摘要
骨龄评估是用于评估儿童和青少年骨骼成熟程度的重要指标，骨龄通常反映儿童的生长发育情况、内分泌和身体营养是否在属于正常预期范围，骨龄评估方法通过拍摄被评估者左手X射线图像然后由医师分析并得到骨龄结果。传统的骨龄评估方法存在计算复杂度大、耗时长且受医师主管性因素影响等缺点，现有的深度学习方法由于骨龄评估中特征提取不充分使评估精度误差相对较大，且大部分骨龄评估方法未对应用方面进行研究，缺少骨龄评估方法的实用性。 针对上述骨龄评估方法中的缺陷，本文提出一种基于双重注意力的自动化骨龄评估方法，并开发出骨龄评估系统。主要研究工作和创新点如下: （1）提出手部图像对齐方法，利用对齐网络减少X射线图像中手部尺寸和角度差异对最终评估结果的影响，经过实验对比分析对齐后的图像提取特征更充分，骨龄评估误差为5.72个月，相对未进行对齐的手部图像误差减小0.94个月。 （2）提出双重注意力骨龄回归网络DA-Xception,该网络中加入双池化高效通道注意力，用于强化图像通道中整体和纹理特征。同时加入非对称卷积空间注意力提取图像空间中细粒度特征，最终在数据集上实验证明该方法优于其他骨龄评估方法，最终该方法评估结果为5.37个月。在对齐的手部图像基础上骨龄评估误差减少0.35个月。 （3）开发儿童骨龄评估系统，对骨龄评估模型进行封装并减小模型的存储大小，然后通过Android Studio平台开发出基于骨龄评估的深度学习模型调用软件，分析输入手部X射线图像并得到对应得到骨龄评估结果。 本文所提出的骨龄评估方法在RSNA数据集上表明，该方法与近年来其他作者方法对比误差值更低，且对该方法封装为软件系统使用，应用性更强。
NETL