基于深度神经网络的X光片骨龄评估方法研究

发布时间：2020-08-01 07:41

【摘要】：骨龄评估(Bone Age Assessment)是一项通过比较儿童的骨龄和实足年龄的差异而进行的儿科检查。对比于实足年龄,骨龄的过大或过小都能在一定程度上反映出儿童在生长过程中的激素问题和其他异常,骨龄也被用来预测儿童的未来身高等方面。骨龄评估的主要工作是预测儿童的骨龄,为了能够精确而又有效率地测出骨龄,一个成熟的骨龄评估方法是很有必要的。骨龄评估的方法有着漫长的发展历史,前人的工作已经使得骨龄评估从繁琐又粗略的传统技术,演变到了更精确的专家系统。但是存在的问题也很明显,人类评估环节的存在,会使得最终的结果充满主观和易变性,而且又很费时。深度学习时代的来临使得更精确、更有效率的骨龄评估方法成为可能。深度神经网络模型的训练对样本的要求很高,但是原始的手骨X光片数据存在噪音信息过多和不同类别样本数量不均衡等问题,会影响模型最终的评估效果。本文针对以上问题,以深度学习为理论依据,对骨龄评估的方法展开了研究,研究的主要内容有:1.针对原手骨X光片噪音信息过多的问题,本文提出了一个基于深度神经网络的X光片手骨区域提取方法,主要包括对手骨X光片手骨位置的定位,滑窗取样,样本分类和精确到像素的分割。该方法不仅能将原手骨X光片中的噪音信息给去除,同时也保证了所有图片数据中手骨位置的统一。2.针对传统方法中的人力评估环节所带来的一系列问题,本文提出了一个基于深度神经网络的骨龄评估方法。主要包括不同样本划分方式的尝试、深度神经网络模型的选择,对手骨X光片进行分类和对实验结果做了比较与分析。对于原手骨X光片数据,本文最终找到了适合它的样本划分方式,解决了不同类别样本数量不均衡的问题。实验结果的分析采用了三个指标:完全正确、1岁误差和2岁误差。最好的模型评估准确率为0.507、0.851和0.964。3.人类手骨的图片存在渐变性,骨龄差距越小,手骨图片之间的差异就越小。针对这一特性,本文提出了一个基于距离度量神经网络的骨龄评估方法。与以往方法不同的是,新方法用到的思想主要为用Triplet loss函数来训练深度神经网络,在这个网络的基础上采用了三种不同的方式来做骨龄评估(特征库匹配,SVM模型和特征向量再分类)。三种方式的评估准确率均值为0.542、0.843和0.969。本文主要针对骨龄评估的方法进行了多方面的探索,这对之后骨龄评估方法的成熟有着重要的意义。
【学位授予单位】：浙江工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R179;TP391.41;R816.92
【图文】：

发展水平,自然语言处理,计算机硬件,会议

第一章绪论景及意义，位于美国东部召开的一次达特茅斯会议上，人们首次提到了Artificial Intelligence）。这个概念的提出，是希望计算机不再是程计算，而是像人类思维过程那样，能够完成主观抽象的工作应用有解决几何，自然语言处理等。在很长的一段时间里，因及硬件的不足，人工智能的发展极为缓慢，但是为之后的快速以来，人们迎来了大数据时代。同时，在神经网络的研究领域跨时代的概念被提出[1]。计算机硬件的性能也得到了前所未有智能得了天时地利，迎来了发展最快的黄金时代。

手骨,人类,骨龄

图 1-2 人类手骨的骨骼结构[56]Figure 1-2 Skeletal structure of human hand bones类从婴儿出生到青少年发育成熟阶段的骨骼年龄，简称骨龄。骨龄是指骼发育程度，发育程度通常是通过观察手骨的变化来预测的。手骨的骨杂，如图 1-2 所示，每一根骨头的变化都代表着儿童的成熟过程，特别包括勾状骨、头状骨、舟状骨、三角骨和桡骨等。正常发育的人体骨骼会和真实年龄具有一致性。通过和实际年龄的比较，这个差异结果能较

示意图,神经网络,示意图,隐藏层

图 2-1 简单神经网络示意图Figure 2-1 Sketch map of simple neural network，分别是神经网络的三个层，分别为输入层，隐，同理输出也可以是多个。中间的隐藏层最重要入数据通过一个函数得到新的数据。意义在于把维度空间，来展现其更抽象化的特征。隐藏层中元，神经元可以是多个从而最终模拟出不同的函隐藏层的级联可以实现对输入特征多层次的抽象是一种可以实现智能反馈的神经系统。神经网络可以模拟任何一种连续函数，这是因为念——激活函数（Activation Function）。激活函换输入输出的时候。神经元内部函数多为线性函表示为：ion( wx b)

【相似文献】