骨成熟度预测方法及装置与流程

阅读：评论：0

1.本技术涉及数据处理技术领域，特别涉及人工智能技术领域，具体涉及骨成熟度预测方法及装置。

背景技术：

2.骨龄，是生物学成熟度的一个关键指标，正常人体在骨骼发育过程当中,骨骼的骨化速度及骨骺与干骺端闭合时间及其形态的变化都呈现一定的规律性,这种规律用时间来表示即为骨龄。然而，由于不同种族、不同地域等的儿童发育状况差异较大，存在相同年龄儿童骨骼发育成熟度不一致问题，导致骨龄作为衡量儿童生长发育的直接指标可靠性并不强。而骨成熟度是作为骨龄的中间变量，它既反映了骨发育情况，同时也与种族、地区等无关。因此，骨成熟度预测可以被用来作为指标来解决骨龄因种族与地区不同所导致的差异性。
3.目前，现有的骨成熟度预测方式通常为：通过人工读取骨x射线片来评估人的骨成熟度，但在实际临床应用中，由于人工读骨x射线片的方式效率十分低下，需要消耗读片人大量的时间与精力，而且对读片人的专业水平高度依赖，因此使得现有的骨成熟度预测方式存在预测效率低、人工及时间成本高和预测准确性差等问题。

技术实现要素：

4.针对现有技术中的问题，本技术提供一种骨成熟度预测方法及装置，能够有效提高骨成熟度预测过程的效率、自动化程度及智能化程度，降低人工及时间成本，并能够有效提高骨成熟度预测结果的覆盖全面性及准确性。
5.为解决上述技术问题，本技术提供以下技术方案：
6.第一方面，本技术提供一种骨成熟度预测方法，包括：
7.获取目标手骨图像数据分别对应的目标指骨系列数据和目标腕骨系列数据；
8.将所述目标手骨图像数据和目标指骨系列数据输入预设的指骨成熟度预测模型，以使该指骨成熟度预测模型输出用于骨龄评价的指骨成熟度预测值；
9.以及，将所述目标手骨图像数据和所述目标腕骨系列数据输入预设的腕骨成熟度预测模型，以使该腕骨成熟度预测模型输出用于骨龄评价的腕骨成熟度预测值。
10.进一步地，还包括：
11.应用所述指骨成熟度预测值和腕骨成熟度预测值，自预设的骨成熟度对照表中确定所述目标手骨图像数据对应的骨龄评价结果；其中，所述骨成熟度对照表用于存储各个指骨成熟度预测值、腕骨成熟度预测值和骨龄评价结果之间的对应关系；
12.输出所述骨龄评价结果。
13.进一步地，所述获取目标手骨图像数据分别对应的目标指骨系列数据和目标腕骨系列数据，包括：
14.采集手骨x射线图像数据；
15.基于预设的背景分割模型对所述手骨x射线图像数据进行背景剔除，得到对应的目标手骨图像数据；
16.自所述目标手骨图像数据中提取目标指骨系列数据，并自所述目标手骨图像数据中提取目标腕骨系列数据。
17.进一步地，所述自所述目标手骨图像数据中提取目标指骨系列数据，包括：
18.基于预设的关键点检测网络在所述目标手骨图像数据中识别各个关键点；
19.根据tw3评分法规定的rus标准数据，在各个所述关键点中选取指骨系列关键点；
20.自所述目标手骨图像数据中分别提取各个所述指骨系列关键点各自对应的指骨系列图像数据，以形成对应的目标指骨系列数据。
21.进一步地，所述自所述目标手骨图像数据中提取目标腕骨系列数据，包括：
22.基于预设的目标检测网络及tw3评分法规定的c标准数据，自所述目标手骨图像数据中分别提取各个所述腕骨系列图像数据，以形成对应的目标腕骨系列数据。
23.进一步地，还包括：
24.获取多个历史手骨x射线图像数据；
25.基于预设的背景分割模型对各个所述历史手骨x射线图像数据分别进行背景剔除，得到各个所述历史手骨x射线图像数据各自对应的历史手骨图像数据；
26.自各个所述历史手骨图像数据分别提取各自对应的历史指骨系列数据，并自各个所述历史手骨图像数据分别提取各自对应的历史腕骨系列数据；
27.生成各个所述历史指骨系列数据对应的指骨训练集和各个所述历史腕骨系列数据对应的腕骨训练集；
28.应用各个所述历史手骨图像数据和所述指骨训练集训练得到用于输出指骨成熟度预测值的指骨成熟度预测模型，以及，应用各个所述历史手骨图像数据和所述腕骨训练集训练得到用于输出腕骨成熟度预测值的腕骨成熟度预测模型。
29.进一步地，所述指骨成熟度预测模型和所述腕骨成熟度预测模型均包括预设的目标深度神经网络；
30.其中，所述目标深度神经网络包括：相互连接的特征提取单元和特征拼接单元；
31.所述特征提取单元包括：用于输入手骨图像数据的第一深度神经网络层，以及，用于输入指骨图像数据或腕骨图像数据的第二深度神经网络层，且所述第一深度神经网络层和第二深度神经网络层均连接至所述特征拼接单元；
32.所述特征拼接单元包括：依次连接的至少一个全连接层和线性层。
33.第二方面，本技术提供一种骨成熟度预测装置，包括：
34.数据获取模块，用于获取目标手骨图像数据分别对应的目标指骨系列数据和目标腕骨系列数据；
35.指骨成熟度预测模块，用于将所述目标手骨图像数据和目标指骨系列数据输入预设的指骨成熟度预测模型，以使该指骨成熟度预测模型输出用于骨龄评价的指骨成熟度预测值；
36.腕骨成熟度预测模块，用于将所述目标手骨图像数据和所述目标腕骨系列数据输入预设的腕骨成熟度预测模型，以使该腕骨成熟度预测模型输出用于骨龄评价的腕骨成熟度预测值。
37.第三方面，本技术提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的骨成熟度预测方法。
38.第四方面，本技术提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的骨成熟度预测方法。
39.由上述技术方案可知，本技术提供的一种骨成熟度预测方法及装置，方法包括：获取目标手骨图像数据分别对应的目标指骨系列数据和目标腕骨系列数据；将所述目标手骨图像数据和目标指骨系列数据输入预设的指骨成熟度预测模型，以使该指骨成熟度预测模型输出用于骨龄评价的指骨成熟度预测值；以及，将所述目标手骨图像数据和所述目标腕骨系列数据输入预设的腕骨成熟度预测模型，以使该腕骨成熟度预测模型输出用于骨龄评价的腕骨成熟度预测值，通过预设指骨成熟度预测模型和腕骨成熟度预测模型，并将目标手骨图像数据对应的目标指骨系列数据和目标腕骨系列数据输入预设模型中，能够根据同一份目标手骨图像数据分别获取其对应的指骨成熟度预测值和腕骨成熟度预测值，能够有效提高骨成熟度预测过程的效率、自动化程度及智能化程度，能够有效降低人工及时间成本，并能够有效提高骨成熟度预测结果的覆盖全面性及准确性，进而能够为后续根据骨成熟度判定儿童骨龄提供更为可靠且全面的数据基础，使得骨龄评价结果不受地域及种族等限制，进而能够有效提高骨成熟度预测方式的适用广泛性。
