(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201810864007.6
(22)申请日 2018.08.01
107118348 2018.05.29 TW
(71)申请人 中国医药大学附设医院
地址 台中市北区育德路2号
(72)发明人 蔡辅仁 黄宗祺 廖英凯 游家鑫
(74)专利代理机构 北京中誉威圣知识产权代理
有限公司 11279
代理人 席勇 周勇
(51)Int.Cl.
G16H 30/20(2018.01)
G16H 50/50(2018.01)
G06N 3/04(2006.01)
(54)发明名称
方法
(57)摘要
本发明公开了一种骨龄评估与身高预测模
型、其系统及其预测方法,骨龄评估与身高预测
光影像数据。非瞬态机器可读介质用以储存程
序,当程序由处理单元执行时用以判断受试者的
手骨发育状态、骨龄和预测受试者的成年身高。
借此,本发明的骨龄评估与身高预测系统可有效
提升骨龄评估及身高预测的准确度与敏感度,并
可缩短骨龄评估及身高预测的判定时间。权利要求书2页 说明书10页 附图6页CN 110265119 A 2019.09.20
C N 110265119
A
1.一种骨龄评估与身高预测模型,其特征在于,所述骨龄评估与身高预测模型由以下步骤建立:
取得参照数据库,其中所述参照数据库包含骨龄身高图谱数据集合及多个参照手骨X 光影像数据,其中各所述参照手骨X光影像数据包含生理年龄信息以及性别信息;
进行影像前处理步骤,其是利用影像数据编辑模块调整各所述参照手骨X光影像数据的影像大小及影像黑白对比度,以取得多个标准化手骨X光影像数据;
进行特征选取步骤,其是利用特征选取模块分析所述多个标准化手骨X光影像数据后以得至少一个影像特征值;以及
进行训练步骤,其是将所述至少一个影像特征值通过卷积神经网络学习分类器进行训练而达到收敛,以得所述骨龄评估与身高预测模型,其中所述骨龄评估与身高预测模型是用以判断受试者的手骨发育状态、所述受试者的骨龄以及预测所述受试者的成年身高。
2.如权利要求1所述的骨龄评估与身高预测模型,其特征在于,所述卷积神经网络学习分类器为Inception-ResNet-v2卷积神经网络。
3.如权利要求1所述的骨龄评估与身高预测模型,其特征在于,所述多个参照手骨X光影像数据的影像格式为数字医疗影像储存标准协定的影像格式。
4.如权利要求1所述的骨龄评估与身高预测模型,其特征在于,所述影像前处理步骤还对各所述参照手骨X光影像数据进行影像度扩展处理。
5.如权利要求1所述的骨龄评估与身高预测模型,其特征在于,所述骨龄身高图谱数据集合包含男性骨龄身高图谱数据子集合及女性骨龄身高图谱数据子集合。
6.如权利要求1所述的骨龄评估与身高预测模型,其特征在于,各所述参照手骨X光影像数据为非习惯用手的参照手骨X光影像数据。
7.一种骨龄评估与身高预测方法,其特征在于,包含:
提供如权利要求1项的骨龄评估与身高预测模型;
提供受试者的目标手骨X光影像数据,其中所述目标手骨X光影像数据包含生理年龄信息以及性别信息;
对所述目标手骨X光影像数据进行前处理,其是利用所述影像数据编辑模块调整所述目标手骨X光影像数据的影像大小及影像黑白对比度,以取得标准化目标手骨X光影像数据;
利用所述特征选取模块分析所述标准化目标手骨X光影像数据后以得至少一个影像特征值;以及
利用所述骨龄评估与身高预测模型分析所述至少一个影像特征值,以判断所述受试者的手骨发育状态、所述受试者的骨龄以及预测所述受试者的成年身高。
8.如权利要求7所述的骨龄评估与身高预测方法,其特征在于,所述目标手骨X光影像数据的影像格式为数字医疗影像储存标准协定的影像格式。
9.如权利要求7所述的骨龄评估与身高预测方法,其特征在于,所述影像数据编辑模块还对所述目标手骨X光影像数据进行影像度扩展处理。
10.如权利要求7所述的骨龄评估与身高预测方法,其特征在于,所述目标手骨X光影像数据为非习惯用手的目标手骨X光影像数据。
11.一种骨龄评估与身高预测系统,其特征在于,包含:
影像撷取单元,用以取得受试者的目标手骨X光影像数据,其中所述目标手骨X光影像数据包含生理年龄信息以及性别信息;以及
非瞬态机器可读介质,信号连接所述影像撷取单元,其中所述非瞬态机器可读介质用以储存程序,当所述程序由处理单元执行时是用以评估所述受试者的手骨发育状态、所述受试者的骨龄和预测所述受试者的成年身高,且所述程序包含:
参照数据库取得模块,用以取得参照数据库,且所述参照数据库包含骨龄身高图谱数据集合及多个参照手骨X光影像数据,其中各所述参照手骨X光影像数据包含生理年龄信息以及性别信息;
第一影像数据编辑模块,其是调整各所述参照手骨X光影像数据的影像大小及影像黑白对比度,以取得多个标准化手骨X光影像数据;
特征选取模块,用以分析所述多个标准化手骨X光影像数据后以得至少一个参照影像特征值;
训练模块,用以将所述至少一个参照影像特征值通过卷积神经网络学习分类器进行训练而达到收敛,以得到骨龄评估与身高预测模型;
第二影像数据编辑模块,其是调整所述目标手骨X光影像数据的影像大小及影像黑白对比度,以取得标准化目标手骨X光影像数据;
目标特征选取模块,用以分析所述标准化目标手骨X光影像数据后以得至少一个目标影像特征值;及
比对模块,用以将所述至少一个目标影像特征值以所述骨龄评估与身高预测模型进行分析,以得到目标影像特征值权重数据,并将所述目标影像特征值权重数据与所述参照数据库进行比对,以输出所述受试者的手骨发育状态判断结果、所述受试者的骨龄判断结果以及所述受试者的成年身高预测结果。
12.如权利要求11所述的骨龄评估与身高预测系统,其特征在于,所述卷积神经网络学习分类器为Inception-ResNet-v2卷积神经网络。
13.如权利要求11所述的骨龄评估与身高预测系统,其特征在于,所述目标手骨X光影像数据的影像格式为数字医疗影像储存标准协定的影像格式,所述多个参照手骨X光影像数据与的影像格式为数字医疗影像储存标准协定的影像格式。
14.如权利要求11所述的骨龄评估与身高预测系统,其特征在于,所述第一影像数据编辑模块还对各所述参照手骨X光影像数据进行一影像度扩展处理,所述第二影像数据编辑模块还对所述目标手骨X光影像数据进行影像度扩展处理。
15.如权利要求11所述的骨龄评估与身高预测系统,其特征在于,所述骨龄身高图谱数据集合包含男性骨龄身高图谱数据子集合及女性骨龄身高图谱数据子集合。
16.如权利要求11所述的骨龄评估与身高预测系统,其特征在于,各所述参照手骨X光影像数据为非习惯用手的参照手骨X光影像数据,所述目标手骨X光影像数据为非习惯用手的目标手骨X光影像数据。
17.如权利要求11所述的骨龄评估与身高预测系统,其特征在于,还包含:
警示模块,用以在所述标准化目标手骨X光影像数据通过所述骨龄评估与身高预测模型进行分析以后,
发出主动警示通知。
骨龄评估与身高预测模型、其系统及其预测方法
技术领域
[0001]本发明是有关于一种医疗信息分析模型、系统以及方法,特别是一种骨龄评估与身高预测模型、骨龄评估与身高预测系统以及骨龄评估与身高预测方法。
背景技术
[0002]骨骼年龄为人体生理年龄的重要指标之一,其通过骨骼的生长、发育、成熟、衰老的规律来推断人体的生理年龄。骨龄评估(bone age assessment,BAA)为小儿科医师常用以判读儿童生长发育的常规检查,其通过分析不同生长阶段时骨骼的不同型态表现,并参照人体骨骼的连续性与阶段性的发育状态,进而准确地评估个体的生长发育水平和成熟程度,并可进一步评估与预测受试儿童的生长发育潜力以及性成熟的趋势。
[0003]公知的骨龄评估方式系利用低剂量的X光摄影方式取得受试者的左手或右手的指骨、掌骨与腕骨的X光影像,并将前述的X光影像通过Greulich and Pyle(G-P)方法与Tanner-Whitehouse(TW)方法而以图谱比对的方式进行骨龄评估。G-P方法在操作上是以人工方式将受试者手骨的原始X光影像与数据库中的
手骨X光片影像依据不同年龄区间进行一对一的比对,而TW方法则是取左手掌与左手腕的手骨X光影像中二十个感兴趣区域(Regions of Interests,ROI)进行逐一比对分析,并将手骨的发育状况分成九个成熟等级,以进行后续的评估。然而,当使用G-P方法进行骨龄评估时,同一受试者的骨龄评估结果容易因为不同分析者的不同比对习惯而有所不同,而利用TW方法进行骨龄评估时所得的骨龄评估结果虽较为客观,但因所需评分的骨头较多,过程也较为繁琐耗时,并无法在短时间内对受试者手骨的原始X光影像进行分析并即时获得相应的骨龄评估结果。
[0004]因此,如何发展出一种具有高度准确率及快速检测的骨龄评估及身高预测系统,实为一具有商业价值的技术课题。
