本发明涉及颈椎骨龄预测，具体地，涉及一种基于深度学习的颈椎骨龄分析方法。
背景技术：
1、在口腔医学领域，人们结合计算机图形学、数字媒体和图形图像处理等技术研发的虚拟正畸系统正在辅助牙科医生进行诊治。颈椎骨龄分析是正畸学中的一种重要的评估方法。通过分析患者骨龄，医生可以更好地了解患者的骨骼生长发育情况，从而设计更为准确的正畸治疗方案。在口腔颌面外科手术中，颈椎骨龄分析也可以用于评估患者的骨骼发育情况，医生可以更好地了解患者的骨骼发育状况，从而选择更为适宜的手术方法。
2、然而，现有颈椎骨龄分析手段依赖于医生的个人经验，骨龄估计结果高度依赖于医生的主观判断，并可能受图像纹理信息干扰。
3、目前，已经有一些方法被提出以实现自动化骨龄分析，但这些方法还未能较好的解决以下问题：
4、1)大多数骨龄分析方法依赖于标准化的实验室数据，模型泛化性能差，在真实临床数据上无法应用；
5、2)单一模型的骨龄分析结果具有不稳定性，无法满足计算机辅助诊疗功能的可靠性需求。
技术实现思路
1、为解决上述问题，准确的获得颈椎骨龄，本发明提供了一种基于深度学习的颈椎骨龄分析方法，所述方法包括：
2、s1：构建颈椎骨龄分析系统；
3、s2：获得待处理头影侧位片图像，将待处理头影侧位片图像输入颈椎骨龄分析系统分析处理，获得待处理头影侧位片图像对应的颈椎骨龄分析结果；
4、其中，颈椎骨龄分析系统包括：预处理单元、关注区域提取模型、骨节分割集成模型、关键点检测集成模型、处理单元和颈椎骨龄分期模型；
5、所述s1包括：
6、s11：构建预处理单元，获取头影侧位片图像集，基于预处理单元对头影侧位片图像集进行预处理；
7、s12：利用头影侧位片图像集对第一类神经网络进行训练，得到关注区域提取模型；所述关注区域提取模型用于从头影侧位片图像中提取包含颈椎区域在内的感兴趣区域图像；
8、s13：利用感兴趣区域图像分别对n个第二类神经网络进行训练，得到骨节分割集成模型，所述骨节分割集成模型用于从感兴趣区域图像中分割出包含边缘信息的颈椎图像，n为大于1的整数；
9、s14：利用感兴趣区域图像分别对m个第三类神经网络进行训练，得到关键点检测集成模型；所述关键点检测集成模型用于从感兴趣区域图像中提取颈椎椎骨的测量标志点，m为大于1的整数；
10、s15：基于处理单元根据包含边缘信息的颈椎图像，利用滑动窗口截取颈椎椎骨的下边缘区域并计算颈椎椎骨的曲率向量，通过颈椎椎骨的曲率向量计算颈椎椎骨的曲率得分；
11、s16：基于处理单元根据颈椎椎骨的测量标志点生成颈椎区域的测量特征，根据颈椎区域的测量特征和颈椎椎骨的曲率得分构成颈椎区域的综合特征；
12、s17：利用颈椎区域的综合特征对二叉树支持向量机进行训练，得到颈椎骨龄分期模型，所述颈椎骨龄分期模型用于根据颈椎区域的综合特征对颈椎进行分期。
13、其中，目前大多数骨龄分析方法依赖于标准化的实验室数据，模型泛化性能差，在真实临床数据上无法应用，而本方法使用头影侧位片图像不需要标准化的实验室数据，模型泛化性能强，在真实临床数据上能够应用，传统方法在单一模型的骨龄分析结果具有不稳定性，无法满足计算机辅助诊疗功能的可靠性需求，本方法通过颈椎骨龄分析系统，而颈椎骨龄分析系统中包括了关注区域提取模型、骨节分割集成模型、关键点检测集成模型、处理单元和颈椎骨龄分期模型，多种模型结合和协同处理，能够准确且稳定的获得颈椎骨龄分析结果。