附图说明
40.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
41.图1是本技术实施例中的骨成熟度预测装置与客户端设备和x射线图像采集设备之间的关系示意图。
42.图2为tw3-rus系列对应的解剖学结构示意图。
43.图3为tw3-c系列对应的解剖学结构示意图。
44.图4是本技术实施例中的骨成熟度预测方法的第一种流程示意图。
45.图5是本技术实施例中的骨成熟度预测方法的第二种流程示意图。
46.图6是本技术实施例中的骨成熟度预测方法中步骤100的第一种流程示意图。
47.图7是本技术实施例中的骨成熟度预测方法中步骤100的第二种流程示意图。
48.图8是本技术实施例中的骨成熟度预测方法中步骤100的第三种流程示意图。
49.图9是本技术实施例中的骨成熟度预测方法的第三种流程示意图。
50.图10是本技术实施例中的目标深度神经网络的结构示意图。
51.图11是本技术实施例中的骨成熟度预测装置的结构示意图。
52.图12是本技术应用实例提供的指骨成熟度预测模型的训练流程示意图。
53.图13是本技术应用实例提供的去除背景示意图。
54.图14是本技术应用实例提供的获取tw3-rus系列兴趣区域过程示意图。
55.图15是本技术应用实例提供的腕骨成熟度预测模型的训练流程示意图。
56.图16是本技术应用实例提供的获取tw3-c系列兴趣区域过程示意图。
57.图17是本技术应用实例提供的指骨成熟度预测模型的构成图。
58.图18是本技术应用实例提供的腕骨成熟度预测模型的构成图。
59.图19是本技术应用实例提供的应用指骨成熟度预测模型进行指骨成熟度预测过程的示意图。
60.图20是本技术应用实例提供的应用腕骨成熟度预测模型进行腕骨成熟度预测过程的示意图。
61.图21是本技术实施例中的电子设备的结构示意图。
具体实施方式
62.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
63.需要说明的是，本技术公开的骨成熟度预测方法和装置可用于图像识别及人工智能等技术领域，也可用于除图像识别及人工智能等之外的任意领域。
64.骨龄，是生物学成熟度的一个关键指标，正常人体在骨骼发育过程当中,骨骼的骨化速度及骨骺与干骺端闭合时间及其形态的变化都呈现一定的规律性,这种规律用时间来表示即为骨龄。以骨骼发育的演化过程为依据来评估人体发育程度的实际年龄即为骨龄评估,它在临床医学、司法鉴定以及体育等领域均有很广泛的应用价值。在临床医学领域通过比较骨龄与实际年龄的差异，结合体格检查,可以及时发现影响儿童生长发育和内分泌紊乱的原因,并及时采取干预措施和诊治；而在多个领域中，骨龄鉴定都极为重要，例如在体育领域中，骨龄可以有效鉴定青少年比赛中参赛人的年龄，以及作为青少运动员选材的指标，确定运动员的发育水平，以制定科学的训练方案。
65.thodberg等人发明了bonexpert自动评估骨龄系统，并在部分地区被批准用于临床。bonexpert使用主动外观模型aam(active appearance model)，这是一种计算机视觉算法，可以重建手部13块骨头的轮廓。然后，该自动评估骨龄系统根据骨头的形状、纹理和强度，在gp或tw技术的基础上确定整体骨龄。又例如，son等人提出了一个完整的端到端的基于tw3评分法的骨龄评估系统。
66.然而，由于不同种族、不同地域等的儿童发育状况差异较大，存在相同年龄儿童骨骼发育成熟度不一致问题，导致骨龄作为衡量儿童生长发育的直接指标可靠性并不强。例如，bonexpert只针对某一指定地区的儿童有效，将该系统运用到出除该指定地区外的儿童，则会出现较大误差。而且该系统没有利用腕骨，尽管腕骨对婴幼儿的骨骼成熟度评估很重要。又例如，son等人提出的完整的端到端的基于tw3评分法的骨龄评估系统，由于使用骨龄作为衡量儿童发育程度的指标，导致该系统因种族和地域问题也无法大范围临床使用。
67.因此，本技术考虑将tw3评分细则中指出的骨成熟度是作为骨龄的中间变量，它既反映了骨发育情况，同时也与种族、地区等无关。因此，骨成熟度评估可以被用来作为指标来解决骨龄因种族与地区不同所导致的差异性。但由于现有的骨成熟度评估方式通常为：通过人工读取骨x线摄片来评估人的骨成熟度，但在实际临床应用中，由于人工读骨x线摄
片的方式效率十分低下，需要消耗读片人大量的时间与精力，而且对读片人的专业水平高度依赖，因此使得现有的骨成熟度评估方式存在评估效率低、人工及时间成本高和评估准确性差等问题。
68.临床上的骨龄评估普遍采用的是tw3评分法或基于该tw3评分法进行的。tw3评分法用于对相关的20块骨骼单独打分得出每一块骨骼的骨成熟度分数，因此可以考虑基于一个深度神经网络对指骨系列数据进行骨成熟度预测(例如13个关键骨块)，然后再基于第二个深度神经网络对指骨系列数据对应的手骨图像数据进行骨成熟度预测，最后在这两个神经网络中选取最优预测结果，然而，该种方式由于其第二个深度神经网络预测对象为采集的x射线图像本身，本质上与指骨系列数据进行骨成熟度预测的方式之间并不具备平等的评判标准，且最终还需要在两个预测结果中择优后再进行骨龄评估，因此无法满足骨成熟度择优结果的可靠性，且延长了确定骨龄的耗时。
69.基于此，本技术通过大量的实验研究后发现，首先需要选取与指骨系列数据(rus系列)之间相对平等且存在可比性的相关数据进行模型预测，因此考虑选用tw3规定的c系列数据，且两个模型分别生成的预测结果之间并不需要择优，而是可以直接根据这两个预测结果分别或同时与骨龄之间的对应关系直接确定骨龄评价结果，进而能够有效提高骨成熟度结果的可靠性及全面性，并能够有效提高骨龄评估的效率。另外，本技术还提供了专门针对tw3-rus和tw3-c系统的机器学习模型以及各类数据处理方式等等，具体通过下述实施例及应用实例分别进行说明。
