發(fā)布時間：2020-10-25 22:43

　　 骨齡是生物學年齡主要判定標準之一,它能準確地反應被測試者生長發(fā)育情況。但是,人工估測骨齡耗時長且結果波動大,嚴重依賴于放射科醫(yī)生的熟練程度。因此,通過計算機視覺技術來輔助實現骨齡的自動預測是很有必要的,是醫(yī)學圖像領域的研究熱點之一�；趥鹘y(tǒng)機器學習算法的骨齡自動/半自動預測方法主要是通過分割關鍵區(qū)域和手動提取特征來實現骨齡評估的,但其預測準確度嚴重依賴于分割的精度和提取到的特征的有效性�；谏疃葘W習的骨齡預測系統(tǒng)則很好地解決了上述問題,BoNet首次將深度學習運用到骨齡預測中,它端到端地從數據中學習提取特征,不需要分割關注區(qū)域和手動提取手骨圖像的特征,引起了研究人員的廣泛關注。本文主要提出了一個手骨X射線圖像骨齡全自動預測的方法。首先,本研究提出了一個基于密集連接的骨齡預測卷積神經網絡模型BoNet+,同時,研究了不同代價函數在骨齡預測問題中的表現,發(fā)現平均絕對誤差函數更加適合做骨齡自動預測問題的代價函數。實驗結果表明,本文提出的BoNet+模型預測誤差為0.76±0.10歲,相較于基于傳統(tǒng)機器學習算法的骨齡預測方法,誤差降低58.2%,相較于基于VGG的卷積神經網絡模型BoNet,降低了3.8%。但其復雜度遠低于BoNet,單次訓練速度為BoNet的8倍,網絡參數量為BoNet的25%。緊接著,考慮到在現實場景可能存在低質量的X射線圖像,本文模擬了高泊松噪聲、有標簽遮擋和低分辨率三種類型的低質量X射線圖像。為了減弱圖像質量對骨齡預測的不良影響,提出可以使用基于U-Net的卷積神經網絡對低質量圖像進行質量提升。根據是否對低質量圖像的類型首先進行分類再進行提升,本文將真實場景下的骨齡預測系統(tǒng)分為兩種。實驗結果表明,無論是否對圖像進行有針對性的質量提升還是統(tǒng)一進行提升,兩者的預測精度相近。為了解釋這一現象,本文提出:如果設計的卷積神經網絡模型層數夠深且層寬夠寬,其擬合能力會越強,可以通過單一模型來同時處理多個任務。
【學位單位】：中國科學技術大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：R814;TP183;TP391.41
【部分圖文】：

要共有２種：圖譜法和計分法［５１。對于圖譜法而言，其核心思想是通過將Ｘ射線??圖像與圖譜標準片進行對比，尋找與待評估Ｘ射線圖像最為相似的圖譜標準片，??從而確定被測者的骨齡［６］。圖１．１即為中國兒童標準骨齡圖譜中的Ｘ射線圖像示??例［６１。在臨床中，最常用的圖譜方法是ＧＰ圖譜法（Ｇｒｅｕｌｉｃｈ－Ｐｙｌｅ）＾．但是，由??于基于圖譜的方法嚴重依賴于工作人員的直觀感覺與經驗，該方法的準確性難??以保證。很多時候，即使由同一個專家判定同一張Ｘ射線圖像，在不同時間內他??做出的判定結果都有一定的差異。因而，較為客觀的計分法則精確許多。具體來??說，計分法通過對手骨中若干個具有代表性的骨骼進行評分，最后計算總分，換??算為對應的骨齡。但是，相較于圖譜法，該法最主要弊端為耗時較長，評估一張??Ｘ射線圖像可能需要十余分鐘，在臨床中會降低醫(yī)生的工作效率。其中，具有代??表性的計分法包括ＴＷ３計分法Ｍ和適用于中國青少年的中華０５計分法??為了解決傳統(tǒng)的基于人工讀片的骨齡判定過程中存在的準確度低和速度慢??等問題

?（ｇ＞?５?歲?（ｈ）?６?歲??圖１．１中國兒童標準骨齡圖譜中的Ｘ射線圖像示例??醫(yī)學工作者判定骨齡。傳統(tǒng)的圖像分析方法需要首先提取出手腕部Ｘ射線圖像??中感興趣的區(qū)域（Ｒｅｇｉｏｎｏｆｌｎｔｅｒｅｓｔ，?ＲＯＩ），如圖丨．２所示，然后對ＲＯＩ區(qū)域的特??征進行評分，最后輸出Ｘ射線圖像對應的骨齡值。其中最為成功的基于傳統(tǒng)方??法的骨齡預測系統(tǒng)是商業(yè)軟件ＢｏｎｅＸｐｅｒｔｌ１１１，該軟件己經被廣泛運用到歐洲的數??百個兒童醫(yī)院。另外，基于深度學習的方法也被廣泛運用到骨齡預測問題中，此??類方法不同與傳統(tǒng)圖像處理方法，可以對輸入的圖像直接進行骨齡預測，無需進??Ｉ分割和手動的特征提取等步驟。??隨著硬件性能尤其是ＧＰＵ性能的提升以及數據的大量積累，深度學習在近??年來取得了巨大的進步。在?２０１２?年的?ＩｍａｇｅＮｅｔ?Ｌａｒｇｅ－Ｓｃａｌｅ?Ｖｉｓｕａｌ?Ｒｅｃｏｇｎｉｔｉｏｎ??Ｃｈａｌｌｅｎｇｅ（ＩＬＳＶＲＣ）比賽中，基于卷積神經網絡的模型ＡｌｅｘＮｅｔ大大提高了自然??圖像的分類精度

