一種新型的自動骨齡預測算法模型制造技術

本發明專利技術提出了一種新型的自動骨齡預測算法模型

【技術實現步驟摘要】
一種新型的自動骨齡預測算法模型


[0001]本專利技術提出了一種新型的自動骨齡預測算法模型，屬于骨齡預測

。

技術介紹

[0002]骨齡是反應個體生長發育水平的重要指標，廣泛應用于兒童及青少年內分泌相關疾病的診斷
、
藥物治療效果的評估
、
生長發育評估
、
運動員篩選和法醫等領域
。
在兒科內分泌診療中，骨齡評估是診斷及鑒別診斷的重要工具之一
。
骨齡是通過測定骨骼的大小
、
形態
、
結構
、
相互關系的變化反應體格發育程度，并通過統計處理，以年齡的形式
、
以歲為單位進行表達的生物學年齡
。
與日歷年齡相比，骨齡能夠更準確地反應兒童及青少年生長發育的實際情況
。
但是在臨床實踐中，骨齡的判讀存在耗時長
、
一致性差的缺點
。《
中華放射學雜志
》
在對我國骨齡的臨床使用現狀的評估中，指出目前中國骨齡的評估中存在幾大問題：
1)
缺乏統一的評估標準；
2)
參考人群的年代局限性；
3)
地域差異對骨齡的影響；
4)
體育運動對骨齡的影響
。
并提出骨齡自動化評估系統能提供相對統一
、
穩定
、
便捷的骨齡評估方式，節省培訓專業人員所需的費用
、
時間和精力，同時能夠提高骨齡判讀的準確性和一致性，利用計算機圖像識別技術實現骨齡自動化評估具有良好的應用場景
。
中國地域廣闊
、
民族眾多，不同民族和地域兒童因為生活方式
、
遺傳特征等存在較大差異，導致兒童
、
青少年在骨齡發育特征上存在較大差別
。
如何搭建
AI
模型能夠解決中國骨齡評估中因地域差異和民族差異導致的結果評估差異具有較大的挑戰性
。
[0003]近年來，國內外陸續有研究機構開發基于深度學習的
AI
骨齡系統
。
下列為目前較為有代表性的算法模型：
1)ResNet
?
152
模型：
ResNet152
是一種深度殘差網絡，通過在
ImageNet
數據集上訓練，可以對骨齡進行有效的預測，結果表明該模型的絕對誤差為
0.47
歲，
±1年內的準確率達
94.7
％；
2)DenseNet
模型是一種密集連接的卷積神經網絡，可以通過學習特征之間的依賴性來提高模型的準確性
。
研究報道
DenseNet
模型在骨齡測試集絕對誤差均值為
0.48
歲，
±1年準確性達
93.8
％；
3)Inception
?
V4
模型：
Inception
?
V4
是一種高效的神經網絡，可以有效的處理高分辨率的圖像數據
。
一項研究使用
Inception
?
V4
模型對美國國立衛生研究院
(NIH)
的骨齡數據集進行了訓練和測試，結果表明該模型絕對誤差均值為
0.46
歲，
±1年準確性為
93.8
％；
4)BoNet
模型：是一種基于深度學習的骨齡評估模型，采用卷積神經網絡
(CNN)
和遞歸神經網絡
(RNN)
的結合，用于自動化的骨齡評估
。Hagiware
等人使用美國國立衛生研究院的骨齡數據集進行訓練和測試，并與其他傳統機器學習算法和深度學習算法模型進行了比較
。
結果顯示，
BoNet
模型在骨齡預測方面表現出了很高的準確性
。
上述研究證明，
AI
模型在骨齡判讀上與很高的準確性，能夠輔助醫生用于日常骨齡的判讀
。
但上述模型的訓練集基于國外人群，尚未有足夠數據證明模型在中國兒童骨齡判讀中的準確性和泛化性
。
[0004]中國在
AI
醫療應用研究領域處于領先地位，目前有眾多基于中國兒童骨齡樣本訓練的算法模型用于中國兒童骨齡判讀
。
其中有兩款名為“兒童手部
X
射線影像輔助評估軟件”的產品獲得
NMPA
的注冊審批，在產品備注部分均提出“鑒于該產品遠期安全性
、
有效性
尚需進一步追蹤，建議申請人在注冊后進行以下工作：結合年齡
、
民族
、
地域等影響繼續深入研究深度學習算法泛化能力”。
上述描述證明，民族
、
地域差異是影響骨齡算法模型準確性的重要因素，目前尚未有相關證據支持上述算法模型在不同民族和地域差異兒童中的算法泛化能力
。