发明内容
[0005]本发明的目的在于提供一种骨龄评估与身高预测模型、其系统及其预测方法,其可有效提升骨龄评估及身高预测的准确度与敏感度,并可缩短骨龄评估及身高预测的判定时间。
[0006]本发明的一方面是在于提供一种骨龄评估与身高预测模型,所述骨龄评估与身高预测模型由以下步骤建立:取得参照数据库、进行影像前处理步骤、进行特征选取步骤以及进行训练步骤。参照数据库包含骨龄身高图谱数据集合及多个参照手骨X光影像数据,其中各参照手骨X光影像数据包含生理年龄信息以及性别信息。影像前处理步骤系利用影像数据编辑模块调整各参照手骨X光影像数据的影像大小及
影像黑白对比度,以取得多个标准化手骨X光影像数据。特征选取步骤是利用特征选取模块分析标准化手骨X光影像数据后以得至少一个影像特征值。训练步骤是将影像特征值通过卷积神经网络学习分类器进行训练而达到收敛,以得骨龄评估与身高预测模型,其中骨龄评估与身高预测模型是用以判断受试者的手骨发育状态、受试者的骨龄以及预测受试者的成年身高。
[0007]依据前述的骨龄评估与身高预测模型,其中卷积神经网络学习分类器可为Inception-ResNet-v2卷积神经网络。
[0008]依据前述的骨龄评估与身高预测模型,其中参照手骨X光影像数据的影像格式可为数字医疗影像储存标准协定(Digital Imaging and Communications in Medicine,DICOM)的影像格式。
[0009]依据前述的骨龄评估与身高预测模型,其中影像前处理步骤可还对各参照手骨X 光影像数据进行影像度扩展处理。
[0010]依据前述的骨龄评估与身高预测模型,其中骨龄身高图谱数据集合可包含男性骨龄身高图谱数据子集合及女性骨龄身高图谱数据子集合。
[0011]依据前述的骨龄评估与身高预测模型,其中各参照手骨X光影像数据可为非习惯用手的参照手骨X光影像数据。
[0012]本发明的另一方面是在于提供一种骨龄评估与身高预测方法,包含下述步骤。提供如前段的骨龄评估与身高预测模型。提供受试者的目标手骨X光影像数据,其中前述的目标手骨X光影像数据包含生理年龄信息以及性别信息。对目标手骨X光影像数据进行前处理,其是利用前述的影像数据编辑模块调整目标手骨X光影像数据的影像大小及影像黑白对比度,以取得标准化目标手骨X光影像数据。利用前述的特征选取模块分析标准化目标手骨X光影像数据后以得至少一个影像特征值。利用前述的骨龄评估与身高预测模型分析影像特征值,以判断受试者的手骨发育状态、受试者的骨龄以及预测受试者的成年身高。[0013]依据前述的骨龄评估与身高预测方法,其中目标手骨X光影像数据的影像格式可为数字医疗影像储存标准协定的影像格式。
[0014]依据前述的骨龄评估与身高预测方法,其中影像数据编辑模块可还对目标手骨X 光影像数据进行影像度扩展处理。
[0015]依据前述的骨龄评估与身高预测方法,其中前述的目标手骨X光影像数据可为非习惯用手的目标手骨X光影像数据。
[0016]本发明的又一方面是在于提供一种骨龄评估与身高预测系统,包含影像撷取单元以及非瞬态机器可读介质。影像撷取单元用以取得受试者的目标手骨X光影像数据,其中前述的目标手骨X光影像数据包含生理年龄信息以及性别信息。非瞬态机器可读介质信号连接前述的影像撷取单元,其中非瞬态机器可
读介质用以储存程序,当前述的程序由处理单元执行时是用以评估受试者的手骨发育状态、受试者的骨龄和预测受试者的成年身高,且前述的程序包含参照数据库取得模块、第一影像数据编辑模块、特征选取模块、训练模块、第二影像数据编辑模块、目标特征选取模块及比对模块。参照数据库取得模块用以取得参照数据库,且前述的参照数据库包含骨龄身高图谱数据集合及多个参照手骨X光影像数据,其中各参照手骨X光影像数据包含生理年龄信息以及性别信息。第一影像数据编辑模块系调整各参照手骨X光影像数据的影像大小及影像黑白对比度,以取得多个标准化手骨X光影像数据。特征选取模块用以分析标准化手骨X光影像数据后以得至少一个参照影像特征值。训练模块用以将前述的参照影像特征值通过卷积神经网络学习分类器进行训练而达到收敛,以得到骨龄评估与身高预测模型。第二影像数据编辑模块系调整目标手骨X光影像数据的影像大小及影像黑白对比度,以取得标准化目标手骨X光影像数据。目标特征选取模块用以分析标准化目标手骨X光影像数据后以得至少一个目标影像特征值。比对模块用以将前