70.基于此，针对现有的骨成熟度预测方式存在的效率低、耗时长且预测结果准确性差等问题，本技术实施例提供一种骨成熟度预测方法，通过将目标手骨图像数据对应的目标指骨系列数据输入预设的指骨成熟度预测模型，以使该指骨成熟度预测模型输出用于骨龄评价的指骨成熟度预测值；以及，将所述目标手骨图像数据对应的目标腕骨系列数据输入预设的腕骨成熟度预测模型，以使该腕骨成熟度预测模型输出用于骨龄评价的腕骨成熟度预测值，能够根据同一份目标手骨图像数据分别获取其对应的指骨成熟度预测值和腕骨成熟度预测值，能够有效提高骨成熟度预测过程的效率、自动化程度及智能化程度，能够有效降低人工及时间成本，并能够有效提高骨成熟度预测结果的覆盖全面性及准确性，进而能够为后续根据骨成熟度判定儿童骨龄提供更为可靠且全面的数据基础，使得骨龄评价结果不受地域及种族等限制，进而能够有效提高骨成熟度预测方式的适用广泛性。
71.基于上述内容，本技术还提供一种用于实现本技术一个或多个实施例中提供的骨成熟度预测方法的骨成熟度预测装置，该骨成熟度预测装置可以为一服务器，参见图1，该骨成熟度预测装置可以自行或通过第三方服务器等与各个客户端设备和x射线图像采集设备之间依次通信连接，骨成熟度预测装置可以接收客户端设备发送的骨成熟度预测指令，并根据该骨成熟度预测指令接收图像采集设备发送的儿童左手的手骨x射线图像数据，而后将该手骨x射线图像数据转化为目标手骨图像数据，获取目标手骨图像数据分别对应的目标指骨系列数据和目标腕骨系列数据，将所述目标手骨图像数据和目标指骨系列数据输入预设的指骨成熟度预测模型，以使该指骨成熟度预测模型输出用于骨龄评价的指骨成熟度预测值；
72.以及，将所述目标手骨图像数据和所述目标腕骨系列数据输入预设的腕骨成熟度预测模型，以使该腕骨成熟度预测模型输出用于骨龄评价的腕骨成熟度预测值，然后可以
输出指骨成熟度预测值和腕骨成熟度预测值至客户端设备，以使用户自该客户端设备根据该应用所述指骨成熟度预测值和腕骨成熟度预测值确定所述手骨x射线图像数据的拍摄儿童的骨龄评价结果，也可以由骨成熟度预测装置在得到指骨成熟度预测值和腕骨成熟度预测值之后，自本地预存的骨成熟度对照表中确定所述目标手骨图像数据对应的骨龄评价结果，而后直接将该骨龄评价结果直接发送至客户端设备，以使用户自该客户端设备快速且可靠地获知骨龄评价结果。
73.前述的骨成熟度预测装置进行骨成熟度预测的部分可以在如上述内容的服务器中执行，在另一种实际应用情形中，也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力，以及用户使用场景的限制等进行选择。本技术对此不作限定。若所有的操作都在所述客户端设备中完成，所述客户端设备还可以包括处理器，用于骨成熟度预测的具体处理。
74.可以理解的是，所述客户端设备可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、个人数字助理(pda)、车载设备、智能穿戴设备等任何能够装载应用的移动设备。其中，所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
75.例如，用户仅需将手骨x射线图像数据传输至智能手机中的某一应用app中，该应用app即可以调用本地或远程服务器的骨成熟度预测功能来执行本技术实施例提供的骨成熟度预测方法，并生成或接收对应的指骨成熟度预测值、腕骨成熟度预测值以及骨龄评价结果等，使得用户仅需要传输手骨x射线图像数据即可得到对应的预测或评价结果，能够有效提高用户体验。
76.在上述举例的基础上，为了进一步提高用户体验及骨成熟度预测的便捷性，还可以将具备骨成熟度预测功能的模块集成到用于采集手骨x射线图像数据的x射线采集设备中，使得用户无需输入手骨x射线图像数据，该x射线采集设备可以采集手骨x射线图像数据后控制自身的具备骨成熟度预测功能的模块自行执行本技术实施例提供的骨成熟度预测方法，并在对应的显示设备中直接显示指骨成熟度预测值、腕骨成熟度预测值以及骨龄评价结果等。
77.上述的客户端设备可以具有通信模块(即通信单元)，可以与远程的服务器进行通信连接，实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器，其他的实施场景中也可以包括中间平台的服务器，例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集，或者分布式装置的服务器结构。
78.上述服务器与所述客户端设备之间可以使用任何合适的网络协议进行通信，包括在本技术提交日尚未开发出的网络协议。所述网络协议例如可以包括tcp/ip协议、udp/ip协议、http协议、https协议等。当然，所述网络协议例如还可以包括在上述协议之上使用的rpc协议(remote procedure call protocol，远程过程调用协议)、rest协议(representational state transfer，表述性状态转移协议)等。
79.在本技术的一个或多个实施例中，为了获得tw3评分法相关的感兴趣区域，这里分两个部分，一部分是获得tw3-rus指骨系列的感兴趣区域，另一部分是获得tw3-c(carpal)腕骨系列的感兴趣区域。
80.具体来说，tw3-rus特指tw3计分法中的指骨系列，其中rus是英文radius，ulna，以
及short bones的缩写，该tw3-rus系列对应的解剖学结构(13块骨片)如图2所示。
81.在图2中，13块骨片具体包含有：桡骨3、尺骨28、第ⅰ掌骨19、第ⅲ掌骨9、第
ⅴ
掌骨14、近端拇指股20、第ⅲ近端指骨4、第
ⅴ
近端指骨11、第ⅲ中间指骨12、第
ⅴ
中间指骨23、远端拇指骨8、第ⅲ远端指骨17和第
ⅴ
远端指骨21。在本技术一个或多个实施例中提及的tw3评分法规定的rus标准数据即是指这13块骨片的规定位置等数据，指骨系列数据是指这13块骨片，指骨系列关键点即是指这13块骨片所在位置。
82.具体来说，tw3-c特指tw3计分法中的腕骨系列，其中c是carpal的缩写，该tw3-c系列对应的解剖学结构(7块骨片)如图3所示。