技術實現思路

[0005]本專利技術提供了一種新型的自動骨齡預測算法模型，用以解決現有技術中的骨齡預測模型針對兒童骨齡檢測的算法泛化能力差的問題，所采取的技術方案如下：
[0006]一種新型的自動骨齡預測算法模型，所述自動骨齡預測算法模型構建方法包括：
[0007]建立手掌和手腕部檢測的
CoT
?
YOLO
模型；
[0008]建立手腕部關鍵骨化中心識別模型
X
?
Pose
和骨齡預測模型
BANet,
并利用手腕部關鍵骨化中心識別模型
X
?
Pose
和骨齡預測模型
BANet
獲取待預測骨齡對象的骨齡視覺特征
V
；
[0009]利用所述骨齡視覺特征
V
和待預測骨齡對象的民族信息
N
及性別信息
S
，獲取待預測骨齡對象的骨齡特征
J。
[0010]進一步地，所述建立手掌和手腕部檢測的
CoT
?
YOLO
模型；
[0011]提取數據集中的數據作為訓練數據和測試數據；其中，數據集包括
RSNA
數據集
、RHPE
數據集和自建數據集；并且，自建數據集的
Ground truth
制定依據下列規則：所有納入研究數據集的影像數據由放射科影像存檔和通訊系統導出，導出數據格式為
JPEG
；
[0012]在
YOLOv5
模型中通過
Contextual Transforme
模塊利用上下文信息本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.
一種新型的自動骨齡預測算法模型，其特征在于，所述自動骨齡預測算法模型構建方法包括：建立手掌和手腕部檢測的
CoT
?
YOLO
模型；建立手腕部關鍵骨化中心識別模型
X
?
Pose
和骨齡預測模型
BANet,
并利用手腕部關鍵骨化中心識別模型
X
?
Pose
和骨齡預測模型
BANet
獲取待預測骨齡對象的骨齡視覺特征
V
；利用所述骨齡視覺特征
V
和待預測骨齡對象的民族信息
N
及性別信息
S
，獲取待預測骨齡對象的骨齡特征
J。2.
根據權利要求1所述自動骨齡預測算法模型構建方法，其特征在于，所述建立手掌和手腕部檢測的
CoT
?
YOLO
模型包括；提取數據集中的數據作為訓練數據和測試數據；其中，數據集包括
RSNA
數據集
、RHPE
數據集和自建數據集；并且，自建數據集的
Ground truth
制定依據下列規則：所有納入研究數據集的影像數據由放射科影像存檔和通訊系統導出，導出數據格式為
JPEG
；在
YOLOv5
模型中通過
Contextual Transforme
模塊利用上下文信息指導增強視覺表示的能力，并將所述
Contextual Transforme
模塊設置于所述
YOLOv5
模型的主干網絡
Darknet
?
53
的卷積層和
BottleneckCSP
之前，形成檢測網絡
CoT
?
YOLO
，其中，所述檢測網絡
CoT
?
YOLO
即為
CoT
?
YOLO
模型
。3.
根據權利要求1所述自動骨齡預測算法模型構建方法，其特征在于，建立手腕部關鍵骨化中心識別模型
X
?
Pose
的過程包括：提取所述數據集中的手腕部的
X
光影像構建手腕部關鍵骨化中心識別模型
X
?
Pose
；其中，所述手腕部關鍵骨化中心識別模型
X
?
Pose
包括編碼器和解碼器；所述編碼器以
ResNet
?
50
作為主干網絡，所述解碼器包含多層反卷積層；僅在
RHPE
數據集上對所述手腕部關鍵骨化中心識別模型
X
?
Pose
進行
20
個
epoch
的訓練，并在另外兩個數據集上用于關鍵點的檢測識別，獲得訓練后的手腕部關鍵骨化中心識別模型
X
?
Pose。4.
根據權利要求1所述自動骨齡預測算法模型構建方法，其特征在于，建立骨齡預測模型
BANet
，并利用手腕部關鍵骨化中心識別模型
X
?
Pose
和骨齡預測模型
BANet
獲取待預測骨齡對象的骨齡視覺特征
V
的過程包括：利用卷積神經網絡模型和
mixed Inception
模塊結合構建形成骨齡預測模型
BANet
；利用手腕部檢測和手腕部關鍵點識別分別獲取待預測骨齡對象的手腕部的影像
X
和手腕部各個關鍵點的位置；在每個關鍵點附近形成高斯分布來構建注意力圖
X
T
；通過手腕部關鍵骨化中心識別模型
X
?
Pose
獲取待預測骨齡對象的手腕部影像
X
W
；利用卷積神經網絡模型分別獲取影像
X、
高斯分布來構建注意力圖
X
T
和手腕部影像
X
W
對應的視覺特征；其中，所述卷積神經網絡模型均采用
Inception V3
模型；通過
mixed Inception
模塊將所述影像
X、
高斯分布來構建注意力圖
X
T
和手腕部影像
X
W
對應的視覺特征進行融合形成視覺特征
V。5.
根據權利要求1所述自動骨齡預測算法模型構建方法，其特征在于，利用所述骨齡視覺特征
V
和待預測骨齡對象的民族信息
N
及性別信息
S
，獲取待預測骨齡對象的骨齡特征
J
，包括：
提取待預測骨齡對象的民族信息
N
及性別信息
S
；利用待預測骨齡對象的民族信息
N
及性別信息
S
結合視覺特征
V
獲取待預測骨齡對象的骨齡特征
J
；其中，所述骨齡特征
J
如下：
J
＝
[V
；
N
；
S]
其中，
J
表示骨齡特征；
N
表示民族信息；
S<...

【專利技術屬性】
技術研發人員：王鳳丹，潘慧，劉永亮，汪火根，朱惠娟，杜函澤，郭野，
申請(專利權)人：杭州瀾措科技有限公司，
類型：發明
國別省市：