[发明专利]基于深度神经网络的X光片手骨兴趣区域自动提取方法

说明书

一种基于深度神经网络的X光片手骨兴趣区域自动提取方法，对原始手骨X光片影像，去除影像两边黑色背景嵌入文字的部分；统一对原始手骨X光片影像进行提亮、去噪操作；采样并训练模型M1，得到没有文字的手骨X光片影像Output2；对于Output2归一化尺寸得到Output3；采样并训练模型M2，对Output3中的手骨、背景、手骨背景相交的部分进行判断；基于模型M2对Output3中的影像滑窗判断，依据判断值得到手骨标记映射图Output4；基于Output3和Output4，得到仅有手骨的影像Output5；对Output5进行优化得到最终的手骨兴趣区域。本发明可以自动获取X光片中的手骨兴趣区域。

技术领域

本发明涉及医学图像分析领域及机器学习领域，特别涉及一种应用于人体手骨X光片影像兴趣区域提取的方法，属于基于深度学习的医学影像分析领域。

背景技术

骨骼年龄，简称骨龄，是由儿童的骨骼钙化程度所决定的。骨龄能较精确地反映人从出生到完全成熟的过程中各年龄阶段的发育水平，不仅如此，在内分泌疾病、发育障碍、营养障碍、遗传性疾病及代谢性疾病的分析与诊断方面，骨龄具有重要的作用。放射科医生通过对比儿童手部的X光片和他们对应年龄的标准状态，来测量儿童的骨龄。这项技术很稳定，已经持续了大约好几十年。随着家长们健康意识的提高，做骨龄检测的儿童数量与日俱增，但医疗机构的现状却并没有发生改变：儿科影像科的执业医生不多，并且读片效率不高。

随着GPU加速的深度学习技术，通过人工智能来完成对于骨龄的自动检测已经成为了可能。深度学习需要大量手骨X光图片来进行训练，以达到良好的检测效果。但原始的手骨X光图片中具有不少无用的信息，例如，文字，噪声等；而且原始的手骨X光图片中由于每一个人手的摆放不统一，机器的光照不统一，导致X光图片中手的位置以及亮度并不是固定的，这些因素会导致检测模型的学习效果不佳，从而引起较大的判断误差。所以对于基于深度学习的骨龄预测来说，准确地获取X光片中手骨区域而且将这些手骨区域处理为检测模型可以进行学习的良好样本是至关重要的。但是人为进行手部位的标注，不仅效率底下，而且不同的标注者的标注结果会有差异。

发明内容

为了克服现有X光片手骨兴趣区域提取方式的效率低下、误差较大、精度较低的不足，本发明提出了一种效率较高、误差较小、精度较高的基于深度神经网络的X光片手骨兴趣区域自动提取方法，不仅可以自动获取X光片中的手骨区域，而且还可以自动去除噪声，调整亮度。

为了解决上述技术问题本发明所采用的技术方案是：

一种基于深度神经网络的X光片手骨兴趣区域自动提取方法，包括以下步骤：

步骤一，对原始手骨X光片灰度影像，去除影像两边的黑色背景嵌入文字的部分，从而使得原图像去除掉大部分的文字；

步骤二，对原始手骨X光片灰度影像进行提亮操作，该步骤，先对影像进行整体亮度评估，对于亮度不足的影像进行提亮操作，提亮之后进行去噪操作，得到的影像集称为Output1；

步骤三，采样并训练模型M1，该模型用于去除Output1中的X光片中手骨附近以及手骨上的文字，得到没有文字的手骨X光片灰度影像Output2；

步骤四，将Output2中所有影像归一化尺寸，为保持高宽大小一致，先进行两侧黑底填充操作，当图片的宽比高的数值大时，采取两侧向内切割的操作，然后再对影像缩小至(512,512)，称新的影像集为Output3；

步骤五，采样并训练模型M2，该模型用于对Output3中的手骨，背景，手骨背景相交的三部分进行判断，手骨背景的大小为16*16；

步骤六，有了模型M2，对Output3中的影像滑窗判断，将判断的值加到每个像素点中，接着每个像素点根据自己得到的不同判断类型的值的大小，将手骨部分的像素值设为255，背景部分的像素值设为0，从而得到手骨二值标记图，称之为Output4；