83.在图3中，7块骨片具体包含有：三角骨c1、钩骨c2、月状骨c3、头状骨c4、舟状骨c5、大多角骨c6和小多角骨c7。在本技术一个或多个实施例中提及的tw3评分法规定的c标准数据即是指这7块骨片的规定位置等数据，腕骨系列数据是指这7块骨片，腕骨系列关键点即是指这7块骨片所在位置。
84.具体通过下述各个实施例及应用实例分别进行详细说明。
85.为了解决现有的骨成熟度预测方式存在效率低、耗时长且预测结果准确性差等问题，本技术提供一种骨成熟度预测方法的实施例，参见图4，基于骨成熟度预测装置执行的所述骨成熟度预测方法具体包含有如下内容：
86.步骤100：获取目标手骨图像数据分别对应的目标指骨系列数据和目标腕骨系列数据。
87.可以理解的是，目标手骨图像数据通常采用儿童左手的手骨x射线图像数据生成，以进一步保证骨成熟度预测的可靠性，但在某些特殊场景下，其也可以采用成年人、右手或其他采集类型的图像数据生成，具体可以根据实际需求选取。
88.在本技术的一个或多个实施例中，指骨系列数据是指：tw3评价方法中规定的桡骨、尺骨、第ⅰ掌骨、第ⅲ掌骨、第
ⅴ
掌骨、近端拇指股、第ⅲ近端指骨、第
ⅴ
近端指骨、第ⅲ中间指骨、第
ⅴ
中间指骨、远端拇指骨、第ⅲ远端指骨和第
ⅴ
远端指骨。
89.在本技术的一个或多个实施例中，腕骨系列数据是指：tw3评价方法中规定的三角骨、钩骨、月状骨、头状骨、舟状骨、大多角骨和小多角骨。
90.但本技术所述的指骨系列数据和腕骨系列数据可以不限于上述tw3评价方法中规定的数据，也可以在后续的指骨系列和腕骨系列中指定的骨片发生变化后随之进行骨片的增减，具体可以根据实际需求设置。
91.步骤200：将所述目标手骨图像数据和目标指骨系列数据输入预设的指骨成熟度预测模型，以使该指骨成熟度预测模型输出用于骨龄评价的指骨成熟度预测值。
92.在步骤200中，指骨成熟度预测模型可以采用深度神经网络或其他可以可用的预测模型，且所述目标手骨图像数据和目标指骨系列数据可以作为输入数据同时输入该指骨成熟度预测模型，且该指骨成熟度预测模型输出的指骨成熟度预测值可以为预先规定的指骨成熟度分值范围中的任一分值。
93.步骤300：将所述目标手骨图像数据和所述目标腕骨系列数据输入预设的腕骨成熟度预测模型，以使该腕骨成熟度预测模型输出用于骨龄评价的腕骨成熟度预测值。
94.在步骤300中，腕骨成熟度预测模型可以采用深度神经网络或其他可以可用的预测模型，且所述目标手骨图像数据和目标腕骨系列数据可以作为输入数据同时输入该腕骨
成熟度预测模型，且该腕骨成熟度预测模型输出的腕骨成熟度预测值可以为预先规定的腕骨成熟度分值范围中的任一分值。
95.在本技术的一个或多个实施例中，“目标”数据是指模型应用期间的正在处理的数据，“历史”数据是指模型训练期间所用的数据，二者的数据结构及类型等相同或相似，例如，目标手骨图像数据和历史手骨图像数据均是指手骨图像数据，只不过目标手骨图像数据是当前待进行骨成熟度预测的图像数据，而历史手骨图像数据是已经获知骨成熟度值的手骨图像数据，用这些已知标签(骨成熟度值)的历史数据进行模型训练。
96.为了进一步提高骨成熟度预测的准确性，也可以在步骤200和步骤300中分别采用不同的机器学习模型作为各自对应的预测模型。
97.可以理解的是，所述步骤300和步骤200均为在步骤100之后执行的步骤，步骤300和步骤200可以同时或不同时执行，具体可以基于实际应用需要设置，若考虑设备运算符合，则可以分时执行，若考虑进一步提高骨成熟度预测效率，则可以同时执行，本技术对此不作限定。
98.从上述描述可知，本技术实施例提供的骨成熟度预测方法，通过预设指骨成熟度预测模型和腕骨成熟度预测模型，并将目标手骨图像数据对应的目标指骨系列数据和目标腕骨系列数据输入预设模型中，能够根据同一份目标手骨图像数据分别获取其对应的指骨成熟度预测值和腕骨成熟度预测值，能够有效提高骨成熟度预测过程的效率、自动化程度及智能化程度，能够有效降低人工及时间成本，并能够有效提高骨成熟度预测结果的覆盖全面性及准确性，进而能够为后续根据骨成熟度判定儿童骨龄提供更为可靠且全面的数据基础，使得骨龄评价结果不受地域及种族等限制，进而能够有效提高骨成熟度预测方式的适用广泛性。
99.为了为后续根据骨成熟度判定儿童骨龄提供更为可靠且全面的数据基础，在本技术提供的骨成熟度预测方法的一个实施例，参见图5，所述骨成熟度预测方法的步骤200及步骤300之后还具体包含有如下内容：
100.步骤400：应用所述指骨成熟度预测值和腕骨成熟度预测值，自预设的骨成熟度对照表中确定所述目标手骨图像数据对应的骨龄评价结果；其中，所述骨成熟度对照表用于存储各个指骨成熟度预测值、腕骨成熟度预测值和骨龄评价结果之间的对应关系。
101.步骤500：输出所述骨龄评价结果。
102.可以理解的是，输出所述骨龄评价结果具体可以指将骨龄评价结果发送到客户端设备中，也可以为发送至预设的显示设备进行显示，另外，为了增加可读性并进一步提高医生等用户获取骨龄评价结果的效率及便捷性，可以在得到骨龄评价结果之后，将该骨龄评价结果、指骨成熟度预测值和腕骨成熟度预测值基于预设的图文显示规则生成对应的关系图，并将该关系图显示在所述显示设备中。
103.从上述描述可知，本技术实施例提供的骨成熟度预测方法，通过基于所述指骨成熟度预测值和腕骨成熟度预测值，自预设的骨成熟度对照表中确定所述目标手骨图像数据对应的骨龄评价结果，能够有效提高骨成熟度预测结果的覆盖全面性及准确性，进而能够为后续根据骨成熟度判定儿童骨龄提供更为可靠且全面的数据基础；相较于在两个预测结果中择优后再进行骨龄评估的方式，能够在提高骨龄评价的基础上，还能够有效提高骨龄评价的效率。
104.为了提高背景剔除的效率、可靠性及智能化程度，在本技术提供的骨成熟度预测方法的一个实施例，参见图6，所述骨成熟度预测方法的步骤100具体包含有如下内容：
105.步骤110：采集手骨x射线图像数据。
106.步骤120：基于预设的背景分割模型对所述手骨x射线图像数据进行背景剔除，得到对应的目标手骨图像数据。
107.在步骤120中，背景分割模型可以选取医学图像分割领域常用的u-net网络等，其中，u-net网络分为下采样阶段和上采样阶段，网络结构中只有卷积层和池化层，没有全连接层，网络中较浅的高分辨率层用来解决像素定位的问题，较深的层用来解决像素分类的问题，从而可以实现图像语义级别的分割。在u-net的结构中，包括捕获一个上下文信息的收缩路径和一个允许精确定位的对称拓展路径。这种方法可以使用非常少的数据完成端到端的训练，即输入是一幅图像，输出也是一幅图像。
