本发明属于医疗数据挖掘领域，尤其是涉及一种基于手骨x光片骨骼和关节量化信息集成的骨龄评估方法。
背景技术：
国内外普遍认为，按骨龄判定发育个体的成熟程度是一种行之有效的方法，可以较全面地反映机体生理状态，是骨骼发育进程的年龄描述，代表了特定正常人群(种族、地域、年代)中各个不同年龄未成年人骨骼发育的一般状态。骨龄评价或骨龄的鉴定一般是用x射线按照同样的方法对受测人的同样部位的手骨拍摄x射线影像，再将影像中骨骼形态与一般骨骼形态进行比较。
骨龄是人体成熟程度的重要指标，可以通过骨龄及早了解儿童的生长发育潜力，并依照骨骼发育趋势判断是否适合接受某项具体运动的专业训练或是向适合本身骨骼发育趋势的职业方向发展，通过骨龄测定对一些疾病的诊断也有很大帮助。
传统的骨龄评估方法是通过专家对骨龄x光片与标准图谱进行对比或者根据骨骺发育测定进行打分来完成。但对评分人的专业知识要求较高，查看时需要对关键部位的骨骼进行仔细对比。通过人工读片或多或少的存在一些读片误差，随着阅片量的增多，阅片医生渐渐会受到疲劳等不利因素的干扰而影响评估的准确性。
技术实现要素：
本发明提供一种基于手骨x光片骨骼和关节量化信息集成的骨龄评估方法，能在降低人为因素干扰的前提下更加简便、快捷的评估骨龄。
一种基于手骨x光片骨骼和关节量化信息集成的骨龄评估方法，包括以下步骤：
步骤1，收集手骨x光片的图片样本，并按照性别、年龄段对样本进行分类，得到分组信息；
步骤2，对样本的骨骼和关节位置进行标注并保存坐标，得到真实位置信息，对标注的骨骼和关节进行分割；
步骤3，将真实位置信息与经过预处理的样本图像输入到卷积神经网络中，进行迭代训练，得到骨骼和关节的特征图；
步骤4，计算样本中骨骼和关节的形态学特征参数；
步骤5，将骨骼和关节的特征图以及形态学特征融合为混合特征信息，与分组信息一起输入到卷积神经网络模型中进行迭代训练；
步骤6，模型训练完毕，进行骨龄评估应用。
本发明通过设计的卷积神经网络对手骨x光片处理，学习x光片中手骨关键骨骼的特征信息并综合信息对手骨形成较全面的认识，以达到骨龄评估的目的。
步骤2中，所述的骨骼主要为腕骨。
步骤3的具体步骤为：
步骤3-1，将样本图像进行预处理后和骨骼、关节标注信息输入卷积
神经网络进行特征提取。
因在实际情况中，不同的拍片设备得到的图片清晰度与亮度等不具有一致性，不同的拍片机构会有一定的辅助拍片装置，这些装置对于图片质量具有一定的干扰，为了处理的稳定性需要对输入图片进行一定的预处理。
所述的预处理为使用伽马变换方法增加图像的对比度，计算方式如下：
i′(x,y)＝(i(x,y)*r)γ,r∈[0,1]
其中，i(x,y)是输入像素的灰度值，i′(x,y)是输出像素的灰度值，γ为伽马系数，通过改变γ的值，增加图像的对比度。
所述特征提取使用的卷积公式如下：
其中，f(x,y)是输入图像，g(x,y)是卷积核函数，m与n分别代表卷积核的长、宽。
特征提取目的是将图像关键信息提取出来，如纹理、形状等。传统的特征提取方法对使用环境具有一定的依赖性，对于较复杂的情况情况缺乏一定的适应性。
步骤3-2，根据提取的特征经卷积神经网络前向传递后输出骨骼和关节的位置信息，通过计算卷积神经网络输出的位置信息与标注的位置信息之间的误差，在反向传递操作中更新卷积层的参数，对所述的卷积神经网络进行训练直至模型收敛，得到骨骼和关节的位置信息和特征。。
步骤4中，根据标注骨骼和关节的分割图计算形态学特征参数，所述的形态学特征参数包括面积、最大直径和hu矩。
所述的最大直径使用欧氏距离方法，其计算公式如下：
其中x、y是像素的坐标值。
hu矩对二维物体的特征描述具有旋转、缩放和平移不变性，hu矩通过归一化中心距后计算2阶和3阶的值得到，所述中心距的计算公式如下：
其中x、y是像素的坐标值，
步骤5中，所述的迭代训练具体为：不断计算模型的预测结果与真实结果之间的误差，通过误差更新卷积神经网络中的权重参数，直到随着训练迭代次数的增加而误差不再减小即说明模型收敛。
本发明通过设计的卷积神经网络对手骨x光片处理，学习x光片中手骨关键骨骼的特征信息并综合信息对手骨形成较全面的认识，以达到骨龄评估的目的，可以在降低人为因素干扰的前提下更加简便、快捷的评估骨龄
附图说明
图1为本发明骨骼和关节量化信息集成的骨龄评估方法的流程图；
图2为部分骨骼和关节标注示意图。
具体实施方式
为使本发明的技术方案及优点更加清楚明白，以下结合具体实施例对本发明进行进一步的详细说明。
如图1所示，一种基于手骨x光片骨骼和关节量化信息集成的骨龄评估方法，包括以下步骤：
