摘要
如今骨龄评估已被广泛应用到医学、体育竞技与司法鉴定等多个领域。然而，传统人工骨龄评估具有流程复杂，花费时间多，强主观性等特点，并且对医生的专业素养有较高要求;基于深度学习的骨龄评估虽然运用神经网络提取手部的全局与局部特征信息进而提高了评估准确性、节省了评估时间以及一定程度上克服了人工主观性，但是神经网络提取的特征并没有结合相应的骨龄评估标准而缺乏行业理论的支持，并且在神经网络学习过程中，网络更加关注图像中的纹理以及颜色等特征而很少注意到图像中所蕴含的空间信息。因此，本文以骨龄评估标准为出发点结合专业医生的临床先验知识展开研究，本文主要研究内容如下: (1)提出基于兴趣区域空间特征的青少儿骨龄评估模型(SC-Net)。依据G-P图谱法以及通过与医生的讨论分析总结出兴趣区域空间特征，并对图像使用关键点定位以及高斯分布提取兴趣区域空间特征。将预处理之后的图像以及兴趣区域空间特征图作为模型的输入数据。有研究表明男女生的生长发育状态存在差异并且G-P图谱法针对男女生各有一套判读标准，因此认为性别信息对于骨龄评估存在影响，从而使用0-1分类法将性别信息融入模型中。模型的骨干网络选用了参数量较少且总体大小仅为96M左右的InceptionV3网络。实验结果显示，此模型在北美放射学会提供的骨龄评估公共数据集和重庆医科大学附属儿童医院收集的本地数据集上分别达到了6.52个月与5.80个月的骨龄平均绝对误差(MeanAbsoluteError,MAE),与提到的其他方法相比，最大提升比例分别约为33.06％与35.27％。 (2)提出基于兴趣区域空间特征增强的青少儿骨龄评估模型(SCE-Net)。由于G-P图谱法样本来自上世纪30-40年代美国克利夫兰地区中上社会经济阶层的白人青少年，将其运用于国内的骨龄评估工作时存在种族差异，导致骨龄评估误差大、易误诊等问题，因此改选研究样本来源于本世纪中国当代城市儿童的国内常用骨龄评估标准中华05法作为基础。并且结合国内专家医生的临床先验知识中关注区域的组合思想引出兴趣区域空间特征增强想法，使用关键点定位以及高斯分布以实现。医生还提出生活年龄与骨龄之间存在一定联系，因此以月为年龄单位将生活年龄信息加入模型中。模型的骨干网络选择在上个模型骨干网络对比实验结果中表现最优秀的InceptionV3网络。此模型在本地数据集上的MAE值为4.95个月，评估效能优于SC-Net,并且与提到的其他方法相比，最大提升比例约为44.75％。
NETL