基于中华05标准的数字化骨龄X光片自动化识别算法的研究

发布时间：2020-04-17 23:08

【摘要】：手腕部骨龄是评估青少年儿童生物年龄的主要方法。手腕骨骨龄的判读方法一直以来采用人工判读,判读过程主观性强、耗时费力,因此自动判读算法研究成为热点,目前自动骨龄判读系统与专家判读结果相比平均错误率已低于0.6岁。但随着机器学习,特别是深度学习算法的发展,大量学者仍然在尝试应用新方法进一步提高自动判读算法的准确度。本研究基于中国应用最广泛的“中华05 RUS-CHN”人工记分法骨龄判读标准,以多种图像处理算法、卷积神经网络、学习迁移等理论为基础,研究了多项生理学先验经验、多种机器学习算法、以及算法调优手段对判读平均误差(MAE,机器判读:专家判读)的影响。基于研究结果完成了一套自动骨龄判读模型的工程实现,该模型判读骨龄和专家判读骨龄相比平均误差仅为0.460岁。基于人工骨龄判读的先验经验,本研究主要包括三方面重要算法的研究:1重要骨化中心识别算法、2各骨化中心发育水平评价算法、3根据骨化中心发育水平的骨龄计算算法。主要取得的理论研究成果如下所示:(1)为了准确有效的从手腕骨X光片中提取各个骨化中心(ROI,中华05RUS-CHN标准规定为13块),本研究提出了一种基于手腕部生理结构拟合和Gabor纹理分析的骨化中心提取算法。首先,针对手骨和软组织分割的难点,提出了基于两者边缘纹理和灰度特征的“骨-软组织分割算法”。然后,基于手腕部骨生理结构,提出了手腕部骨结构的骨架拟合算法。最后,提出了基于Gabor纹理分析,并结合小波滤波的多参数骨化中心识别算法。骨化中心识别分割算法的工程实现最终取得了99.2%的识别分割成功率。(2)在骨化中心发育水平评价的自动算法研究中,针对骨化中心发育等级的标准模糊性,本研究对比了多种卷积神经网络(CNN)分类方法在骨化中心发育等级分类问题上的效果,同时,针对骨龄图片数据集的稀缺性问题,基于卷积神经网络的迁移学习(CNN-TL)理论,创新性的提出了骨发育水平分类器的新训练方法。最终得到13块重要骨的“骨发育中心发育等级分类器”,准确率有显著性提高。(3)鉴于由骨化中心发育水平计算骨龄的传统记分法的操作复杂性,本研究提出了基于传统记分方法的浮点化改良算法,以及生理发育异常骨的替代算法。比较无改进骨龄计算方法,自动判读骨龄和专家骨龄的平均误差降低了0.005岁。综上所述,本研究通过Gabor纹理分析、多项式拟合、小波滤波等图像处理算法提出了骨化中心识别分割算法;同时综合运用卷积神经网络(CNN)、迁移学习(Transfer Learning)等算法和理论,完成了骨化中心发育水平评价算法;并对传统计分法骨龄计算进行了发育异常骨的替换,使用上述多种方法降低了自动识别算法的平均误差率。平均误差(MAE)0.46岁,均方误差(MSE)0.451岁。
【图文】：

示意图,阶段,示意图,生长板

图 1.1 骨生长发育阶段示意图长发育过程是伴随着人的生活年龄的不断增长而发生过程可以清晰的从干骺、生长板处的图像特征明显的发育阶段的干骺处图片差异（从左到右，逐渐成熟）

图片,骨龄,生物年龄,拍摄方法

图 1.2 不同发育阶段的干骺处图片差异（从左到右，逐渐成熟）同时骨的生长也需要内分泌、循环等多种身体系统的推动和支持，因此全的生长发育状态是和人的生物年龄高度相关的，因此骨龄这一概念就被提，用来描述人体的生长发育状况，并最终成为儿童生长发育的金指标。4 数字化骨龄 X 光片随着生物医学工程的科技水平的提高，手腕骨 X 光的拍摄方法也在逐渐进
【学位授予单位】：北京体育大学
【学位级别】：博士
【学位授予年份】：2019
【分类号】：TP391.41;R816

【相似文献】