买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉上海体育科学研究所申请的专利一种骨龄预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN111161254B 。

龙图腾网通过国家知识产权局官网在2026-04-24发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：201911416919.8，技术领域涉及：G06T7/00；该发明授权一种骨龄预测方法是由蔡广;周水庚;黄志超;潘其乐;景晨;朱镕鑫设计研发完成，并于2019-12-31向国家知识产权局提交的专利申请。

本一种骨龄预测方法在说明书摘要公布了：本发明公开了一种骨龄预测方法，通过一预设训练集预先训练形成一个骨龄预测模型并使用该种骨龄预测模型进行骨龄预测。本技术方案通过一全新的注意力机制添加方式，根据骨龄预测模型中不同卷积层信息耦合程度针对性地添加注意力机制，改进了传统注意力机制不易收敛的问题；将性别信息直接加入神经网络模型中进行端对端训练，在优化训练过程的同时进一步提升了骨龄预测的准确性；该种骨龄预测方法使用的骨龄预测模型通过注意力机制可视化验证，反映该模型更加关注于集中呈现患者发育程度的手骨部位，具有良好的预测效果。

本发明授权一种骨龄预测方法在权利要求书中公布了：1.一种骨龄预测方法，应用于X光图片骨龄预测，其特征在于，预先通过一预设训练集训练形成一个骨龄预测模型； 所述预设训练集包括多张测骨龄用X光图片、每张所述测骨龄用X光图片对应的测试者的性别信息和每张所述测骨龄用X光图片对应的测试者的骨龄确定值； 所述骨龄预测模型通过一基准卷积神经网络训练得到，针对所述骨龄预测模型的训练过程具体包括： 步骤A1，按次序从所述预设训练集中循环提取一所述测骨龄用X光图片及对应的所述性别信息并作为一待训练数据集合； 步骤A2，对所述待训练数据集合进行预处理，输出相应的待训练参数集合； 步骤A3，将所述待训练参数集合输入所述基准卷积神经网络进行前向传播，得到一骨龄预测值； 步骤A4，根据所述骨龄预测值和对应的所述骨龄确定值进行误差计算，得到一损失函数； 步骤A5，根据所述损失函数得到一损失函数梯度，所述基准卷积神经网络根据所述损失函数梯度进行反向传播以完成一次训练； 步骤A6，判断所述损失函数的波动范围是否属于一预设范围： 若否，则返回所述步骤A1； 若是，则将训练后的所述基准卷积神经网络作为所述骨龄预测模型进行输出； 训练形成所述骨龄预测模型后，将所述骨龄预测模型应用于所述骨龄预测方法中，所述骨龄预测的过程具体包括： 步骤S1，获取待测试者的所述测骨龄用X光图片和所述待测试者的性别信息并作为一待预测数据集合； 步骤S2，对所述待预测数据集合进行所述预处理，输出相应的待预测参数集合； 步骤S3，将所述待预测参数集合输入所述骨龄预测模型，得到一对应的所述骨龄预测值并输出； 所述基准卷积神经网络包括一特征提取网络和一骨龄计算网络； 所述特征提取网络用于对所述待训练参数集合进行特征提取，输出一特征向量； 所述骨龄计算网络的输入端连接所述特征提取网络的输出端，用于根据所述特征向量进行处理，输出所述骨龄预测值； 所述基准卷积神经网络采用Inception-V3模型实现； 所述特征提取网络包括十个依次连接的卷积层和一全面池化层； 于所述特征提取网络中设置一空间域注意力模块，所述空间域注意力模块的输入端连接第七个所述卷积层的输出端，所述空间域注意力模块的输出端连接所述全面池化层的输入端，所述空间域注意力模块用于对第七个所述卷积层输出的第一特征向量进行空间注意力权重添加，并向所述全面池化层输出一第一加权特征向量； 于所述特征提取网络中设置一通道域注意力模块，所述通道域注意力模块的输入端连接第十个所述卷积层的输出端，所述通道域注意力模块的输出端连接所述全面池化层的输入端，所述通道域注意力模块用于对第十个所述卷积层输出的第二特征向量进行推导注意力权重添加，并向所述全面池化层输出一第二加权特征向量； 所述全面池化层用于对所述第一加权特征向量和所述第二加权特征向量进行全局平均池化，输出所述特征向量。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人上海体育科学研究所，其通讯地址为：200030 上海市徐汇区吴兴路87号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。