14、优选的，所述对头影侧位片图像集进行预处理包括：对头影侧位片图像进行格式统一，将图像转为rgb格式；对头影侧位片图像进行归一化处理，减少图像域间差异带来的影响。
15、优选的，所述骨节分割集成模型从感兴趣区域图像中分割出包含边缘信息的颈椎图像的方式为：
16、将感兴趣区域图像分别输入骨节分割集成模型的n个第二类神经网络，输出n个分割图结果；
17、根据n个分割图结果采用像素级投票机制选举出具有同质性的图像区域作为最终分割结果得到包含边缘信息的颈椎图像。
18、优选的，为了准确的获得最终分割的语义类别，本方法采用以下方式进行计算，第二类神经网络模型指多种不同的分割网络模型，通过以下公式可以取所有分割网络模型的分割结果的平均值，使得最终分割的语义类别更准确，所述最终分割结果的计算方式为：
19、
20、其中，c∈d表示最终分割的语义类别；d表示感兴趣区域图像的像素点集合，argmax(·)表示取最大值的索引操作；softmax(·)表示归一化指数函数；pi表示第i个第二类神经网络模型的预测结果，i＝1...n，i为索引变量。
21、优选的，所述颈椎椎骨的测量标志点包括：第二椎骨的下边缘前端点和下边缘后端点，第三椎骨和第四椎骨的上边缘和前边缘的连接点，第三椎骨和第四椎骨的上边缘中点，第三椎骨和第四椎骨的上边缘和后边缘的连接点，第三椎骨和第四椎骨的下边缘和前边缘的连接点，第三椎骨和第四椎骨的下边缘中点，第三椎骨和第四椎骨的下边缘和后边缘的连接点，第三椎骨和第四椎骨的前边缘中点和后边缘中点。其中，通过选取上述颈椎椎骨的测量标志点能够准确的计算各种水平竖直测量值和骨节长宽比等数据。
22、优选的，所述关键点检测集成模型从感兴趣区域图像中提取颈椎椎骨的测量标志点的方式为：
23、将感兴趣区域图像分别输入关键点检测集成模型的m个第三类神经网络，输出m组初始测量标志点；
24、根据m组初始测量标志点采用平均坐标值的方法计算得到颈椎椎骨的测量标志点。
25、优选的，所述颈椎椎骨的测量标志点的计算方式为：
26、
27、
28、
29、其中，xm为颈椎椎骨的第m个测量标志点的坐标值；为第j个第三类神经网络输出的第m个测量标志点的初始坐标值，j＝1…m，j为索引变量，为的平均值，表示随m个神经网络的输出取平均，得到一个平均坐标值；h(·)为异常点筛选函数；δ为异常筛选阈值；||·||为求欧式距离操作。
30、其中，本方法联合模型进行分割和关键点检测，分割网络和关键点网络有多个，颈椎椎骨的测量标志点的计算方式对输出结果取平均值，使得最终的测量结果准确且包含了众多的测量信息。
31、优选的，所述s15包括：
32、s151：基于处理单元根据包含边缘信息的颈椎图像，利用滑动窗口按照预设的步长对颈椎椎骨的下边缘进行截取得到n个椎骨下边缘片段；
33、s152：计算每个椎骨下边缘片段的曲率向量，计算方式为：
34、
35、其中，表示第k个椎骨下边缘片段的曲率向量，w表示滑动窗口的大小，表示第k个椎骨下边缘片段的中点到第k个椎骨下边缘片段的第s个点的向量，s＝1…w，s为索引变量；
36、s153：根据n个椎骨下边缘片段的曲率向量计算颈椎椎骨的曲率得分，计算方式为：
37、
38、其中，score表示颈椎椎骨的曲率得分；nk表示第k个椎骨下边缘片段在中点的法向量；sign表示数学符号函数，max表示最大值函数。
39、优选的，所述颈椎区域的测量特征的计算方式为：
