CN106340000A

CN106340000A - 骨龄评估方法

Info

Publication number: CN106340000A
Application number: CN201510393551.3A
Authority: CN
Inventors: 王亚辉; 朱广友; 万雷; 魏华; 应充亮; 夏文涛; 刘太昂; 史格非
Original assignee: EXPERT TESTIMONY SCIENCE-TECHNOLOGY INST JUDICAL DEPARTMENT
Current assignee: EXPERT TESTIMONY SCIENCE-TECHNOLOGY INST JUDICAL DEPARTMENT
Priority date: 2015-07-06
Filing date: 2015-07-06
Publication date: 2017-01-18

Abstract

本发明公开了骨龄评估方法，其特征在于，包括步骤：A、采集多个目标骨骼部位的X光图片，并根据年龄段分级；B、对每一级中的多个X光图片进行特征提取；利用方向梯度直方图特征方法将每一级的所述X光图片转为数据，建立数学模型；C、利用支持向量机分类算法将需评估骨龄的X光图片分入以上的级别中。本发明中的骨龄评估方法，将图像处理技术和计算机视觉技术结合，通过交互或自动的方法实现了骨骼成熟度判定方法。

Description

骨龄评估方法

技术领域

本发明涉及骨龄评估方法。

背景技术

国内外普遍认为，按骨龄判定发育个体的成熟程度是一种行之有效的方法，可以较全面地反映机体生理状态，它在很大程度上代表着生物学发育年龄。骨骼发育成熟度表示了以某一年龄为特点的儿童生长发育的水平，是评价个体生长发育最为可靠的指标。

当前，骨龄研究者一般采用拍摄躯体单一关节(如腕关节)或躯体各大关节(肩、肘、腕、髋、膝、踝关节等)X线片的方法进行骨骼成熟度评价。概括起来，目前应用于骨龄推断的方法有图谱法、计分法、计测法以及数学模型法等。传统的骨龄评估方法是通过专家阅片结果与标准图谱进行比对或者根据骨骺发育程度进行赋分来完成的，但分值的主观性较强，不利于骨龄的客观评价。而且由于要对多关节部位的骨骼进行比照或评分，人工处理所需时间较长，对评分人的专业知识要求较高。因此，通过人工读片或多或少地存在一些读片误差，这些误差会对骨龄评估结果产生“偏大”或“偏小”的影响。

发明内容

本发明的目的之一是为了克服现有技术中的不足，提供一种可降低人为因素干扰的骨龄评估方法。

为实现以上目的，本发明通过以下技术方案实现：

骨龄评估方法，其特征在于，包括步骤：

A、采集多个目标骨骼部位的X光图片，并根据年龄段分级；

B、对每一级中的多个X光图片进行特征提取；利用方向梯度直方图特征方法将每一级的所述X光图片转为数据，建立数学模型；

C、利用支持向量机分类算法将需评估骨龄的X光图片分入以上的级别中。

优选地是，所述的步骤A中，目标骨骼部位包括肩关节、肘关节、腕关节、髋关节、膝关节、踝关节及胸锁关节中的一个或多个的骨骺部位。

优选地是，所述的步骤A中，目标骨骼部位包括尺骨远端骨骺、桡骨远端骨骺中的一个或两个。

优选地是，将所述图像分割为多个单元格cell；将多个单元格组成块block；获取1764个特征向量。

优选地是，所述的步骤B中，

首先，计算图像X方向和Y方向的梯度Gx，Gy，图像的梯度模矩阵G及梯度方向矩阵Θ则可以根据下列公式计算得到：

然后以单元格cell为单位计算图像的梯度方向直方图，计算公式为：

D i m (x, y) = C e l l (\frac{(\arctan (\frac{G_{y} (x, y)}{G_{x} (x, y)}) + \frac{π}{2}) \times 190 / π}{int e r v a l})

W e i g h t [i] = W e i g h t [i] + \sqrt{G_{x} {(x, y)}^{2} + G_{y} {(x, y)}^{2}}

(i＝Dim(x，y))。

优选地是，采用支持向量机算法将需评估骨龄的X光图片中的向量代入公式y_i(w^Tx_i+b)-1，每个级别中的w^T、b值均为确定的数值；当需评估骨龄的X光图片中的向量使y_i(w^Tx_i+b)-1＝0时，则需评估骨龄的X光图片属于该级别。

