[發明專利]一種基于圖卷積神經網絡的骨齡評測方法、系統、終端及存儲介質

在審

• 申請號: 202010512567.2
• 申請日: 2020-06-08
• 公開（公告）號: CN111882517A
• 公開（公告）日: 2020-11-03
• 發明（設計）人: 宮平;尹子昊;俞益洲
• 申請（專利權）人: 杭州深睿博聯科技有限公司;北京深睿博聯科技有限責任公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/73;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京天方智力知識產權代理事務所(普通合伙) 11719
• 代理人: 路遠

1.一種基于圖卷積神經網絡的骨齡評測方法，其特征在于，包括：

獲取手腕骨影像的N個目標骨骺，其中，N是等于或大于2的整數；

采用特征提取網絡模型，提取手腕骨影像的N個目標骨骺及其附近區域的初始特征X；

采用基于圖卷積網絡的上下文特征融合網絡模型，將初始特征X和經過多層圖卷積后的上下文特征相加，得到最終的融合特征

將所述融合特征輸入至預測分布網絡模型，預測得到N個目標骨骺的發育等級分布，并相應計算發育等級期望和方差、發育分數期望、骨成熟度總分；

利用預測的發育等級和計算的骨成熟度總分，根據骨齡標準計算得到最終骨齡預測值。

2.根據權利要求1所述的基于圖卷積神經網絡的骨齡評測方法，其特征在于，所述獲取手腕骨影像的N個目標骨骺，包括：

獲取X線手腕骨正位片；

采用基于關鍵點檢測、目標檢測或實例分割的定位網絡模型，定位出X線手腕骨正位片中的N個目標骨骺位置。

3.根據權利要求1所述的基于圖卷積神經網絡的骨齡評測方法，其特征在于，所述采用基于圖卷積網絡的上下文特征融合網絡模型，將初始特征X和經過多層圖卷積后的上下文特征相加，得到最終的融合特征包括：

構建手腕骨N個目標骨骺的特征融合拓撲圖；

將特征融合拓撲圖的圖鄰接矩陣進行歸一化處理，構建圖卷積網絡模型；

采用圖卷積網絡模型對初始特征進行圖卷積，得到上下文特征；

采用目標特征融合網絡模型，以殘差學習的方式將初始特征X和上下文特征相加，得到最終的融合特征

4.根據權利要求3所述的基于圖卷積神經網絡的骨齡評測方法，其特征在于，所述將特征融合拓撲圖的圖鄰接矩陣進行歸一化處理，構建圖卷積網絡模型，包括：

構建手腕骨N個目標骨骺的特征融合拓撲圖，記為G(V,E,A)，其中，V是勢為N的頂點集，E是邊集，A∈R^N×N是鄰接矩陣；

將特征融合拓撲圖的圖鄰接矩陣A∈R^N×N加自連接得到其中，I_N為單位陣，對線元素為1；

計算出度矩陣

計算得到鄰接矩陣

根據鄰接矩陣構建圖卷積網絡模型，其中，圖卷積的函數定義為：其中，X^l∈R^N×C是作為輸入的骨骺特征矩陣，Θ∈R^C×F是GCN需要學習的卷積核參數，f表示非線性的激活函數。

5.根據權利要求1所述的基于圖卷積神經網絡的骨齡評測方法，其特征在于，所述將所述融合特征輸入至預測分布網絡模型，預測得到N個目標骨骺的發育等級分布，并相應計算發育等級期望和方差、發育分數期望、骨成熟度總分，包括：

將基于醫生標注的N個樣本骨骺的發育等級進行標簽平滑處理，生成高斯分布作為醫生標注分布；

將所述N個樣本骨骺的融合特征輸入至預測分布網絡模型獲取模型預測分布；

根據所述模型預測分布和醫生標注分布，利用骨成熟度總分損失函數訓練所述分布網絡模型；

將所述N個目標骨骺的融合特征輸入至預測分布網絡模型，預測得到N個目標骨骺的發育等級分布，并相應計算發育等級期望和方差、發育分數期望、骨成熟度總分。

6.根據權利要求1所述的基于圖卷積神經網絡的骨齡評測方法，其特征在于，利用預測的發育等級和計算的骨成熟度總分，采用計分法得到最終骨齡預測值。