108.步骤130：自所述目标手骨图像数据中提取目标指骨系列数据，并自所述目标手骨图像数据中提取目标腕骨系列数据。
109.从上述描述可知，本技术实施例提供的骨成熟度预测方法，通过采用背景分割模型对所述手骨x射线图像数据进行背景剔除，能够有效提高背景剔除的效率、可靠性及智能化程度，进而能够有效提高后续自所述目标手骨图像数据中提取目标指骨系列数据和目标腕骨系列数据的准确性及有效性，进而能够进一步提高骨成熟度预测结果的可靠性及准确性。
110.为了提高自所述目标手骨图像数据中分别提取各个所述指骨系列关键点各自对应的指骨系列图像数据的智能化程度、效率、可靠性及针对性，在本技术提供的骨成熟度预测方法的一个实施例，参见图7，所述骨成熟度预测方法的步骤130具体包含有如下内容：
111.步骤131：基于预设的关键点检测网络在所述目标手骨图像数据中识别各个关键点。
112.在步骤131中，关键点检测网络可以采用基于热图回归的关键点检测网络：scn网络；其中，scn网络(spatial configuration-net)可以通过自己特殊的网络结构在少量的数据集基础上就能获得较高关键点识别准确度。其网络结构分为两部分，一部分用于图像局部关键点的模糊的预测，另一部分负责提高上一部分的预测的稳健性和准确性。
113.步骤132：根据tw3评分法规定的rus标准数据，在各个所述关键点中选取指骨系列关键点。
114.步骤133：自所述目标手骨图像数据中分别提取各个所述指骨系列关键点各自对应的指骨系列图像数据，以形成对应的目标指骨系列数据。
115.步骤134：自所述目标手骨图像数据中提取目标腕骨系列数据。
116.从上述描述可知，本技术实施例提供的骨成熟度预测方法，通过采用tw3评分法规定的rus标准数据和关键点检测网络，能够有效提高自所述目标手骨图像数据中分别提取各个所述指骨系列关键点各自对应的指骨系列图像数据的智能化程度、效率、可靠性及针对性，进而能够有效提高骨成熟度预测过程的效率、自动化程度及智能化程度，能够有效降低人工及时间成本。
117.为了提高骨成熟度预测的效率，在本技术提供的骨成熟度预测方法的一个实施例，参见图8，所述骨成熟度预测方法的步骤134具体包含有如下内容：
118.步骤135：基于预设的目标检测网络及tw3评分法规定的c标准数据，自所述目标手骨图像数据中分别提取各个所述腕骨系列图像数据，以形成对应的目标腕骨系列数据。
119.可以理解的是，目标检测网络可以选取yolo v4算法，其中，yolo v4算法是在原有yolo目标检测架构的基础上，采用了cnn领域中的优化策略，从数据处理、主干网络、网络训练、激活函数、损失函数等各个方面都有着不同程度的优化，是一个高效、强大的目标检测模型。
120.从上述描述可知，本技术实施例提供的骨成熟度预测方法，通过采用tw3评分法规定的c标准数据和目标检测网络，能够有效提高自所述目标手骨图像数据中分别提取各个所述腕骨系列图像数据的智能化程度、效率、可靠性及针对性，进而能够有效提高骨成熟度预测过程的效率、自动化程度及智能化程度，能够有效降低人工及时间成本。
121.为了提高自动批量审批的有效性及可靠性，在本技术提供的骨成熟度预测方法的一个实施例，参见图9，所述骨成熟度预测方法中的步骤200和步骤300之前等还可以具体包含有如下内容：
122.步骤010：获取多个历史手骨x射线图像数据。
123.步骤020：基于预设的背景分割模型对各个所述历史手骨x射线图像数据分别进行背景剔除，得到各个所述历史手骨x射线图像数据各自对应的历史手骨图像数据。
124.步骤030：自各个所述历史手骨图像数据分别提取各自对应的历史指骨系列数据，并自各个所述历史手骨图像数据分别提取各自对应的历史腕骨系列数据。
125.在步骤030中，可以先基于预设的关键点检测网络在所述历史手骨图像数据中识别各个关键点；根据tw3评分法规定的rus标准数据，在各个所述关键点中选取指骨系列关键点；自所述历史手骨图像数据中分别提取各个所述指骨系列关键点各自对应的指骨系列图像数据，以形成对应的历史指骨系列数据，以及，基于预设的历史检测网络及tw3评分法规定的c标准数据，自所述历史手骨图像数据中分别提取各个所述腕骨系列图像数据，以形成对应的历史腕骨系列数据。
126.步骤040：生成各个所述历史指骨系列数据对应的指骨训练集和各个所述历史腕骨系列数据对应的腕骨训练集。
127.可以理解的是，指骨训练集中的各个所述历史指骨系列数据均包含有各自对应的标签(指骨成熟度分值)，腕骨训练集中的各个所述历史腕骨系列数据均包含有各自对应的标签(腕骨成熟度分值)。
128.步骤050：应用各个所述历史手骨图像数据和所述指骨训练集训练得到用于输出指骨成熟度预测值的指骨成熟度预测模型，以及，应用各个所述历史手骨图像数据和所述腕骨训练集训练得到用于输出腕骨成熟度预测值的腕骨成熟度预测模型。
129.从上述描述可知，本技术实施例提供的骨成熟度预测方法，通过预先训练指骨成熟度预测模型和腕骨成熟度预测模型，能够有效提高获取用于骨龄评价的指骨成熟度预测值及腕骨成熟度预测值的效率及自动化程度，并能够有效提高指骨成熟度预测值及腕骨成熟度预测值的预测准确性及可靠性，使得骨龄评价结果不受地域及种族等限制，进而能够有效提高骨成熟度预测方式的适用广泛性。
130.为了提高指骨成熟度预测模型和所述腕骨成熟度预测模型的应用可靠性及预测准确性，在本技术提供的骨成熟度预测方法的一个实施例，参见图10，所述指骨成熟度预测
模型和所述腕骨成熟度预测模型均包括预设的目标深度神经网络；
131.其中，所述目标深度神经网络包括：相互连接的特征提取单元和特征拼接单元；
132.所述特征提取单元包括：用于输入手骨图像数据的第一深度神经网络层，以及，用于输入指骨图像数据或腕骨图像数据的第二深度神经网络层，且所述第一深度神经网络层和第二深度神经网络层均连接至所述特征拼接单元；
133.所述特征拼接单元包括：依次连接的至少一个全连接层和线性层。
134.在本技术的一个或多个实施例中，所述目标深度神经网络可以写作smanet。
