基于非下采样轮廓波变换和卷积神经网络的骨龄评估方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利(10)授权公告号CN109118487B(45)授权公告日2022.02.11(21)申请号201810965998.7G06N3/04(2006.01)(22)申请日2018.08.23(56)对比文件(65)同一申请的已公布的文献号CN108334899A,2018.07.27申请公布号CN109118487ACN107358258A,2017.11.17CN107316013A,2017.11.03(43)申请公布日2019.01.01US2011058726A1,2011.03.10(73)专利权人合肥工业大学WO2018057714A1,2018.03.29地址230009安徽省合肥市包河区屯溪路李宏坤等.非下采样轮廓波变换在故障分类193号中的应用.《振动测试与诊断》.2018,(72)发明人刘羽张超陈勋成娟李畅刘鸣谦等.基于多维度特征融合的深度学习宋仁成骨龄评估模型.《第二军医大学学报》.2018,ShuqiangWang等.Boneageassessment(74)专利代理机构安徽省合肥新安专利代理有usingconvolutionalneuralnetworks.《2018限责任公司34101InternationalConferenceonArtificial代理人陆丽莉何梅生IntelligenceandBigData(ICAIBD)》.2018,(51)Int.Cl.审查员李志研G06T7/00(2017.01)权利要求书1页说明书5页附图5页(54)发明名称基于非下采样轮廓波变换和卷积神经网络的骨龄评估方法(57)摘要本发明公开了一种基于非下采样轮廓波变换和卷积神经网络的X光图像骨龄评估方法，包括：首先对尺寸归一化后的X光图像进行非下采样轮廓波变换，得到多个尺度下的高频方向子带和一幅低频系数图，然后将它们输入到一个多通道卷积神经网络中，得到不同尺度下的特征图，最后将这些特征图层叠在一起后输入到一个由若干全连接层构成的回归网络中得到骨龄预测值；上述过程以一个端到端的网络结构实现，并使用误差反向传播机制实现网络训练。本发明方法利用非下采样轮廓波变换对原始空间域图像进行特征预提取和分离，能够克服现有深度学习方法在小规模数据集上网络训练的困难，提升网络的泛化性能，从而为临床应用提供更加准确可靠的评估方法。CN109118487BCN109118487B权利要求书1/1页1.一种基于非下采样轮廓波变换和卷积神经网络的骨龄评估方法，其特征在于，包括如下步骤：步骤1：以手部X光图像作为原始输入图像并进行插值和边界连续型延拓的空间尺寸处理，得到归一化大小的手部X光图像，所述归一化将图像先进行保持长宽比的插值，然后对短边两端进行连续型边界延拓；步骤2：对所述归一化后的手部X光图像进行非下采样轮廓波变换处理，得到低频分量和不同尺度下的高频方向子带；步骤2.1：对所述归一化后的手部X光图像进行非下采样金字塔分解，得到低频分量C0和L个尺度的高频分量{C1,C2,…,Ci,…,CL}，其中Ci表示第i个尺度的高频分量，1≤i≤L，L为分解层数；步骤2.2：对第i个尺度的高频分量C进行非下采样方向滤波，得到第i个尺度下的高频方向子带其中Ci,j表示第i个尺度下的第j个高频方向子带，1≤j≤Ki，Ki为第i个尺度下高频方向子带的数目，从而得到L个尺度下的高频方向子带；步骤3：第i个尺度下的高频方向子带进行层叠处理，得到第i个立体数据Di，从而得到L个立体数据{D1,D2,…,Di,…,DL}；将低频分量C0复制并扩展成一个三通道的立体数据，并记为第L+1个立体数据DL+1；由L个立体数据{D1,D2,…,Di,…,DL}和第L+1个立体数据DL+1构成立体数据集合{D1,D2,…,Dk,…,DL+1}，1≤k≤L+1；步骤4：构造一个包含L+1个通道的卷积神经网络，且每个通道包含若干个卷积层和最大池化层；将第k个立体数据Dk对应输入到第k个通道中，得到第k组输出特征图Fk＝Conv(Dk)，其中Conv表示卷积网络的前向过网络算子，从而得到L+1组特征图{F1,F2,…,Fk,…,FL+1}；步骤5：将所述L+1组特征图{F1,F2,…,Fk,…,FL+1}进行层叠处理，得到特征图集合F；步骤6：构造包含若干个全连接层的回归网络，且令最后一层的神经元数量为1；定义回归网络的前向过网络算子为Reg；将所述特征图集合F输入到所述回归网络中，得到骨龄预测结果R＝Reg(F)。2CN109118487B说明书1/5页基于非下采样轮廓波变换和卷积神经网络的骨龄评估方法技术领域[0001]本发明涉及医学图像分析领域，具体涉及一种基于非下采样轮廓波变换和卷积神经网络的骨龄评估方法。背景技术