[发明专利]基于深度学习实现图像分割和分类的骨龄评估方法

权利要求书

1.基于深度学习实现图像分割和分类的骨龄评估方法，其特征在于，该方法具体包括如下步骤：

(1)采用数字图像处理方法对原始的手骨图像样本进行增强，得到整幅手骨X线片样本图像；所述增强包括对原始的手骨图像样本进行直方图均衡、高斯滤波、幂律变换和锐化；

(2)选取一定数量的手骨X线片样本图像进行标记，得到手骨部分的掩模，将掩模作为分割数据集用来训练U-Net网络模型；用训练好的U-Net网络模型对原始数据集进行分割，得到手掌分割结果；使用形态学方法对手掌分割结果进行后处理，保留最大连通域；

(3)将得到的手掌分割结果制作成训练集、验证集和测试集；使用制作好的训练集对改进后的VGG16网络进行训练；

改进后的VGG16网络结构包含17个卷积层、1个BN层、2个全局平均池化层、1个Multiply层、1个Lambda层、2个Dropout层和2个全连接层；其中前13个卷积层来自VGG16，将这部分卷积层当作特征提取器，提取的特征图大小为12×12×512，后四个卷积层所包含的卷积核的数量依次为64、8、1和512，在这两个卷积块之间，加入BN层，对提取的特征进行归一化处理；所述Lambda层对2个全局平均池化层输出的特征图进行了融合；

BN层对一个batch-size中特征图的每个通道上计算平均值和方差，计算公式如下：

x_i表示第i个特征图，m表示一个batch-size的大小，μ_β表示一个batch-size中所有特征图的平均值，表示所有特征图的方差；

接着对特征图进行归一化处理，归一化公式为：

表示归一化后的输入，其均值为0，标准差为1；ε是为了防止分母为0而引入的一个很小的正数；为了防止网络学习到的特征被破坏，BN层引入了可学习参数γ和β，用来调节非线性函数和线性函数之间的平衡，公式如下所示：

γ和β表示两个可学习参数，其训练算法为BP算法,y_i表示调整后的输入；

4个卷积层连接在BN层之后，通过1×1的卷积核对经过BN层归一化后的特征图做特征提取，特征图维度依次变为12×12×64、12×12×8、12×12×1和12×12×512；先降维，再将维度扩展为与BN层输出特征图的维度相同，通过Multiply层将BN层输出的特征图和后面4个卷积层输出的特征图做点积，这个过程是一个加权求和过程，将其视为一种注意力机制，两个特征图点积公式如下：

X＝f_m·f_n (5)

f_m表示BN层输出的特征图，f_m表示后面4个卷积层输出的特征图，二者维度均为12×12×512，X表示二者点积后的特征图；

训练改进后的VGG16网络至模型收敛；

(4)利用训练得到的改进后的VGG16网络对测试集进行测试，并利用MAE对所得结果进行评价；其中MAE即Mean Absolute Error；

f_i表示骨龄真实值，f_r表示骨龄预测值，N表示样本数量。