基于卷积神经网络的X射线图像骨龄自动预测方法研究

发布时间：2020-10-25 22:43

　　 骨龄是生物学年龄主要判定标准之一,它能准确地反应被测试者生长发育情况。但是,人工估测骨龄耗时长且结果波动大,严重依赖于放射科医生的熟练程度。因此,通过计算机视觉技术来辅助实现骨龄的自动预测是很有必要的,是医学图像领域的研究热点之一。基于传统机器学习算法的骨龄自动/半自动预测方法主要是通过分割关键区域和手动提取特征来实现骨龄评估的,但其预测准确度严重依赖于分割的精度和提取到的特征的有效性。基于深度学习的骨龄预测系统则很好地解决了上述问题,BoNet首次将深度学习运用到骨龄预测中,它端到端地从数据中学习提取特征,不需要分割关注区域和手动提取手骨图像的特征,引起了研究人员的广泛关注。本文主要提出了一个手骨X射线图像骨龄全自动预测的方法。首先,本研究提出了一个基于密集连接的骨龄预测卷积神经网络模型BoNet+,同时,研究了不同代价函数在骨龄预测问题中的表现,发现平均绝对误差函数更加适合做骨龄自动预测问题的代价函数。实验结果表明,本文提出的BoNet+模型预测误差为0.76±0.10岁,相较于基于传统机器学习算法的骨龄预测方法,误差降低58.2%,相较于基于VGG的卷积神经网络模型BoNet,降低了3.8%。但其复杂度远低于BoNet,单次训练速度为BoNet的8倍,网络参数量为BoNet的25%。紧接着,考虑到在现实场景可能存在低质量的X射线图像,本文模拟了高泊松噪声、有标签遮挡和低分辨率三种类型的低质量X射线图像。为了减弱图像质量对骨龄预测的不良影响,提出可以使用基于U-Net的卷积神经网络对低质量图像进行质量提升。根据是否对低质量图像的类型首先进行分类再进行提升,本文将真实场景下的骨龄预测系统分为两种。实验结果表明,无论是否对图像进行有针对性的质量提升还是统一进行提升,两者的预测精度相近。为了解释这一现象,本文提出:如果设计的卷积神经网络模型层数够深且层宽够宽,其拟合能力会越强,可以通过单一模型来同时处理多个任务。
【学位单位】：中国科学技术大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：R814;TP183;TP391.41
【部分图文】：

要共有２种：图谱法和计分法［５１。对于图谱法而言，其核心思想是通过将Ｘ射线??图像与图谱标准片进行对比，寻找与待评估Ｘ射线图像最为相似的图谱标准片，??从而确定被测者的骨龄［６］。图１．１即为中国儿童标准骨龄图谱中的Ｘ射线图像示??例［６１。在临床中，最常用的图谱方法是ＧＰ图谱法（Ｇｒｅｕｌｉｃｈ－Ｐｙｌｅ）＾．但是，由??于基于图谱的方法严重依赖于工作人员的直观感觉与经验，该方法的准确性难??以保证。很多时候，即使由同一个专家判定同一张Ｘ射线图像，在不同时间内他??做出的判定结果都有一定的差异。因而，较为客观的计分法则精确许多。具体来??说，计分法通过对手骨中若干个具有代表性的骨骼进行评分，最后计算总分，换??算为对应的骨龄。但是，相较于图谱法，该法最主要弊端为耗时较长，评估一张??Ｘ射线图像可能需要十余分钟，在临床中会降低医生的工作效率。其中，具有代??表性的计分法包括ＴＷ３计分法Ｍ和适用于中国青少年的中华０５计分法??为了解决传统的基于人工读片的骨龄判定过程中存在的准确度低和速度慢??等问题

?（ｇ＞?５?岁?（ｈ）?６?岁??图１．１中国儿童标准骨龄图谱中的Ｘ射线图像示例??医学工作者判定骨龄。传统的图像分析方法需要首先提取出手腕部Ｘ射线图像??中感兴趣的区域（Ｒｅｇｉｏｎｏｆｌｎｔｅｒｅｓｔ，?ＲＯＩ），如图丨．２所示，然后对ＲＯＩ区域的特??征进行评分，最后输出Ｘ射线图像对应的骨龄值。其中最为成功的基于传统方??法的骨龄预测系统是商业软件ＢｏｎｅＸｐｅｒｔｌ１１１，该软件己经被广泛运用到欧洲的数??百个儿童医院。另外，基于深度学习的方法也被广泛运用到骨龄预测问题中，此??类方法不同与传统图像处理方法，可以对输入的图像直接进行骨龄预测，无需进??Ｉ分割和手动的特征提取等步骤。??随着硬件性能尤其是ＧＰＵ性能的提升以及数据的大量积累，深度学习在近??年来取得了巨大的进步。在?２０１２?年的?ＩｍａｇｅＮｅｔ?Ｌａｒｇｅ－Ｓｃａｌｅ?Ｖｉｓｕａｌ?Ｒｅｃｏｇｎｉｔｉｏｎ??Ｃｈａｌｌｅｎｇｅ（ＩＬＳＶＲＣ）比赛中，基于卷积神经网络的模型ＡｌｅｘＮｅｔ大大提高了自然??图像的分类精度

