[發明專利]一種弱監督深度學習自動骨齡評估方法

在審

• 申請號: 202010634057.2
• 申請日: 2020-07-04
• 公開（公告）號: CN111920430A
• 公開（公告）日: 2020-11-13
• 發明（設計）人: 吳健;陳晉泰
• 申請（專利權）人: 浙江大學山東工業技術研究院
• 主分類號: A61B6/00
• 分類號: A61B6/00
• 代理公司: 浙江杭州金通專利事務所有限公司 33100
• 代理人: 徐關壽

一種弱監督深度學習自動骨齡評估方法，以手部X光片為圖像數據，對每張X光片標注骨齡生理解剖學關鍵點；構建和訓練神經網絡模型，神經網絡模型包括Faster R?CNN模型和U?net模型，Faster R?CNN模型提取手掌骨骼區域和關節區域，關節區域包括手指的指骨關節和肘關節，共16個關節區域；U?net模型提取手掌骨骼區域的手部特征和手指區域的關鍵點特征；將所有關鍵點的打分結果預測值求和，以和值作為骨齡預測值。本發明的優點在于：將醫生經驗匯聚于數據集中，形成醫生群體經驗來標注數據集，每次預測用的X光片（圖像數據）都可以作為新的元素補充到數據集中，數據集能夠不斷擴充和累積。

技術領域

本發明涉及醫學人工智能領域，特別是一種以深度學習方式自動化評估骨齡的方法。

背景技術

骨齡是反映身體發育成熟度的可靠指標。是兒童骨齡發育的特定年齡標志和特征，反映了機體生物學年齡，能夠較為準確評估機體成熟程度。尤其是臨床診治兒童生長發育障礙時，骨齡評定則十分必要，骨齡測定能評價男女兒童的骨發育情況，能早期發現有身高異常的遺傳、內分泌疾病，對治療及監護具有重要作用。

骨齡與時間年齡不同，往往隨性別和種族而變化。當前的臨床實踐中使用手X光片圖的骨齡評估一般是有兩種廣泛使用的方法：Greulich-Pyle（GP）方法和評分方法（例如Tanner Whitehouse）。在GP法中，骨齡是通過將整個手部X光片圖從而捕捉整個手的特征參考圖譜來估計的。在評分方法中，醫生對重點的區域（例如關節）按照一定的規則進行打分，并使用這些分數的加權和來估計骨齡。而評分方法是比GP法更準確可靠的。前人的自動骨齡預測模型多數是仿照Greulich-Pyle方法直接進行全圖像分析；少部分同時利用了評分方法和GP方法。這樣的模型更加臃腫，運行速度較慢，且無法得到各個關鍵點的評分。

上述骨齡預測方法都是依靠醫生個人的經驗來估計骨齡，醫生之間的經驗難以相互借鑒和融合，個人經驗難以定量。

發明內容

本發明的目的在于提供一種能夠將醫生經驗定量化，并以醫生經驗為基礎建立專業數據集，有利于醫生經驗的融合和積累，提高骨齡預測準確性的骨齡預測方法。

一種弱監督深度學習自動骨齡評估方法，執行以下操作：1、建立數據集：以手部X光片為圖像數據，對每張X光片標注骨齡生理解剖學關鍵點；2、構建和訓練神經網絡模型，神經網絡模型包括Faster R-CNN模型和U-net模型，Faster R-CNN模型提取手掌骨骼區域和關節區域，關節區域包括手指的指骨關節和肘關節，共16個關節區域；U-net模型提取手掌骨骼區域的手部特征和手指區域的關鍵點特征，3、對16個關鍵點特征加一維卷積，獲得16個關鍵點的打分結果預測值；4、將所有關鍵點的打分結果預測值求和，以和值作為骨齡預測值。

骨齡生理解剖學關鍵點的標注是指按照骨齡評分方法（如TW3法）進行骨齡生理結構學關鍵點的位置坐標標注。先提取出手掌骨骼區域，然后在手掌骨骼區域內找到關節區域，同樣的，先找到手掌骨骼區域的手部特征，然后進一步找到關節區域的關鍵點特征。

優選的，步驟2中，利用COCO預訓練過的Faster R-CNN模型進行手部檢測和手部關鍵點檢測，專家醫生標注的關鍵點利用L1損失函數進行骨齡關鍵點預測。

優選的，步驟2中，利用U-net進行多尺度特征的提取；在提取到的特征圖上，利用關鍵點檢測到的特征所在位置對應的的特征圖位置上的特征作為該關鍵點的特征。

優選的，步驟3中的降維是利用1×1卷積得到的，且最終結果并無直接的標注作為優化引導。

優選的，步驟4中的骨齡預測值是利用L1損失函數引導骨齡預測。