135.从上述描述可知，本技术实施例提供的骨成熟度预测方法，通过设置特殊结构的目标深度神经网络，能够有效提高指骨成熟度预测模型和所述腕骨成熟度预测模型的应用可靠性及预测准确性，进而能够进一步提高骨成熟度预测过程的效率、自动化程度及智能化程度。
136.从软件层面来说，为了解决现有的骨成熟度预测方式存在效率低、耗时长且预测结果准确性差等问题，本技术提供一种用于执行所述骨成熟度预测方法中全部或部分内容的骨成熟度预测装置的实施例，参见图11，所述骨成熟度预测装置具体包含有如下内容：
137.数据获取模块10，用于获取目标手骨图像数据分别对应的目标指骨系列数据和目标腕骨系列数据。
138.指骨成熟度预测模块20，用于将所述目标手骨图像数据和目标指骨系列数据输入预设的指骨成熟度预测模型，以使该指骨成熟度预测模型输出用于骨龄评价的指骨成熟度预测值。
139.腕骨成熟度预测模块30，用于将所述目标手骨图像数据和所述目标腕骨系列数据输入预设的腕骨成熟度预测模型，以使该腕骨成熟度预测模型输出用于骨龄评价的腕骨成熟度预测值。
140.本技术提供的骨成熟度预测装置的实施例具体可以用于执行上述实施例中的骨成熟度预测方法的实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
141.从上述描述可知，本技术实施例提供的骨成熟度预测装置，通过预设指骨成熟度预测模型和腕骨成熟度预测模型，并将目标手骨图像数据对应的目标指骨系列数据和目标腕骨系列数据输入预设模型中，能够根据同一份目标手骨图像数据分别获取其对应的指骨成熟度预测值和腕骨成熟度预测值，能够有效提高骨成熟度预测过程的效率、自动化程度及智能化程度，能够有效降低人工及时间成本，并能够有效提高骨成熟度预测结果的覆盖全面性及准确性，进而能够为后续根据骨成熟度判定儿童骨龄提供更为可靠且全面的数据基础，使得骨龄评价结果不受地域及种族等限制，进而能够有效提高骨成熟度预测方式的适用广泛性。
142.为了进一步说明本方案，本技术应用实例提供一种骨成熟度预测方法，实现一个全自动化的端到端的骨成熟度预测过程，现有的自动评估骨龄系统均是直接通过左手x射线图像预测出骨龄的数值，这么做导致相同骨发育程度的不同种族和地区儿童的骨龄相差很大。因此，这些自动评估系统有很强的局限性。本技术应用实例采用骨成熟度代替骨龄作为衡量骨发育程度的指标，避免了上述问题。此外，本技术方案是基于tw3评分法设计的人工智能算法模型进行的骨成熟度评分，因此，本方法具有更高的临床认可度，本技术方案分
别给出了tw3评分法中的c系列分数和rus系列分数，然后可以分别累计指骨和腕骨的分数得出rus成熟总分和c成熟总分来综合判别骨龄。
143.其一，参见图12，smanet模型中的指骨成熟度预测模型(也可以写作rus系列模型、smanet-rus模型或tw3-rus模型)训练流程具体包含有如下内容：
144.由于本技术获得的原始图像中存在很多背景噪声会影响到后续各种模型的训练效果，所以首先利用医学图像常用的背景分割模型u-net网络去除原始图像的背景，参见图13。
145.然后获得tw3评分法中tw3-rus指骨系列的感兴趣区域，为了获得tw3-rus系列的感兴趣区域，本技术先利用基于热图回归的关键点检测网络(scn网络)在图像上定位出37个关键点，然后以其中与tw3-rus相关的关键点为中心裁剪出相应的tw3-rus骨龄评价方法的兴趣区域，并将这些兴趣区域拼成一张图像，参见图14。
146.最后，将整手图像与tw3-rus的兴趣区域输入到smanet中训练出tw3-rus模型。
147.其二，参见图15，smanet模型中的腕骨成熟度预测模型(也可以写作c系列模型、、smanet-c模型或tw3-c模型)训练流程具体包含有如下内容：
148.首先利用医学图像常用的背景分割模型u-net网络去除原始图像的背景，参见图13。
149.然后获得tw3评分法中-c系列的骨龄评价方法的感兴趣区域，为了获得tw3-c系列的骨龄评价方法的感兴趣区域，本技术采用yolo v4目标检测网络检测出整个腕骨区域，参见图16。
150.最后，将整手图像与tw3-c的兴趣区域输入到smanet中训练出tw3-c模型。
151.在上述描述中，指骨成熟度预测模型的训练过程可以与腕骨成熟度预测模型的训练过程同时或分时进行。
152.其中，参见图17，上述的指骨成熟度预测模型的骨干网络是由2个深度神经网络inceptionv3网络组成，用来提取图像的特征，其中一个inceptionv3网络用于对输入其中的整数图像数据进行特征提取，另一个inceptionv3网络用于对输入其中的指骨系列数据进行特征提取；然后使用两个全连接层(dense)和一个线性层(linear)处理得到一个分数。dense层的目的是将前面提取的特征，在dense经过非线性变化，提取这些特征之间的关联，最后映射到输出空间上。其每个神经元与上一层所有神经元相连，实现对前一层的线性组合，线性变换。
153.参见图18，上述的腕骨成熟度预测模型的骨干网络是由2个inceptionv3网络组成，用来提取图像的特征，其中一个inceptionv3网络用于对输入其中的整数图像数据进行特征提取，另一个inceptionv3网络用于对输入其中的腕骨系列数据进行特征提取；然后使用两个全连接层(dense)和一个线性层(linear)处理得到一个分数。dense层的目的是将前面提取的特征，在dense经过非线性变化，提取这些特征之间的关联，最后映射到输出空间上。每个神经元与上一层所有神经元相连，实现对前一层的线性组合，线性变换。
154.基于上述训练得到的指骨成熟度预测模型和腕骨成熟度预测模型，可以对儿童左手的x射线图像数据进行骨成熟度预测，参见图19和图20，具体包括如下内容：
155.在预测时需要将儿童左手x射线图像输入到骨成熟度预测装或系统中，在经过一系列图像处理后(参照训练过程)，系统最终输出两个分数，分别为rus系列分数和c系列分
数。由于本装置是端到端的自动骨成熟度预测装置，所以在预测的时候整个处理过程是不感知的，外界看来就是输入x射线图像，然后就能得出rus系列分数和c系列分数。最后，通过对照该儿童所在地区的骨龄与骨成熟度对照表得出骨龄。