２．１．１神經網絡結構??作為神經網絡中最基本的單元，深度學習中的神經元受啟發(fā)于生物學中的??神經元。如圖２．ｌ（ｂ）ｌＭ所示，在生物學中，神經元通過樹突來接收其它神經元發(fā)??送的信號。當其接收的信號超過一定的閾值后，它將通過突觸與其它神經元進行??曬??（ａ）?（ｂ）來源：［３３］??圖２．１生物學中神經元基本結構??９??
【相似文獻】

相關期刊論文 前10條

1 董靜娟;董輝;;邯鄲地區(qū)生長發(fā)育異常兒童骨齡生長學特征及相關因素研究[J];醫(yī)學信息;2019年03期

2 姚樂輝;;3種常用骨齡測評標準對數字骨齡片的評價對比研究[J];北京體育大學學報;2018年01期

3 王婷;鄭榮秀;劉靚;;840例矮身材兒童骨齡分析[J];中國婦幼健康研究;2018年04期

4 包相華;孫景有;關云龍;韋玉新;范林;;東莞地區(qū)青少年骨齡調查研究與應用[J];包頭醫(yī)學院學報;2018年07期

5 駱依潔;;渴望長高[J];青少年日記(小學版);2017年03期

6 劉紹宗;;孩子身高的奧秘 你了解多少[J];健康向導;2017年03期

7 孫曉順;羅偉;云鵬;;兩種骨齡評估方法的比較性研究[J];長江大學學報(自然科學版);2013年18期

8 張曉龍;王偉強;王潤錄;;淺議骨齡鑒定的法律依據、特點和使用方法[J];河南科技大學學報(醫(yī)學版);2012年04期

9 趙麗泓;劉艷茹;徐紅梅;;不同方法評價矮小兒童骨齡的比較[J];中外婦兒健康;2011年01期

10 孔倩倩;田軍;;兒童青少年骨齡評估的現狀與展望[J];醫(yī)學影像學雜志;2011年06期

相關博士學位論文 前6條

1 曹潤;基于中華05標準的數字化骨齡X光片自動化識別算法的研究[D];北京體育大學;2019年

2 朱翔宇;基于中華05骨齡標準的橈骨發(fā)育特征計算機提取與識別系統(tǒng)研究[D];北京體育大學;2017年

3 姚樂輝;兒童青少年骨齡測評方法比較研究[D];北京體育大學;2015年

4 任甫;拉薩藏族兒童青少年生長發(fā)育的研究[D];中國醫(yī)科大學;2005年

5 劉堅;神經管缺陷的病因及發(fā)病機理的基礎研究[D];華中科技大學;2008年

6 鄧芳;兒童特發(fā)性性早熟環(huán)境危險因素及其身心發(fā)育分離研究[D];安徽醫(yī)科大學;2011年

相關碩士學位論文 前10條

1 郭佳佳;基于卷積神經網絡的X射線圖像骨齡自動預測方法研究[D];中國科學技術大學;2019年

2 林玨偉;基于深度學習的骨齡評估方法研究[D];浙江工業(yè)大學;2019年

3 王林;基于數據模型的骨齡計算及身高預測系統(tǒng)設計與實現[D];浙江工業(yè)大學;2019年

4 蔣會莉;滋腎疏肝化痰法對青春期偏矮女童預測成年身高影響的臨床觀察[D];河南中醫(yī)藥大學;2018年

5 王景樟;基于深度學習的骨齡自動評測系統(tǒng)的研究與實現[D];北京郵電大學;2018年

6 劉寶眾;不同項目業(yè)余青少年運動員骨齡發(fā)育特征研究[D];蘇州大學;2017年

7 劉潔琳;計算機輔助橈骨骨齡等級評估[D];北京交通大學;2017年

8 寧剛;特發(fā)性性早熟女孩骨齡評價的診斷性試驗研究[D];四川大學;2003年

9 胡英華;中藥及營養(yǎng)、運動處方綜合干預骨齡正常和偏大的身材偏矮兒童的研究[D];山東中醫(yī)藥大學;2012年

10 艾塞提·克里木;維吾爾族矮身材青少年生長發(fā)育狀況調查及骨齡研究[D];新疆醫(yī)科大學;2003年

本文編號：2856067