优选地是，选取已知骨龄级别的X光图像，按照前述的步骤求w^T、b的值。

优选地是，采集11.0～20.0周岁青少年骨骼X光图像。

根据权利要求1所述的骨龄评估方法，其特征在于，将待评估骨龄的X光图片分级后，再精确评估骨龄。

本发明中的骨龄评估方法，将图像处理技术和计算机视觉技术结合，通过交互或自动的方法实现了骨骼成熟度判定方法。采用计算机进行图像自动分析能够达到准确、高速的效果，同时能克服读片过程中带来的个体差异，能够降低人为因素的干扰，更加简便、快捷、客观的地评估骨龄。运用图像处理、图像识别以及计算机视觉等学科知识，开发出法医学骨龄鉴定计算机系统对实际鉴定工作有很大的应用价值及指导意义。

附图说明

图1是手腕骨X线片的原始图像；

图2是对骨骼的X线片进行截取后获得的感兴趣区域图像；

图3是青少年骨龄评估的流程图；

图4是分类超平面示意图；

图5是原始数据使用核函数向高维投影示意图；

具体实施方式

如图1至图5所示，骨龄评估方法，其特征在于，包括步骤：

A、采集多个目标骨骼部位的X光图片，并根据年龄段分级；目标骨骼部位包括肩关节、肘关节、腕关节、髋关节、膝关节、踝关节及胸锁关节中的一个或多个的骨骺部位。

收集1897名年龄介于11.0-20.0周岁汉族男、女性青少年七大关节共13279张X线片作为研究资料。

对躯体七大关节24个骨骺进行数据采集，数据以X线片形式收集通过扫描转化为JPEG图像存入文件系统。

按照年龄段对样本进行分类，既可以按照统一年龄分级，既所有样本按每两岁为一级均匀分级，或者不均匀分级，如11-12岁为一级，12-14为一级。

也可以根据不同的关节分级，比如肘关节按每两岁为一级均匀分级；腕关节按每三岁为一级均匀分级。

B、对每一级中的多个X光图片进行特征提取；利用方向梯度直方图特征方法将每一级的所述X光图片转为数据，建立数学模型。

将所述图像分割为多个单元格cell；将多个单元格组成块block；获取1764个特征向量。

首先，计算图像X方向和Y方向的梯度Gx，Gy，图像的梯度模矩阵G及梯度方向矩阵

Θ则可以根据下列公式计算得到：

D i m (x, y) = C e l l (\frac{(\arctan (\frac{G_{y} (x, y)}{G_{x} (x, y)}) + \frac{π}{2}) \times 190 / π}{int e r v a l})

W e i g h t [i] = W e i g h t [i] + \sqrt{G_{x} {(x, y)}^{2} + G_{y} {(x, y)}^{2}}

(i＝Dim(x，y))。

采用支持向量机算法将需评估骨龄的X光图片中的向量代入公式y_i(w^Tx_i+b)-1，每个级别中的w^T、b值均为确定的数值；当需评估骨龄的X光图片中的向量使y_i(w^Tx_i+b)-1＝0时，则需评估骨龄的X光图片属于该级别。

选取已知骨龄级别的X光图像，按照前述的步骤求w^T、b的值。

将待评估骨龄的X光图片分级后，再精确评估骨龄。

一种利用模式识别技术评估我国汉族青少年骨骼年龄的方法，采用如下步骤：

a、对140名(男、女性各70例)11.0～20.0周岁汉族青少年尺、桡骨远端骨骺运用模式识别技术进行图像识别；

b、分别选取尺、桡骨远端骨骺的五个发育分级作为研究指标，其中尺、桡骨远端骨骺的每个分级均包含28例样本，构建尺、桡骨远端骨骺五个发育分级的模式识别分类模型；

c、采用留一法进行模型的内部交叉验证以及35例独立校验样本模式识别模型的外部验证，分别计算模型识别的准确率(P_A)。

d、利用X线摄像系统拍摄1757名11.0～20.0周岁汉族男、女性青少年躯体肩、肘、腕、髋、膝、踝关节及胸锁关节共七大关节X线片。

e、对骨骼的X线片进行图像截取、图像特征提取，获得感兴趣图像区域；

f、对获得的图像特征信息进行降维处理；

g、利用降维后的特征信息，建立青少年骨关节的分类模型；

h、将分类模型的骨骼分类信息代入多元回归数学模型以及骨龄鉴定标准图谱中，预报出青少年的骨骼年龄。

具体步骤详述如下：

1、X线片样本采集

收集我国东部、中部及南部地区1897名年龄介于11.0～20.0周岁汉族男、女性青少年七大关节共13279张X线片作为研究资料，对躯体七大关节24个骨骺进行数据采集，数据以X线片形式收集通过扫描转化为JPEG图像存入文件系统。