156.在一种具体举例中，模型训练过程为：实验选用某医院的5300张儿童左手x光图像作为数据集。实验是在1个nvidia rtx5000 gpu上使用pytorch进行的，并使用adam算法进行了优化。训练模型时使用的批尺寸batch size是32，学习率是0.001。在200个完整训练epoch后学习率降为0.0002，在1400个epoch后训练结束。骨成熟度预测过程为：将待测儿童左手x射线图像输入到smanet模型中，输出该儿童的tw3-rus骨成熟度分数以及tw3-c骨成熟度分数，然后可以通过查该儿童所在地区的骨龄对照表得出骨龄。
157.基于此，本技术应用实例提供的骨成熟度预测方法及骨成熟度预测装置，能够解决骨龄因地域和种族问题导致的自动评估系统无法大范围推广问题，并解决端到端骨龄自动评估方法临床认可度不高问题，通过使用骨成熟度代替骨龄作为衡量儿童生长发育程度的指标，避免因种族和地域不同导致的不同，同时本技术还采用了基于多区域融合深度网络的骨成熟度预测方法，使得整个预测过程自动化。
158.从硬件层面来说，为了解决现有的骨成熟度预测方式存在效率低、耗时长且预测结果准确性差等问题，本技术提供一种用于实现所述骨成熟度预测方法中的全部或部分内容的电子设备的实施例，所述电子设备具体包含有如下内容：
159.图21为本技术实施例的电子设备9600的系统构成的示意框图。如图21所示，该电子设备9600可以包括中央处理器9100和存储器9140；存储器9140耦合到中央处理器9100。值得注意的是，该图21是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。
160.在一实施例中，骨成熟度预测功能可以被集成到中央处理器中。其中，中央处理器可以被配置为进行如下控制：
161.步骤100：获取目标手骨图像数据分别对应的目标指骨系列数据和目标腕骨系列数据。
162.步骤200：将所述目标手骨图像数据和目标指骨系列数据输入预设的指骨成熟度预测模型，以使该指骨成熟度预测模型输出用于骨龄评价的指骨成熟度预测值。
163.步骤300：将所述目标手骨图像数据和所述目标腕骨系列数据输入预设的腕骨成熟度预测模型，以使该腕骨成熟度预测模型输出用于骨龄评价的腕骨成熟度预测值。
164.从上述描述可知，本技术实施例提供的电子设备，通过预设指骨成熟度预测模型和腕骨成熟度预测模型，并将目标手骨图像数据对应的目标指骨系列数据和目标腕骨系列数据输入预设模型中，能够根据同一份目标手骨图像数据分别获取其对应的指骨成熟度预测值和腕骨成熟度预测值，能够有效提高骨成熟度预测过程的效率、自动化程度及智能化程度，能够有效降低人工及时间成本，并能够有效提高骨成熟度预测结果的覆盖全面性及准确性，进而能够为后续根据骨成熟度判定儿童骨龄提供更为可靠且全面的数据基础，使得骨龄评价结果不受地域及种族等限制，进而能够有效提高骨成熟度预测方式的适用广泛性。
165.在另一个实施方式中，骨成熟度预测装置可以与中央处理器9100分开配置，例如可以将骨成熟度预测装置配置为与中央处理器9100连接的芯片，通过中央处理器的控制来
实现骨成熟度预测功能。
166.如图21所示，该电子设备9600还可以包括：通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是，电子设备9600也并不是必须要包括图21中所示的所有部件；此外，电子设备9600还可以包括图21中没有示出的部件，可以参考现有技术。
167.如图21所示，中央处理器9100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
168.其中，存储器9140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序，以实现信息存储或处理等。
169.输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为lcd显示器，但并不限于此。
170.该存储器9140可以是固态存储器，例如，只读存储器(rom)、随机存取存储器(ram)、sim卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为eprom等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142，该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
171.存储器9140还可以包括数据存储部9143，该数据存储部9143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
172.通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
173.基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块9110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132，以经由扬声器9131提供音频输出，并接收来自麦克风9132的音频输入，从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器9130还耦合到中央处理器9100，从而使得可以通过麦克风9132能够在本机上录音，且使得可以通过扬声器9131来播放本机上存储的声音。
174.本技术的实施例还提供能够实现上述实施例中的骨成熟度预测方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的骨成熟度预测方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
175.步骤100：获取目标手骨图像数据分别对应的目标指骨系列数据和目标腕骨系列数据。
176.步骤200：将所述目标手骨图像数据和目标指骨系列数据输入预设的指骨成熟度预测模型，以使该指骨成熟度预测模型输出用于骨龄评价的指骨成熟度预测值。
