基于深度卷积神经网络的骨龄评定方法、设备及计算机可读存储介质与流程

技术特征：
1.一种基于深度卷积神经网络的骨龄评定方法，其特征在于，包括如下步骤：收集已标定有骨龄信息的手腕骨x线片，基于unet算法构建第一深度卷积神经网络，对所述手腕骨x线片作图像分割，以去除手腕骨x线片的背景信息而获得预处理图像集，并选取所述预处理图像集中部分图像作为训练集图像，其余图像作为测试集图像；基于densenet算法构建第二深度卷积神经网络，并将训练集图像输入至所述第二深度卷积神经网络，以对第二深度卷积神经网络的参数进行训练，从而获得经训练的第二深度卷积神经网络，所述经训练的第二深度卷积神经网络具有学习后的网络权重参数；将测试集图像中的部分或所有输入至经训练的第二深度卷积神经网络，由经训练的第二深度卷积神经网络迭代后，输出测试集图像内受验者的手腕骨x线片的骨龄评定结果。2.如权利要求1所述的骨龄评定方法，其特征在于，收集已标定有骨龄信息的手腕骨x线片，基于unet算法构建第一深度卷积神经网络，对所述手腕骨x线片作图像分割，以去除手腕骨x线片的背景信息而获得预处理图像集，并选取所述预处理图像集中部分图像作为训练集图像，其余图像作为测试集图像的步骤包括：自一放射检查数据库中收集已标定有骨龄信息的手腕骨x线片；自手腕骨x线片中挑选具有完整数据的左手正位片，并对所述左手正位片预处理，使得左手正位片的背景区域的亮度低于手腕骨区域的亮度；根据骨龄信息对所述手腕骨x线片以m个月为步长标定类别，其中1≤m≤6；对所述手腕骨x线片作数字化采样，使得手腕骨x线片的大小呈512
×
512，并基于第一深度卷积神经网络对所述手腕骨x线片作图像分割，以去除手腕骨x线片的背景信息而获得预处理图像集，其中所述第一深度卷积神经网络包括特征提取区、采样区和跳跃连接区，其中所述特征提取区包括多个交替作动的卷积层和池化层，所述采样区包括多个交替作动的卷积层和反卷积层；自预处理图像集中随机选取90％的图像作为训练集图像，对所述训练集图像作数据增广，将剩余的10％图像作为测试集图像，并自所述测试集图像中选取部分作为受验者的手腕骨x线片。3.如权利要求2所述的骨龄评定方法，其特征在于，根据骨龄信息对所述手腕骨x线片以m个月为步长标定类别的步骤包括：将所述骨龄信息减去所收集的所有手腕骨x线片中最小月份年纪得到骨龄差；将所述骨龄差除以m得到类别数据。4.如权利要求2所述的骨龄评定方法，其特征在于，自预处理图像集中随机选取90％的图像作为训练集图像，对所述训练集图像作数据增广的步骤包括：对训练集图像的图像作尺寸变换、位移变换、角度旋转变换中的任意一种或多种，使得增广后的训练集图像的数据量是增广前的训练集图像的数据量的4-8倍。5.如权利要求1所述的骨龄评定方法，其特征在于，基于densenet算法构建第二深度卷积神经网络，并将训练集图像输入至所述第二深度卷积神经网络，以对第二深度卷积神经网络的参数进行训练，从而获得经训练的第二深度卷积神经网络，所述经训练的第二深度卷积神经网络具有学习后的网络权重参数的步骤包括：基于densenet算法构建第二深度卷积神经网络，所述第二深度卷积神经网络包括交替作动的卷积层、池化层和激活层，建立了卷积层、池化层和激活层的不同层之间的连接；
将训练集图像输入至所述第二深度卷积神经网络，以对第二深度卷积神经网络的参数进行训练，以通过adam优化算法降低第二深度卷积神经网络的损失函数值，并更新第二深度卷积神经网络的网络权重参数；反复对第二深度卷积神经网络的参数进行训练后，获得学习后的网络权重参数，其中对训练集图像根据骨龄信息中受验者的性别进行分类。6.如权利要求1所述的骨龄评定方法，其特征在于，将测试集图像中的部分或所有输入至经训练的第二深度卷积神经网络，由经训练的第二深度卷积神经网络迭代后，输出测试集图像内受验者的手腕骨x线片的骨龄评定结果的步骤包括：将测试集图像中的部分或所有输入至经训练的第二深度卷积神经网络，基于经训练的第二深度卷积神经网络迭代，并应用基于骨龄信息中受验者的性别进行分类的训练集图像训练学习后的网络权重参数，输出类别数据；根据所述类别数据输出受验者的手腕骨x线片的骨龄评定结果。7.一种基于深度卷积神经网络的骨龄评定设备，其特征在于，包括：处理模块，收集已标定有骨龄信息的手腕骨x线片，基于unet算法构建第一深度卷积神经网络，对所述手腕骨x线片作图像分割，以去除手腕骨x线片的背景信息而获得预处理图像集，并选取所述预处理图像集中部分图像作为训练集图像，其余图像作为测试集图像；训练模块，基于densenet算法构建第二深度卷积神经网络，并将训练集图像输入至所述第二深度卷积神经网络，以对第二深度卷积神经网络的参数进行训练，从而获得经训练的第二深度卷积神经网络，所述经训练的第二深度卷积神经网络具有学习后的网络权重参数；评定模块，将测试集图像中的部分或所有输入至具有经训练的第二深度卷积神经网络的评定模块，由经训练的第二深度卷积神经网络迭代后，输出测试集图像内受验者的手腕骨x线片的骨龄评定结果。8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的骨龄评定方法的步骤。

技术总结
本发明提供了一种基于深度卷积神经网络的骨龄评定方法、设备及计算机可读存储介质，骨龄评定方法包括：收集已标定有骨龄信息的手腕骨X线片，基于UNet算法构建第一深度卷积神经网络对手腕骨X线片作图像分割，以获得预处理图像集，并选取部分图像作为训练集图像，其余图像作为测试集图像；基于DenseNet算法构建构建第二深度卷积神经网络，并将训练集图像输入，以对第二深度卷积神经网络的参数进行训练，从而获得经训练的第二深度卷积神经网络，经训练的第二深度卷积神经网络具有学习后的网络权重参数；将测试集图像输入至经训练的第二深度卷积神经网络，由经训练的第二深度卷积神经网络迭代后，输出骨龄评定结果。采用上述技术方案后，使得骨龄评定结果可符合临床应用的要求。的要求。的要求。


技术研发人员：王春林 孔振岩 蔡祁文 刘倩 孔德兴
受保护的技术使用者：杭州博钊科技有限公司
技术研发日：2021.12.01
技术公布日：2022/3/29