2、图像裁剪及预处理

为建立定性模型的准确性，裁剪感兴趣区域尤为重要，采用不同的裁剪方式对定性分类模型建立后模型的准确性及鲁棒性具有极大的影响。通过改变感兴趣区域截图范围，我们尝试了不同的截图方式对建模准确率的影响，尽可能不损失信息的情况下减少噪声为目的，将其干骺部分截取作为样本。在开展七大关节骨龄研究之前，我们以青少年尺、桡骨远端骨骺及干骺端为例，选取140例样本作为预实验，将感兴趣的尺、桡骨远端区域整体选出，其两者主要的骨骺发育感兴趣区域为干骺之间部分，将其骨骺整体截出为尽可能的不损失其信息，尽量减少噪声干扰。

3、对裁剪及预处理后的图像进行图像特征提取

图像数据特征提取是进行图像模式识别的基础，特征提取算法的目的是将图像的特征信息给提取出来，图像的特征信息包括图像的颜色，纹理，特征点(如特别亮的点)等。方向梯度直方图(Histogram of Oriented Gradient，HOG)方法为局部特征提取算法，通过其提取特征后具有共1764个变量来对图片的特征进行描述，将图像以图片形式转换为数值形式。

在进行HOG特征提取时，首先将图像按照一定的规格划分成一个个小的单元格cell，然后计算整幅图像的梯度，之后我们统计每个单元格cell的梯度方向直方图。在统计完了所有单元格cell的梯度直方图之后，以若干个连续的单元格cell组成的块block为单位归一化梯度方向直方图，最后以单元格cell为步长滑动整个图像收集块block的梯度方向直方图，将所有块block的梯度方向直方图组合起来就可以构成了HOG特征描述器。HOG特征对图像局部区域的梯度从强度和方向上进行了基于统计学的描述。

其具体计算过程如下：

采用Canny边缘检测的方法提取图像边缘得到图像边缘矩阵E。然后采用Sobel算子计算图像X方向和Y方向的梯度Gx，Gy，图像的梯度模矩阵G及梯度方向矩阵Θ则可以根据下列公式计算得到。

G = \sqrt{G_{x}^{2} + G_{y}^{2}}

Θ = \arctan \frac{G_{y}}{G_{x}}

通过以上计算得到图像的信息，然后代入下面的公式计算权重梯度直方图。

③计算权重梯度直方图

以单元格cell为单位统计整个图像的梯度方向直方图。计算公式如下：

D i m (x, y) = C e l l (\frac{(\arctan (\frac{G_{y} (x, y)}{G_{x} (x, y)}) + \frac{π}{2}) \times 190 / π}{int e r v a l})

W e i g h t [i] = W e i g h t [i] + \sqrt{G_{x} {(x, y)}^{2} + G_{y} {(x, y)}^{2}}

(i＝Dim(x，y))

Dim(x，y)表示像素点(x，y)的梯度方向在直方图中应属于的类别，而这个类别是由梯度方向的角度等组距(interval)划分得到的，角度的范围为0度至180度的范围内的类别。Weight[i]表示类别为i的梯度权重。以块block为单位归一化梯度方向直方图，再计算整幅图像的HOG特征描述符。以单元格cell为单位统计整个图像的梯度方向直方图，得到图像的特征信息，如灰度值，特征信息为后边建模的特征变量。

