[发明专利]基于非下采样轮廓波变换和卷积神经网络的骨龄评估方法

摘要

本发明公开了一种基于非下采样轮廓波变换和卷积神经网络的X光图像骨龄评估方法，包括：首先对尺寸归一化后的X光图像进行非下采样轮廓波变换，得到多个尺度下的高频方向子带和一幅低频系数图，然后将它们输入到一个多通道卷积神经网络中，得到不同尺度下的特征图，最后将这些特征图层叠在一起后输入到一个由若干全连接层构成的回归网络中得到骨龄预测值；上述过程以一个端到端的网络结构实现，并使用误差反向传播机制实现网络训练。本发明方法利用非下采样轮廓波变换对原始空间域图像进行特征预提取和分离，能够克服现有深度学习方法在小规模数据集上网络训练的困难，提升网络的泛化性能，从而为临床应用提供更加准确可靠的评估方法。

主权项

1.一种基于非下采样轮廓波变换和卷积神经网络的骨龄评估方法，其特征在于，包括如下步骤：步骤1：以手部X光图像作为原始输入图像并进行插值和边界连续型延拓的空间尺寸处理，得到归一化大小的手部X光图像；步骤2：对所述归一化后的手部X光图像进行非下采样轮廓波变换处理，得到低频分量和不同尺度下的高频方向子带；步骤2.1：对所述归一化后的手部X光图像进行非下采样金字塔分解，得到低频分量C0和L个尺度的高频分量{C1,C2,…,Ci,…,CL}，其中Ci表示第i个尺度的高频分量，1≤i≤L，L为分解层数；步骤2.2：对第i个尺度的高频分量C_i进行非下采样方向滤波，得到第i个尺度下的高频方向子带其中C_i,j表示第i个尺度下的第j个高频方向子带，1≤j≤K_i，K_i为第i个尺度下高频方向子带的数目，从而得到L个尺度下的高频方向子带；步骤3：第i个尺度下的高频方向子带进行层叠处理，得到第i个立体数据D_i，从而得到L个立体数据{D₁,D₂,…,D_i,…,D_L}；将低频分量C0复制并扩展成一个三通道的立体数据，并记为第L+1个立体数据DL+1；由L个立体数据{D1,D2,…,Di,…,DL}和第L+1个立体数据DL+1构成立体数据集合{D1,D2,…,Dk,…,DL+1}，1≤k≤L+1；步骤4：构造一个包含L+1个通道的卷积神经网络，且每个通道包含若干个卷积层和最大池化层；将第k个立体数据Dk对应输入到第k个通道中，得到第k组输出特征图Fk＝Conv(Dk)，其中Conv表示卷积网络的前向过网络算子，从而得到L+1组特征图{F1,F2,…,Fk,…,FL+1}；步骤5：将所述L+1组特征图{F1,F2,…,Fk,…,FL+1}进行层叠处理，得到特征图集合F；步骤6：构造包含若干个全连接层的回归网络，且令最后一层的神经元数量为1；定义回归网络的前向过网络算子为Reg；将所述特征图集合F输入到所述回归网络中，得到骨龄预测结果R＝Reg(F)。