40、
41、
42、
43、
44、其中，t表示颈椎区域的测量特征，表示椎骨co的长宽比例，o∈{3,4}，o为索引变量；表示椎骨co的上边缘中点；表示椎骨co的下边缘中点；表示椎骨co的前边缘中点；表示椎骨co的后边缘中点；表示椎骨co的前后边缘比例；表示椎骨co的上边缘和前边缘的连接点；表示椎骨co的下边缘和前边缘的连接点；表示椎骨co的上边缘和后边缘的连接点；表示椎骨co的下边缘和后边缘的连接点；μ表示骨节匹配系数；表示椎骨c2的下边缘前端点；表示椎骨c2的下边缘后端点。
45、优选的，所述颈椎椎骨包括：第二椎骨、第三椎骨和第四椎骨，沿颈椎从上到下依次为第二椎骨、第三椎骨和第四椎骨。
46、本发明提供的一个或多个技术方案，至少具有如下技术效果或优点：
47、本发明提出了一种基于深度学习的颈椎骨龄分析方法，该方法以真实临床头影侧位片数据构建数据集，集成多个图像处理模型，包括：使用yolov5进行关注区域提取，使用mask r-cnn、solov2、blendmask、多阶段u-net等分割模型实例分割出c2,c3,c4骨节，使用hrnet、fcos、face-net等关键点检测模型进行骨节关键点检测，通过分割结果与关键点检测结果提取骨节特征，如边缘形态，曲率等，将特征输入到二叉树支持向量机中进行骨龄分期，该方法通过联合实例分割模型与关键点检测模型提取了更深层的骨节特征，提高了颈椎骨龄分期的准确性和稳定性，且该过程为全自动化，效率较高。
1.一种基于深度学习的颈椎骨龄分析方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于深度学习的颈椎骨龄分析方法，其特征在于，所述对头影侧位片图像集进行预处理包括：对头影侧位片图像进行格式统一，将图像转为rgb格式；对头影侧位片图像进行归一化处理。
3.根据权利要求1所述的一种基于深度学习的颈椎骨龄分析方法，其特征在于，所述骨节分割集成模型从感兴趣区域图像中分割出包含边缘信息的颈椎图像的方式为：
4.根据权利要求3所述的一种基于深度学习的颈椎骨龄分析方法，其特征在于，所述最终分割结果的计算方式为：
5.根据权利要求1所述的一种基于深度学习的颈椎骨龄分析方法，其特征在于，所述颈椎椎骨的测量标志点包括：第二椎骨的下边缘前端点和下边缘后端点，第三椎骨和第四椎骨的上边缘和前边缘的连接点，第三椎骨和第四椎骨的上边缘中点，第三椎骨和第四椎骨的上边缘和后边缘的连接点，第三椎骨和第四椎骨的下边缘和前边缘的连接点，第三椎骨和第四椎骨的下边缘中点，第三椎骨和第四椎骨的下边缘和后边缘的连接点，第三椎骨和第四椎骨的前边缘中点和后边缘中点。
6.根据权利要求1所述的一种基于深度学习的颈椎骨龄分析方法，其特征在于，所述关键点检测集成模型从感兴趣区域图像中提取颈椎椎骨的测量标志点的方式为：
7.根据权利要求6所述的一种基于深度学习的颈椎骨龄分析方法，其特征在于，所述颈椎椎骨的测量标志点的计算方式为：
8.根据权利要求1所述的一种基于深度学习的颈椎骨龄分析方法，其特征在于，所述s15包括：
9.根据权利要求1所述的一种基于深度学习的颈椎骨龄分析方法，其特征在于，所述颈椎区域的测量特征的计算方式为：
10.根据权利要求1所述的一种基于深度学习的颈椎骨龄分析方法，其特征在于，所述颈椎椎骨包括：第二椎骨、第三椎骨和第四椎骨。