4、构建定性分类模型预报骨骺发育分级

通过使用模式识别算法对大量样本数据进行数学模型的建立，从而达到当获得未知样本时可对未知样本进行预报检测。

本发明采用的模式识别算法为支持向量机分类算法(Support Vector classification，SVC)。SVC首先从最为简单的线性可分的情况入手。

线性可分时，d维空间中线性判别函数的一般形式为g(x)＝w^Tx+b，(注：在本文中w与x均为向量；，分类面方程是w^Tx+b；我们将判别函数进行归一化，使两类所有样本都满足|g(x)|≥1；此时离分类面最近的样本的|g(x)|＝1；而要求分类面对所有样本都能正确分类，就是要求它满足：y_i(w^Tx_i+b)-1≥0，i＝1，2，…，n…；n为样本数″上式中使等号成立的那些样本叫做支持向量(Support Vectors)。

缘由就是其作为离分类面最近的样本点，它们对模型的最终建立起了重大作用，所以被称为支持向量″这样，两类样本的分类空隙(Margin)的间隔大小：

M \arg i n = \frac{2}{| | w | | |}

因此，最优分类面问题可以表示成如下的约束优化问题，即在条件式的约束下，求函数：

φ (w) = \frac{1}{2} | | w | |^{2} (w^{T} w)

的最小值。

同时也可以看出，支持向量一定处于超平面(w^Tx_i+b)＝1或(w^Tx_i+b)＝-1之上。

为此，可以定义如下的Lagrange函数：

L (w, b, α) = \frac{1}{2} (w^{T} w) - Σ_{i = 1}^{n} α_{i} [y_{i} (w^{T} x_{i} + b) - 1]

其中，α_i为Lagrange系数或乘子。

基于上述定性分类模型的研究，我们针对我国汉族青少年男、女性躯体七大关节24个骨骺发育分级进行定性分类模型探索并通过不同的方法验证结果准确率，见表1。

表1青少年男、女性躯体七大关节24个骨骺发育分级建模结果

5、多元回归数学模型及骨龄标准图谱评估骨龄

通过图像预处理截取，图像特征提取，支持向量机定性分类建模后，即可获得七大关节24个指标的分级，可以将所得分级通过多元回归数学模型及骨龄鉴定标准图谱对待测样本的骨龄进行评估。

本发明中的实施例仅用于对本发明进行说明，并不构成对权利要求范围的限制，本领域内技术人员可以想到的其他实质上等同的替代，均在本发明保护范围内。

Claims

1.骨龄评估方法，其特征在于，包括步骤：

A、采集多个目标骨骼部位的X光图片，并根据年龄段分级；

2.根据权利要求1所述的骨龄评估方法，其特征在于，所述的步骤A中，目标骨骼部位包括肩关节、肘关节、腕关节、髋关节、膝关节、踝关节及胸锁关节中的一个或多个的骨骺部位。

3.根据权利要求1所述的骨龄评估方法，其特征在于，所述的步骤A中，目标骨骼部位包括尺骨远端骨骺、桡骨远端骨骺中的一个或两个。

4.根据权利要求1所述的骨龄评估方法，其特征在于，将所述图像分割为多个单元格cell；将多个单元格组成块block；获取1764个特征向量。

5.根据权利要求1所述的骨龄评估方法，其特征在于，所述的步骤B中，

G = \sqrt{G_{x}^{2} + G_{y}^{2}}; Θ = \arctan \frac{G_{y}}{G_{x}};

D i m (x, y) = C e l l (\frac{(\arctan (\frac{G_{y} (x, y)}{G_{x} (x, y)}) + \frac{π}{2}) \times 190 / π}{int e r v a l})

W e i g h t [i] = W e i g h t [i] + \sqrt{G_{x} {(x, y)}^{2} + G_{y} {(x, y)}^{2}}

(i＝Dim(x，y))。

6.根据权利要求5所述的骨龄评估方法，其特征在于，采用支持向量机算法将需评估骨龄的X光图片中的向量代入公式y_i(w^Tx_i+b)-1，每个级别中的w^T、b值均为确定的数值；当需评估骨龄的X光图片中的向量使y_i(w^Tx_i+b)-1＝0时，则需评估骨龄的X光图片属于该级别。

7.根据权利要求6所述的骨龄评估方法，其特征在于，选取已知骨龄级别的X光图像，按照权利要求5、6所述的步骤求w^T、b的值。

8.根据权利要求1所述的骨龄评估方法，其特征在于，采集11.0～20.0周岁青少年骨骼X光图像。

9.根据权利要求1所述的骨龄评估方法，其特征在于，将待评估骨龄的X光图片分级后，再精确评估骨龄。