【摘要】：骨齡識(shí)別是判斷青少年兒童生長(zhǎng)發(fā)育狀態(tài)的最好方法,在臨床醫(yī)學(xué)、體育競(jìng)技和司法判案等領(lǐng)域都有著廣泛的應(yīng)用。由于手骨可以較為準(zhǔn)確的反應(yīng)整體骨骼生長(zhǎng)發(fā)育情況,并具有易于拍攝、輻射劑量小等特點(diǎn),因此國(guó)內(nèi)外普遍將手骨發(fā)育情況作為骨齡評(píng)價(jià)標(biāo)準(zhǔn)。傳統(tǒng)的骨齡識(shí)別方法基于手骨X光片中各骨化中心的發(fā)育程度,并由醫(yī)師進(jìn)行人工的骨齡推斷,具有主觀性強(qiáng)、隨機(jī)誤差大、識(shí)別的過程比較復(fù)雜、識(shí)別周期長(zhǎng)等局限性。針對(duì)現(xiàn)有骨齡識(shí)別方法存在的缺點(diǎn),本文提出了一種基于深度學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)的自動(dòng)骨齡識(shí)別方法。主要研究?jī)?nèi)容和成果如下:(1)研究目前現(xiàn)有的骨齡識(shí)別算法或方法的優(yōu)點(diǎn)和不足,為深度卷積神經(jīng)網(wǎng)絡(luò)算法的研究和實(shí)現(xiàn)提供思路和啟發(fā),同時(shí),深入研究國(guó)內(nèi)外深度學(xué)習(xí)的最新研究成果,綜合考慮現(xiàn)有神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)特點(diǎn)和結(jié)構(gòu)優(yōu)勢(shì),探究不同結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)在骨齡識(shí)別領(lǐng)域的適用性、穩(wěn)定性和可靠性。(2)研究手骨X光圖像數(shù)據(jù)的預(yù)處理,為了去除手骨X光圖像主體外的背景信息(標(biāo)尺、偽影、噪聲等),解決圖像存在的灰度分布不均勻、空間坐標(biāo)未對(duì)齊等問題,本文首先使用專門針對(duì)生物醫(yī)學(xué)圖像分割的U-Net模型對(duì)手骨X光圖像進(jìn)行圖像分割,然后使用直方圖均衡化操作使灰度差異明顯的圖像之間擁有相似的對(duì)比度,最后使用基于VGG模塊的關(guān)鍵點(diǎn)檢測(cè)模型,通過仿射變換實(shí)現(xiàn)圖像的配準(zhǔn)操作,得到主體與背景分離、對(duì)比度均衡、空間坐標(biāo)對(duì)齊的手骨X光圖像。(3)研究基于深度學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)模型的手骨X光圖像特征自動(dòng)提取,分別設(shè)計(jì)并實(shí)現(xiàn)了基于DenseNet的自動(dòng)骨齡識(shí)別回歸模型和自動(dòng)骨齡識(shí)別分類模型,通過分組對(duì)比實(shí)驗(yàn),驗(yàn)證了自動(dòng)骨齡識(shí)別的性能及效果。(4)設(shè)計(jì)并實(shí)現(xiàn)了一套基于深度卷積神經(jīng)網(wǎng)絡(luò)的自動(dòng)骨齡識(shí)別系統(tǒng),研究深度學(xué)習(xí)模型的部署方法,采用谷歌推出的TensorFlow Serving高性能開源庫(kù),將訓(xùn)練好的骨齡識(shí)別模型部署到線上,為更多的醫(yī)師和用戶提供穩(wěn)定、高效、便利的診斷輔助和決策支持服務(wù)。
【圖文】：

行邏輯運(yùn)算的可能性，為人工神經(jīng)網(wǎng)絡(luò)的研究奠定了堅(jiān)實(shí)的理論基礎(chǔ)。到了邋２０世逡逑紀(jì)６０年代，學(xué)者們相繼設(shè)計(jì)了一系列結(jié)構(gòu)和功能更為完善的神經(jīng)網(wǎng)絡(luò)模型，著名逡逑的感知器模型［２６］便是當(dāng)時(shí)被提出和設(shè)計(jì)的。如圖２－１所示的便是一個(gè)感知器模型。逡逑其中，是模型的輸入，ｎ．．．，％是對(duì)應(yīng)每個(gè)輸入的計(jì)算權(quán)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逡逑下圖中，／是給定的非線性函數(shù)，６是偏置單元，其對(duì)應(yīng)的權(quán)值為％。逡逑ｂ逡逑Ｗ０逡逑ＸＩ邋ｗｉ逡逑％邋ｙ邋Ｖ－￣邋Ｊ邐ｆ邐—－逡逑Ｗ２邋Ｖ邋Ｌ邐Ｊ逡逑Ｘ２逡逑Ｗｎ逡逑Ｘｎ逡逑圖２－１感知器模型逡逑Ｆｉｇｕｒｅ邋２－１邋Ｐｅｒｃｅｐｔｉｏｎ．逡逑感知器也被稱為神經(jīng)元，一個(gè)神經(jīng)元只有一個(gè)輸出，為了應(yīng)對(duì)更為復(fù)雜的現(xiàn)逡逑８逡逑

深度學(xué)習(xí)與卷積神經(jīng)網(wǎng)絡(luò)逡逑實(shí)場(chǎng)景，研究人員通過多個(gè)感知器的組合，設(shè)計(jì)了擁有多輸出值的感知機(jī)模型，逡逑如圖２－２所示。然而單層的感知機(jī)還只能在數(shù)據(jù)線性可分的情況下應(yīng)用，而實(shí)際任逡逑務(wù)中需要處理的大多數(shù)數(shù)據(jù)都是線性不可分的，例如簡(jiǎn)單的“異或（ＸＯＲ）”邏輯逡逑運(yùn)算｜２７１這大大限制了感知機(jī)在現(xiàn)實(shí)任務(wù)中的應(yīng)用。為了使模型能夠勝任線性不逡逑可分的任務(wù)，人們開始考慮構(gòu)建多層的感知機(jī)模型，通過在感知機(jī)輸入層和輸出逡逑層之間添加隱藏層的方式來擴(kuò)大模型的參數(shù)空間，增強(qiáng)模型的擬合能力，，以應(yīng)對(duì)逡逑更加復(fù)雜的數(shù)據(jù)和現(xiàn)實(shí)任務(wù)。但是，隨著隱藏層數(shù)的增加，模型的訓(xùn)練和學(xué)習(xí)過逡逑程變得越來越困難，直到２０世紀(jì)８０年代，反向傳播算法的出現(xiàn)和應(yīng)用使得多層逡逑感知機(jī)模型的訓(xùn)練變得高效起來，此時(shí)，具有一個(gè)或多個(gè)隱藏層的多層感知機(jī)模逡逑型便開始被稱為“人工yL經(jīng)網(wǎng)絡(luò)”。逡逑－邋＇逡逑輸入層邐輸出層逡逑圖２－２感知機(jī)模型逡逑Ｆｉｇｕｒｅ邋２－２邋Ｐｅｒｃｅｐｔｒｏｎｓ逡逑反向傳播算法的出現(xiàn)再次掀起了yL經(jīng)網(wǎng)絡(luò)的研宄熱潮，人們逐漸開始設(shè)計(jì)具逡逑有更多隱藏層的神經(jīng)網(wǎng)絡(luò)模型
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：R816.8;TP391.41;TP183

【參考文獻(xiàn)】

相關(guān)期刊論文 前9條

1 李新華;趙娟;袁振宇;王晨e

本文編號(hào)：2669080