177.步骤300：将所述目标手骨图像数据和所述目标腕骨系列数据输入预设的腕骨成熟度预测模型，以使该腕骨成熟度预测模型输出用于骨龄评价的腕骨成熟度预测值。
178.从上述描述可知，本技术实施例提供的计算机可读存储介质，通过预设指骨成熟度预测模型和腕骨成熟度预测模型，并将目标手骨图像数据对应的目标指骨系列数据和目标腕骨系列数据输入预设模型中，能够根据同一份目标手骨图像数据分别获取其对应的指骨成熟度预测值和腕骨成熟度预测值，能够有效提高骨成熟度预测过程的效率、自动化程度及智能化程度，能够有效降低人工及时间成本，并能够有效提高骨成熟度预测结果的覆盖全面性及准确性，进而能够为后续根据骨成熟度判定儿童骨龄提供更为可靠且全面的数据基础，使得骨龄评价结果不受地域及种族等限制，进而能够有效提高骨成熟度预测方式的适用广泛性。
179.本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
180.本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
181.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
182.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
183.本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：

1.一种骨成熟度预测方法，其特征在于，包括：获取目标手骨图像数据分别对应的目标指骨系列数据和目标腕骨系列数据；将所述目标手骨图像数据和目标指骨系列数据输入预设的指骨成熟度预测模型，以使该指骨成熟度预测模型输出用于骨龄评价的指骨成熟度预测值；以及，将所述目标手骨图像数据和所述目标腕骨系列数据输入预设的腕骨成熟度预测模型，以使该腕骨成熟度预测模型输出用于骨龄评价的腕骨成熟度预测值。2.根据权利要求1所述的骨成熟度预测方法，其特征在于，还包括：应用所述指骨成熟度预测值和腕骨成熟度预测值，自预设的骨成熟度对照表中确定所述目标手骨图像数据对应的骨龄评价结果；其中，所述骨成熟度对照表用于存储各个指骨成熟度预测值、腕骨成熟度预测值和骨龄评价结果之间的对应关系；输出所述骨龄评价结果。3.根据权利要求1所述的骨成熟度预测方法，其特征在于，所述获取目标手骨图像数据分别对应的目标指骨系列数据和目标腕骨系列数据，包括：采集手骨x射线图像数据；基于预设的背景分割模型对所述手骨x射线图像数据进行背景剔除，得到对应的目标手骨图像数据；自所述目标手骨图像数据中提取目标指骨系列数据，并自所述目标手骨图像数据中提取目标腕骨系列数据。4.根据权利要求3所述的骨成熟度预测方法，其特征在于，所述自所述目标手骨图像数据中提取目标指骨系列数据，包括：基于预设的关键点检测网络在所述目标手骨图像数据中识别各个关键点；根据tw3评分法规定的rus标准数据，在各个所述关键点中选取指骨系列关键点；自所述目标手骨图像数据中分别提取各个所述指骨系列关键点各自对应的指骨系列图像数据，以形成对应的目标指骨系列数据。5.根据权利要求3所述的骨成熟度预测方法，其特征在于，所述自所述目标手骨图像数据中提取目标腕骨系列数据，包括：基于预设的目标检测网络及tw3评分法规定的c标准数据，自所述目标手骨图像数据中分别提取各个所述腕骨系列图像数据，以形成对应的目标腕骨系列数据。6.根据权利要求1所述的骨成熟度预测方法，其特征在于，还包括：获取多个历史手骨x射线图像数据；基于预设的背景分割模型对各个所述历史手骨x射线图像数据分别进行背景剔除，得到各个所述历史手骨x射线图像数据各自对应的历史手骨图像数据；自各个所述历史手骨图像数据分别提取各自对应的历史指骨系列数据，并自各个所述历史手骨图像数据分别提取各自对应的历史腕骨系列数据；生成各个所述历史指骨系列数据对应的指骨训练集和各个所述历史腕骨系列数据对应的腕骨训练集；应用各个所述历史手骨图像数据和所述指骨训练集训练得到用于输出指骨成熟度预测值的指骨成熟度预测模型，以及，应用各个所述历史手骨图像数据和所述腕骨训练集训练得到用于输出腕骨成熟度预测值的腕骨成熟度预测模型。
7.根据权利要求1至6任一项所述的骨成熟度预测方法，其特征在于，所述指骨成熟度预测模型和所述腕骨成熟度预测模型均包括预设的目标深度神经网络；其中，所述目标深度神经网络包括：相互连接的特征提取单元和特征拼接单元；所述特征提取单元包括：用于输入手骨图像数据的第一深度神经网络层，以及，用于输入指骨图像数据或腕骨图像数据的第二深度神经网络层，且所述第一深度神经网络层和第二深度神经网络层均连接至所述特征拼接单元；所述特征拼接单元包括：依次连接的至少一个全连接层和线性层。8.一种骨成熟度预测装置，其特征在于，包括：数据获取模块，用于获取目标手骨图像数据分别对应的目标指骨系列数据和目标腕骨系列数据；指骨成熟度预测模块，用于将所述目标手骨图像数据和目标指骨系列数据输入预设的指骨成熟度预测模型，以使该指骨成熟度预测模型输出用于骨龄评价的指骨成熟度预测值；腕骨成熟度预测模块，用于将所述目标手骨图像数据和所述目标腕骨系列数据输入预设的腕骨成熟度预测模型，以使该腕骨成熟度预测模型输出用于骨龄评价的腕骨成熟度预测值。9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的骨成熟度预测方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7任一项所述的骨成熟度预测方法。

技术总结

本申请实施例提供一种骨成熟度预测方法及装置，方法包括：获取目标手骨图像数据分别对应的目标指骨系列数据和目标腕骨系列数据；将所述目标手骨图像数据和目标指骨系列数据输入预设的指骨成熟度预测模型，以使该指骨成熟度预测模型输出用于骨龄评价的指骨成熟度预测值；以及，将所述目标手骨图像数据和所述目标腕骨系列数据输入预设的腕骨成熟度预测模型，以使该腕骨成熟度预测模型输出用于骨龄评价的腕骨成熟度预测值。本申请能够有效提高骨成熟度预测过程的效率、自动化程度及智能化程度，降低人工及时间成本，并能够有效提高骨成熟度预测结果的覆盖全面性及准确性。成熟度预测结果的覆盖全面性及准确性。成熟度预测结果的覆盖全面性及准确性。