(1)根据相关医学标准，将样本的年龄限定在0到18岁，并根据年龄收集大量手掌的x光片图片。鉴于男性与女性骨骼发育成熟度的不同，在收集标本集时需区分男性与女性样本。
(2)样本标注与骨骼分割。如图2所示，需要对关键的骨骼和关节的坐标位置进行标注，本实施例主要通过人工将手骨的腕骨和关节等位置进行标注并保存坐标信息。分割可以选择多种方法，本实施例选用ostu方法对标注的骨骼和关节进行分割，得到样本图像的骨骼分割图像。
(3)对手骨x光片的图像进行预处理。因在实际情况中，不同的拍片设备得到的图片清晰度与亮度等不具有一致性，不同的拍片机构会有一定的辅助拍片装置，这些装置对于图片质量具有一定的干扰，为了处理的稳定性需要对输入图片进行一定的预处理。
在具体实施中，使用伽马变换方法增加图像的对比度，计算方式如下：
i′(x,y)＝(i(x,y)*r)γ,r∈[0,1]
其中，γ值以1为界限，值越小，对低灰度部分的扩展作用就越强，值越大，对高灰度部分的扩展就越强，通过不同的γ值，可以达到增强低灰度或高灰度部分以达到增加图像的对比度。在具体实施时将图像的灰度值范围限定在[0,255]区间内。
在区间[0.5,2.0]之内随机选取15个γ值，使用15个γ对每张图像都进行对比度增强处理并将处理后的图像加入到训练集中。
(4)图像特征提取。图像数据特征提取是进行图像高级识别的基础，特征提取目的是将图像关键信息提取出来，如纹理、形状等。传统的特征提取方法对使用环境具有一定的依赖性，对于较复杂的情况情况缺乏一定的适应性。
本实施例，使用卷积方法来提取特征，其提取的特征具有一定的区域性，同时滤除噪声，经过多层卷积后的特征包含了更多的语义信息且具有较好的空间不变性，其计算公式如下：
其中，f(x,y)是输入图像，g(x,y)是卷积核函数，x与y为像素坐标值，m与n分别代表卷积核的长、宽，用卷积核遍历图像的像素进行计算。因不同的卷积核可以计算得到不同的特征，所以不同的卷积核遍历图像信息以提取不同的特征信息。
(5)关键骨骼和关节的位置定位。本发明在具体实施时，通过卷积神经网络的特征提取与定位的方法来实现。图像经过卷积神经网络的特征提取层得到图像骨骼和关节的特征信息，使用分类器将关键骨骼和关节的特征信息与非关键骨骼和关节的特征信息区分开，然后可以得到关键骨骼和关节的特征信息在整个特征图的坐标信息。
具体实现上，卷积神经网络对手骨x光片中关键骨骼和关节的特征提取和分类处于不断训练优化的过程，所以其位置信息也在不断的变换与更新。因目标位置坐标的数值具有连续性，使用回归的方式来计算度量卷积神经网络输出的位置信息与真实位置信息的误差，计算方式如下：
inwhichs.t.
其中，tu表示真实位置坐标，v表示网络输出的位置坐标，使用分段函数，根据真实与预测坐标之间的差值x的范围选择其对应的计算方式。
计算卷积神经网络输出的坐标信息与手工标注的真实坐标信息之间的误差，误差越小，说明对目标的定位越准确。在本阶段的计算中，使用上述的损失函数作为卷积神经网络的定位模型的收敛标准，当随着训练迭代次数的增加而损失参数不再下降时，说明模型收敛。
(6)计算形态学特征参数。手骨的关键骨骼和关节在不同的年龄阶段形态有差异。为了量化形态的差异和变化，本发明中使用形态学的方法计算其形态特征。因骨骼和关节的形态具有多样性，选择计算在物理特性上相对较为明显的特征。
在具体实现上，根据分割得到的骨骼和关节，计算目标的面积、最大直径、hu矩，其中最大直径的计算使用常用的欧氏距离方法，其计算公式如下：
其中x、y是像素的坐标值。
hu矩对二维物体的特征描述具有旋转、缩放和平移不变性，通过归一化中心距后计算2阶和3阶的值得到。首先计算中心矩，然后中心距除以0阶中心距得到归一化中心距，中心距的计算公式如下：
其中x、y是像素的坐标值，
在具体实现中，使用所述方法计算目标的形态学特征参数并将参数组成一组参数向量。
(7)综合特征进行模型训练。步骤(5)对关键骨骼和关节定位后，同时得到相应位置的特征图。关键骨骼和关节的特征图以及形态特征，两种信息都代表了手掌关键骨骼和关节在不同观察角度的特征表现，每种信息都具有重要价值。将以上两种信息进行融合为混合特征信息，并将输入到卷积神经网络模型中进行迭代训练，训练过程中不断计算模型的预测结果与真实结果之间的误差，通过误差更新卷积神经网络中的权重参数。当迭代次数不断增加，而误差不再减小即说明模型收敛，得到集成语义特征和量化信息的骨龄评估模型。
在具体应用时，将手骨x光片的图像作为输入量传到评估模型中，其自动进行输入量预处理并输出评估结果。