骨龄自动评估关键技术研究及原型系统开发

发布时间：2022-02-28 19:33

　　骨龄作为青少年儿童生长发育的主要衡量指标,在医学诊断、体育选材、司法鉴定上具有重要的价值。目前临床上以人工判读骨龄为主,一方面经验丰富的医生稀缺,另一方面主观差异大并且花费时间长。因此,计算机辅助评估骨龄技术愈来愈得到儿科医生的重视。当前骨龄自动评估的难点主要有三个:一是因手骨发育进程中形态变化大而导致目标骨结构难以精准分割;二是难以将现行骨龄评价标准中所描述的图像特征进行有效的参数化,提取出有效的骨块形状、纹理特征;三是难以找到骨骼成熟度与骨块图像特征之间的联系,使得机器评估骨龄与人工判读相比优势并不明显。本文从解决上述难点出发,研究了骨龄自动评估中的若干关键技术,主要内容如下:（1）基于AHSM模型的RUS骨块精准分割方法。针对骨块分割难点提出了一种自适应手骨分割模型（Adaptive Hand-bone Segmentation Model,AHSM）,能够根据不同时期青少年手骨发育特点,建立多阶段形状模型和多层次投影模型,既保持了分布模型强大的局部约束能力,又提高了骨块识别率,实现了目标骨块的自适应精准分割。（2）RUS骨块形状和纹理特征提取方法。采用统计形状模型方法和德劳内-... 

【文章来源】：杭州电子科技大学浙江省

【文章页数】：86 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题的背景与意义
    1.2 国内外骨龄评估研究现状
    1.3 本论文的主要研究内容
    1.4 本论文的章节安排
第2章 基于AHSM模型的RUS骨块精准分割方法
    2.1 AHSM算法的提出
        2.1.1 点分布模型PDM简介
        2.1.2 自适应手骨分割模型AHSM
    2.2 AHSM的训练方法
        2.2.1 RUS关键点标注
        2.2.2 多阶段形状模型
        2.2.3 多层次投影模型
    2.3 AHSM的搜索方法
        2.3.1 APL快速定位法
        2.3.2 RUS自动化分割
        2.3.3 RUS分割异常调整
    2.4 AHSM分割实验
        2.4.1 骨龄样本库建立
        2.4.2 实验参数设定
        2.4.3 结果分析与评价
    2.5 本章小结
第3章 RUS骨块形状-纹理特征提取方法
    3.1 RUS骨块关键特征分析
        3.1.1 RUS骨块特征描述子
        3.1.2 RUS骨块形状特征
        3.1.3 RUS骨块纹理特征
    3.2 RUS骨块关键特征提取
        3.2.1 骨块特征描述子提取
        3.2.2 骨块形状特征提取
        3.2.3 骨块纹理特征提取
    3.3 RUS骨块特征提取实验
    3.4 本章小结
第4章 融合形状-纹理双重特征的骨龄评估方法
    4.1 形状-纹理特征融合
    4.2 形状-纹理特征回归
        4.2.1 多元线性回归
        4.2.2 支持向量回归
    4.3 骨龄评估实验
        4.3.1 训练样本骨龄评估
        4.3.2 测试样本骨龄评估
    4.4 本章小结
第5章 骨龄自动评估原型系统设计与实现
    5.1 系统整体设计
        5.1.1 设计思路
        5.1.2 结构概述
        5.1.3 关键技术
    5.2 系统功能实现
        5.2.1 数据解析
        5.2.2 骨龄检测
        5.2.3 身高预测
    5.3 系统功能测试
    5.4 本章小结
第6章 总结与展望
    6.1 全文总结
    6.2 工作展望
致谢
参考文献
附录


【参考文献】：
期刊论文
[1]TW3成年身高预测改良法在中国儿童中的应用研究[J]. 潘嘉严,张先来,徐东.  现代医学. 2018(07)
[2]基于RUS-CHN标准的手腕骨骨化中心识别分割算法[J]. 曹润,熊开宇,黄伟航,姚乐辉,何辉,贺莹莹.  北京体育大学学报. 2018(04)
[3]基于约束局部模型的全自动桡骨分割[J]. 刘洁琳,刘杰,朱翔宇.  新疆大学学报(自然科学版). 2017(02)
[4]基于中华05骨龄标准的桡骨骨龄等级计算机评定系统的设计[J]. 朱翔宇,欧阳斌,罗冬梅,刘杰.  体育科学. 2016(09)
[5]基于OpenCV的X光手指骨图像分割方法[J]. 张林,吴振强.  计算机技术与发展. 2015(11)
[6]基于k-余弦曲率和WSVM的骨龄识别方法[J]. 李新华,赵娟,袁振宇,王晨旸.  计算机应用与软件. 2015(08)
[7]不同病因矮身材儿童TW2-R、C、T骨龄评分特征研究[J]. 崔蕴璞,张铭涛,王新利.  中国当代儿科杂志. 2015(05)
[8]基于手部X光图像的骨龄检测系统设计与实现[J]. 王燚,钟俊航.  信息系统工程. 2015(01)
[9]ASM的手骨提取方法研究[J]. 黄飞,尤启房,杨晋吉.  计算机工程与应用. 2016(03)
[10]骨龄X射线图像的手骨兴趣区域定位研究[J]. 宋日刚.  计算机应用与软件. 2014(07)

硕士论文
[1]基于X-ray图像的骨龄自动评估[D]. 周文祥.电子科技大学 2018
[2]基于深度学习的骨龄自动评测系统的研究与实现[D]. 王景樟.北京邮电大学 2018
[3]计算机辅助桡骨骨龄等级评估[D]. 刘洁琳.北京交通大学 2017
[4]基于CHN法的骨龄识别方法的研究[D]. 赵娟.安徽大学 2014
[5]支持向量机在骨龄评价系统中的应用研究[D]. 王虹.昆明理工大学 2005



本文编号：3645456