。该方法能取得更好的骨龄预测性能。

技术领域

本发明涉及人工智能计算机视觉和深度学习图像处理技术领域，具体涉及一种基于关键区域特征双重加权融合的儿童手骨X光图像骨龄评估方法及系统。

背景技术

儿童骨龄评估在儿科临床诊断、儿童的成年身高预测、体育竞技等领域有着广泛应用。由于手腕部最能代表骨骼发育程度与生长潜力，所以手腕部在儿童骨龄测评中最为常用。

传统骨龄评估方法可以分为两种类型，包括Greulich-Pyle图谱法和Tanner-White-house计分法。这些方法都需要医生通过读取骨骺和干骺端发育状况的形态特点进行骨龄评估，对评估者的专业技能要求较高。此外，人工读片、分析及推断骨龄均存在耗时长、误差较大、一致性欠佳等明显弊端。对同一张X光手骨图像，同一个阅片者不同时间的判定结果、不同阅片者之间的判定结果均存在较大差异。

随着计算机视觉技术的发展，智能骨龄评估方法逐渐兴起。早期的智能评估方法是对人工评估使用的特征进行自动提取，并且大多使用私有数据集测试，但这样得到的预测结果准确性非常的差。近年来，深度学习技术在计算机视觉领域取得了突破性进展。作为深度学习的代表性方法，卷积神经网络(convolutional neural networks,CNN)能够自动、快速地从图像中提取关键特征，取代了基于先验知识的传统特征提取方法。基于CNN进行小儿骨龄评估的研究也呈现出快速增长趋势，提高了骨龄评估精度，但这依然存在不足，究其原因大多为未充分发挥骨干网络的结构优势，未充分学习手骨区域的语义特征等。为了获得更加精确的骨龄评估结果，急需一种精度更高的骨龄评估方法。

发明内容

为了克服上述现有技术中存在的缺陷，本发明的目的是提供一种基于关键区域特征双重加权融合的儿童手骨X光图像骨龄评估方法。

为了实现本发明的上述目的，本发明提供了一种基于关键区域特征双重加权融合的儿童手骨X光图像骨龄评估方法，包括以下步骤：

获取儿童手骨X光图像集；

构建骨龄预测网络，所述骨龄预测网络包括手骨区域筛选子网络和骨龄预测子网络，所述骨龄预测子网络包括完整手骨区域学习网络和关键手骨区域学习网络，所述关键手骨区域学习网络包括腕关节区域学习网络和/或指关节区域学习网络；

将儿童手骨X光图像集于手骨区域筛选子网络中提取完整手骨区域、关键手骨区域，所述关键手骨区域包括腕关节区域和/或指关节区域,将提取到的完整手骨区域送入所述完整手骨区域学习网络提取特征和尺度变换，将不同的关键手骨区域经过区域权重配置模块送入不同的关键手骨区域学习网络，并对其配置相应的权重后提取特征和尺度变换，将完整手骨区域学习网络和关键手骨区域学习网络提取到的特征与性别信息融合，输出骨龄评估结果。

本方法通过融合手骨X光图像中的关键手骨区域特征信息来提升性能，并考虑了性别信息来弥补男性与女性在生理上的骨龄差异，可充分提取儿童手骨X光图像的有效特征，提升骨龄评估精度，取得更好的骨龄预测性能。

该基于关键区域特征双重加权融合的儿童手骨X光图像骨龄评估方法的优选方案：所述完整手骨区域学习网络包括M个可变卷积网络模块，所述腕关节区域学习网络包括N个可变卷积网络模块，所述指关节区域学习网络包括P个可变卷积网络模块；