基于深度卷积神经网络的自动骨龄识别方法研究

发布时间：2020-05-17 19:43

【摘要】：骨龄识别是判断青少年儿童生长发育状态的最好方法,在临床医学、体育竞技和司法判案等领域都有着广泛的应用。由于手骨可以较为准确的反应整体骨骼生长发育情况,并具有易于拍摄、辐射剂量小等特点,因此国内外普遍将手骨发育情况作为骨龄评价标准。传统的骨龄识别方法基于手骨X光片中各骨化中心的发育程度,并由医师进行人工的骨龄推断,具有主观性强、随机误差大、识别的过程比较复杂、识别周期长等局限性。针对现有骨龄识别方法存在的缺点,本文提出了一种基于深度学习和卷积神经网络的自动骨龄识别方法。主要研究内容和成果如下:(1)研究目前现有的骨龄识别算法或方法的优点和不足,为深度卷积神经网络算法的研究和实现提供思路和启发,同时,深入研究国内外深度学习的最新研究成果,综合考虑现有神经网络模型的结构特点和结构优势,探究不同结构的卷积神经网络在骨龄识别领域的适用性、稳定性和可靠性。(2)研究手骨X光图像数据的预处理,为了去除手骨X光图像主体外的背景信息(标尺、伪影、噪声等),解决图像存在的灰度分布不均匀、空间坐标未对齐等问题,本文首先使用专门针对生物医学图像分割的U-Net模型对手骨X光图像进行图像分割,然后使用直方图均衡化操作使灰度差异明显的图像之间拥有相似的对比度,最后使用基于VGG模块的关键点检测模型,通过仿射变换实现图像的配准操作,得到主体与背景分离、对比度均衡、空间坐标对齐的手骨X光图像。(3)研究基于深度学习和卷积神经网络模型的手骨X光图像特征自动提取,分别设计并实现了基于DenseNet的自动骨龄识别回归模型和自动骨龄识别分类模型,通过分组对比实验,验证了自动骨龄识别的性能及效果。(4)设计并实现了一套基于深度卷积神经网络的自动骨龄识别系统,研究深度学习模型的部署方法,采用谷歌推出的TensorFlow Serving高性能开源库,将训练好的骨龄识别模型部署到线上,为更多的医师和用户提供稳定、高效、便利的诊断辅助和决策支持服务。
【图文】：

感知器模型,神经元,感知器

行逻辑运算的可能性，为人工神经网络的研究奠定了坚实的理论基础。到了邋２０世逡逑纪６０年代，学者们相继设计了一系列结构和功能更为完善的神经网络模型，著名逡逑的感知器模型［２６］便是当时被提出和设计的。如图２－１所示的便是一个感知器模型。逡逑其中，是模型的输入，ｎ．．．，％是对应每个输入的计算权值，模型的逡逑公式表述如下：逡逑ｎ逡逑：Ｆ邋＝邋／（邋Ｅ邋Ｗ）逡逑ｚ＿邋＝邋ｌ逡逑下图中，／是给定的非线性函数，６是偏置单元，其对应的权值为％。逡逑ｂ逡逑Ｗ０逡逑ＸＩ邋ｗｉ逡逑％邋ｙ邋Ｖ－￣邋Ｊ逦ｆ逦—－逡逑Ｗ２邋Ｖ邋Ｌ逦Ｊ逡逑Ｘ２逡逑Ｗｎ逡逑Ｘｎ逡逑图２－１感知器模型逡逑Ｆｉｇｕｒｅ邋２－１邋Ｐｅｒｃｅｐｔｉｏｎ．逡逑感知器也被称为神经元，一个神经元只有一个输出，为了应对更为复杂的现逡逑８逡逑

反向传播算法,热潮,隐藏层,感知机

深度学习与卷积神经网络逡逑实场景，研究人员通过多个感知器的组合，设计了拥有多输出值的感知机模型，逡逑如图２－２所示。然而单层的感知机还只能在数据线性可分的情况下应用，而实际任逡逑务中需要处理的大多数数据都是线性不可分的，例如简单的“异或（ＸＯＲ）”逻辑逡逑运算｜２７１这大大限制了感知机在现实任务中的应用。为了使模型能够胜任线性不逡逑可分的任务，人们开始考虑构建多层的感知机模型，通过在感知机输入层和输出逡逑层之间添加隐藏层的方式来扩大模型的参数空间，增强模型的拟合能力，，以应对逡逑更加复杂的数据和现实任务。但是，随着隐藏层数的增加，模型的训练和学习过逡逑程变得越来越困难，直到２０世纪８０年代，反向传播算法的出现和应用使得多层逡逑感知机模型的训练变得高效起来，此时，具有一个或多个隐藏层的多层感知机模逡逑型便开始被称为“人工yL经网络”。逡逑－邋＇逡逑输入层逦输出层逡逑图２－２感知机模型逡逑Ｆｉｇｕｒｅ邋２－２邋Ｐｅｒｃｅｐｔｒｏｎｓ逡逑反向传播算法的出现再次掀起了yL经网络的研宄热潮，人们逐渐开始设计具逡逑有更多隐藏层的神经网络模型
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R816.8;TP391.41;TP183

【参考文献】