(19)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 202210527370.5 (22)申请日 2022.05.16 (71)申请人 杭州数智莱 达科技有限公司 地址 310000 浙江省杭州市西湖区五洲国 际商业中心1幢80 6室 (72)发明人 周东　江翔　张伟丽　 (74)专利代理 机构 浙江永鼎律师事务所 3 3233 专利代理师 周希良 (51)Int.Cl. G16H 50/20(2018.01) G06T 7/00(2017.01) G06V 10/764(2022.01) G06V 10/762(2022.01) G06V 10/774(2022.01) (54)发明名称 基于联合域对齐与判别的骨龄评估方法及 系统 (57)摘要 本发明属于医学图像处理技术领域， 具体涉 及基于联合域对齐与判别的骨龄评估方法及系 统。 方法S1， 获取图像数据集， 将图像数据集 分为 源域和目标域并进行预处理， 同时构建评估模 型； S2， 通过聚类方式获取图像数据集中目标域 的伪标签； S3， 按类从图像数据集的源域和目标 域中， 选取样本并确定样本顺序； S4， 对选取的样 本进行联合域对齐与判别处理， 并更新评估模型 参数； S5， 利用更新后的评估模型进行骨龄评估。 本发明具有更强的评估性能和鲁棒 性的特点。 权利要求书3页 说明书7页 附图1页 CN 115171874 A 2022.10.11 CN 115171874 A 1.基于联合 域对齐与判别的骨龄 评估方法， 其特 征在于， 包括如下步骤： S1， 获取图像数据集， 将图像数据集分为源域和目标域并进行预处理， 同时构建评估模 型； S2， 通过聚类方式获取图像数据集中目标域的伪标签； S3， 按类从图像数据集的源域和目标域中， 选取样本并确定样本顺序； S4， 对选取的样本进行 联合域对齐与判别处 理， 并更新评估 模型参数； S5， 利用更新后的评估 模型进行骨龄 评估。 2.根据权利要求1所述的基于联合域对齐与判别的骨龄评估方法， 其特征在于， 步骤S1 中所述预处 理包括： 数据增强： 对图像数据进行 ‑45°到+45°随机旋转、 随机水平翻转、 随机挖取并缩放到(25 6， 256)； 数据标准 化： 将图像数据分布满足标准 正态分布， 再将图像数据统一缩放到(2 24， 224)。 3.根据权利要求1所述的基于联合域对齐与判别的骨龄评估方法， 其特征在于， 步骤S1 中所述构建评估 模型包括如下步骤： S11， 采用去掉顶层的ResNet ‑50网络作为特 征提取网络； S12， 采用输入为2048维， 输出为216维的全连接层、 BN层和ReLu层， 构建基于 “月”的分 类器； S13， 采用输入为216维， 输出为18维的全连接层， 构建基于 “年”的分类器， 用于聚类； 其中， 特征提取网络和分类器中的所有BN层均复制为两层， 用于分别保存源域和目标 域参数， 且每次训练只连通 一层BN层。 4.根据权利要求3所述的基于联合域对齐与判别的骨龄评估方法， 其特征在于， 步骤S2 包括如下步骤： S21， 通过 特征提取网络分别获取源域特 征fs和目标域特 征ft； S22， 通过源域特 征fs获取源域C2个聚类中心； S23， 计算目标域特征ft各点到C2个聚类中心的余弦距离， 并将对应点划分到距离最近 的类， 获取目标域伪标签， 并更新聚类中心； S24， 重复步骤S23直至当前聚类 中心与上一个聚类中心的欧式距离小于设定的超参数 e1。 5.根据权利要求4所述的基于联合域对齐与判别的骨龄评估方法， 其特征在于， 步骤S3 包括如下步骤： S31， 目标域样本聚类后， 丢弃远离聚类 中心和在聚类 中心周围但数量不满足预定数量 的样本； S32， 排除源域或目标域中样本数量 不满足最小样本数的类； S33， 单次随机选 取剩余类中的m(m≤C2)类， 每类分别从源域和目标域中随机选 取n个样 本， 获得源域m ×n个样本和目标域m ×n个样本。 6.根据权利要求5所述的基于联合域对齐与判别的骨龄评估方法， 其特征在于， 步骤S4 包括如下步骤： S41， 利用特征提取网络提取类感知采样样本的特征f， 所述特征f包括源域特征fs和目权　利　要　求　书 1/3 页 2 CN 115171874 A 2标域特征ft； S42， 将特征f传入基于 “月”的分类器得到类别特征c1， 计算特征向量c1中源域部分的KL 散度， 得到损失 根据损失 进行梯度反向求导， 更新评估模型参数； KL散度的定义如 下： 其中x为样本， p代 表标签， q代 表预测值， N 为常数216； S43， 将特征向量c1传入基于“年”的分类器得到特征c2， 分别计算特征向量c2中源域部 分和目标域部分的交叉熵损失， 得到 和 交叉熵损失定义如下： 其中， 交叉熵损失定义公式 中， N为常数18； S44， 对于特征f， 包含m类， 每类各含有源域和目标域n个样本， f＝{fs， ft}， 损 失 为 其中， MMD为最大均值差异； 表示当源域类和目标域类 相同时， 当前MMD计算的是 “类内”距离， 需要正向优化聚拢； 当源域类和目标域类不同时， 当 前MMD计算的是 “类间”距离， 需要反向优化散开， 远离决策边界； S 4 5 ，对 于 特 征 向 量 c2，重 复 步 骤 S 4 4 ， 获 得 损 失 则 总 损 失 为 根据总损失 进行梯度反向求导， 更新评估模 型参数； S46， 重复步骤S2至步骤S4， 直至总损失 不再下降或源域特征fs聚类中心与目标域特 征ft聚类中心的欧式距离小于设定的超参数 e2。 7.根据权利要求6所述的基于联合域对齐与判别的骨龄评估方法， 其特征在于， 步骤S5 包括如下步骤： S51， 利用更新后的评估模型， 在验证模式下， 除去数据增强过程， 保留数据标准化处理 过程以及特 征提取网络和基于 “月”的分类器， 进行骨龄 评估。 8.基于联合 域对齐与判别的骨龄 评估系统， 其特 征在于， 包括： 数据预处理与模型构建模块， 用于获取图像数据集， 将图像数据集分为源域和目标域 并进行预处理， 同时构建评估 模型； 聚类获取模块， 用于通过聚类方式获取图像数据集中目标域的伪标签；权　利　要　求　书 2/3 页 3 CN 115171874 A 3