２．１．１神经网络结构??作为神经网络中最基本的单元，深度学习中的神经元受启发于生物学中的??神经元。如图２．ｌ（ｂ）ｌＭ所示，在生物学中，神经元通过树突来接收其它神经元发??送的信号。当其接收的信号超过一定的阈值后，它将通过突触与其它神经元进行??晒??（ａ）?（ｂ）来源：［３３］??图２．１生物学中神经元基本结构??９??
【相似文献】

相关期刊论文 前10条

1 董静娟;董辉;;邯郸地区生长发育异常儿童骨龄生长学特征及相关因素研究[J];医学信息;2019年03期

2 姚乐辉;;3种常用骨龄测评标准对数字骨龄片的评价对比研究[J];北京体育大学学报;2018年01期

3 王婷;郑荣秀;刘靓;;840例矮身材儿童骨龄分析[J];中国妇幼健康研究;2018年04期

4 包相华;孙景有;关云龙;韦玉新;范林;;东莞地区青少年骨龄调查研究与应用[J];包头医学院学报;2018年07期

5 骆依洁;;渴望长高[J];青少年日记(小学版);2017年03期

6 刘绍宗;;孩子身高的奥秘 你了解多少[J];健康向导;2017年03期

7 孙晓顺;罗伟;云鹏;;两种骨龄评估方法的比较性研究[J];长江大学学报(自然科学版);2013年18期

8 张晓龙;王伟强;王润录;;浅议骨龄鉴定的法律依据、特点和使用方法[J];河南科技大学学报(医学版);2012年04期

9 赵丽泓;刘艳茹;徐红梅;;不同方法评价矮小儿童骨龄的比较[J];中外妇儿健康;2011年01期

10 孔倩倩;田军;;儿童青少年骨龄评估的现状与展望[J];医学影像学杂志;2011年06期

相关博士学位论文 前6条

1 曹润;基于中华05标准的数字化骨龄X光片自动化识别算法的研究[D];北京体育大学;2019年

2 朱翔宇;基于中华05骨龄标准的桡骨发育特征计算机提取与识别系统研究[D];北京体育大学;2017年

3 姚乐辉;儿童青少年骨龄测评方法比较研究[D];北京体育大学;2015年

4 任甫;拉萨藏族儿童青少年生长发育的研究[D];中国医科大学;2005年

5 刘坚;神经管缺陷的病因及发病机理的基础研究[D];华中科技大学;2008年

6 邓芳;儿童特发性性早熟环境危险因素及其身心发育分离研究[D];安徽医科大学;2011年

相关硕士学位论文 前10条

1 郭佳佳;基于卷积神经网络的X射线图像骨龄自动预测方法研究[D];中国科学技术大学;2019年

2 林珏伟;基于深度学习的骨龄评估方法研究[D];浙江工业大学;2019年

3 王林;基于数据模型的骨龄计算及身高预测系统设计与实现[D];浙江工业大学;2019年

4 蒋会莉;滋肾疏肝化痰法对青春期偏矮女童预测成年身高影响的临床观察[D];河南中医药大学;2018年

5 王景樟;基于深度学习的骨龄自动评测系统的研究与实现[D];北京邮电大学;2018年

6 刘宝众;不同项目业余青少年运动员骨龄发育特征研究[D];苏州大学;2017年

7 刘洁琳;计算机辅助桡骨骨龄等级评估[D];北京交通大学;2017年

8 宁刚;特发性性早熟女孩骨龄评价的诊断性试验研究[D];四川大学;2003年

9 胡英华;中药及营养、运动处方综合干预骨龄正常和偏大的身材偏矮儿童的研究[D];山东中医药大学;2012年

10 艾塞提·克里木;维吾尔族矮身材青少年生长发育状况调查及骨龄研究[D];新疆医科大学;2003年

本文编号：2856067