[发明专利]基于改进后的残差网络的骨龄自动化识别系统

说明书

技术领域

本发明涉及图像处理领域，深度学习领域，尤其涉及一种基于改进后的残差网络的骨龄的自动化识别系统。

背景技术

图像处理技术随着近些年硬件设备的发展，越来越来成熟，尤其是最几年深度学习得发展，更是加速了图像处理技术的发展。深度学习已经被用在各个图像处理领域，而且都表现出了比传统更加好的效果。骨龄检测经常被用于医学门诊好，运动员资格审查时等，该技术在医学界和体育界均利用X光拍摄手腕骨和手掌骨的图片在评估骨骼发育年龄。而目前一般的方法都是使用人工读片，这种方法操作繁琐，且有主观性。

目前国内外使用一种基于超声波的骨龄检测，而该方法并未对外公布细节，且许浩等人在2008年提出了超声波骨龄测试不能与X光骨龄测试代替，所以提出一种使用在X光拍摄图片的自动化方法是必要的。2014年Anthony Bagnall等人提出了一种基于骨形态的分类回归骨龄预测模型。2016年，斯坦福大学Matthew Chen提出了一种基于微调VGG网络的深度学习骨龄检测方法。2017年，C.Spampinato等人提出了bonet的网络模型，取得了很好的结果。但该模型由于数据较少，仅一千多张数据，使用了一个网络相对简单的模型，没有足够的数据支撑他的结果。

而本发明针对国内利用X光照片骨龄检测没有一种自动化的深度学习处理手段，针对以前的发明没有足够数据，本发明利用改进后的残差网络，利用美国北美放射学会的公开比赛的X照片大数据，训练出一个结果良好的网络。

发明内容

本发明的目的针对利用X光照片进行骨龄检测，人工识片繁琐，主观性强，没有一种自动化的性能良好检测方法，提出一种基于改进后的残差网络的骨龄识别系统。

为了实现上述目的。本发明采用的技术方案是：

本发明公开了一种基于改进后的残差网络的骨龄自动化识别系统，具体实施步骤包括：

(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。

所述步骤(1)中的预处理步骤如下：

(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。

所述步骤(2)中的构建深度神经网络及使用带动量的随机梯度下降法进行优化的步骤如下：

(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。