[发明专利]基于改进后的残差网络的骨龄自动化识别系统

权利要求书

1.一种基于改进后的残差网络的骨龄识别系统，所述方法包括

(1)将样本库的样本分为训练样本和验证样本，样本库中图片进行预处理，得到处理后的图片；

(2)构建深度神经网络，将(1)中处理后的图片依批次输入网络，使用有动量的梯度下降法进行优化网络，得到训练完成的网络；

(3)对测试样本图片进行如(1)中的预处理，得到处理后的测试图片；

(4)将(3)中得到的处理后的测试图片输入训练好的网络中，得到骨龄结果。

2.根据权利要求1所述的方法，其特征在于，所述步骤(1)中具体包括：

(11)对样本库中样本按照一定比例分为训练样本和验证样本，然后将训练样本和验证样本都进行数据增强，将每个样本进行随机改变对比度，饱和度，光照，得到数据增强后的训练样本和验证样本，样本大小是224×224；

(12)用(11)中的数据增强后的训练样本和验证样本归一化，将(11)中大批训练样本减去样本本身的均值，实现归一化，得到可训练样本和验证样本。

3.根据权利要求1所述的方法，其特征在于，所述步骤(2)中具体包括：

(13)(21)构建一个如图1的深度神经网络，神经网络的特征提取由残差网络构成。网络输入是数据增强后的训练样本，输出月份的分类，由于训练样本骨龄是在18岁以下，所以网络输出216类，该网络的resblock(如图1)所示，由卷积层，batch normalization层和修正线性单元层组成；

(22)将(12)中得到的可训练样本从网络的图像层输入，进入第一个残差模块(图中resblock1)，再通过2×2的下采样(图中pooling)，输出大小是112×112×16的特征通道(feature channels)；

(23)(22)中得到的特征通道进入第二个残差模块(图中resblock2)，再通过2×2的下采样，输出大小是56×56×32的特征通道；

(24)(23)中得到的特征通道进入第三个残差模块(图中resblock3)，再通过2×2的下采样，输出大小是28×28×64的特征通道；

(25)(24)中得到的特征通道进入第四个残差模块(图中resblock4)，再通过2×2的下采样，输出大小是14×14×128的特征通道；

(26)(25)中得到的特征通道进入第五个残差模块(图中resblock4)，再通过2×2的下采样，输出大小是7×7×256的特征通道；

(27)(26)中得到的特征通过一个卷积层，batch normalization层，修正线性单元层和一个全连接层，得到216类输出；

(28)(27)中输出的特征，使用softmax函数将概率图的值归一化到0到1，softmax函数如下：

(29)使用交叉熵代价函数(cross-entropy loss)将(28)中得到的归一化的概率图与标签图对比，交叉熵代价函数如下：

为了防止过拟合，在代价函数后再加上一个L2正则项，得到的代价函数如下：

(210)得到(29)中代价函数值后，根据随机梯度下降法，反向传播，更新网络中参数的值；

(212)将(211)中得到的验证样本的交叉熵代价函数的结果值，与(29)中训练样本的交叉熵代价函数的结果值进行对比，直到验证样本交叉熵代价函数的结果值不在下降，反而上升，而训练样本的交叉熵代价函数的结果值一直下降时，停止训练，以验证样本的交叉熵代价函数的结果值最小的一代网络为最终训练好的网络。

4.根据权利要求1所述的方法，其特征在于，所述步骤(3)中具体包括：

(31)将测试样本进行滑窗为224×224的裁剪，一个测试样本得到16个大小是224×224的样本；

(32)将(31)中的测试样本归一化，将(31)中大批训练样本减去样本本身的均值，实现归一化，得到可训练样本。

5.根据权利要求1所述的方法，其特征在于，所述步骤(4)中具体包括：

(41)将(32)中得到的测试样本输入已经训练好的网络得到分类结果，由于每张测试图片是有16次裁剪，则取16次分类结果频率最高的分类结果。