[发明专利]一种结合空洞卷积和高效率网络的骨龄检测方法

说明书

本发明提供了一种结合空洞卷积和高效率网络的骨龄检测方法，包括构建骨龄识别数据集，对现有手骨数据集进行处理；根据骨龄识别数据集，构建结合空洞卷积和高效率网络的骨龄检测模型进行训练；检测阶段加载训练最优的模型权重进行结果预测，将手骨X光图片送入结合空洞卷积和高效率网络的骨龄检测模型进行预测。本发明的结合空洞卷积和高效率网络的骨龄检测方法，利用空洞卷积和高效率网络结合提升模型的准确率。

技术领域

本发明涉及骨龄检测的技术领域，尤其涉及一种结合空洞卷积和高效率网络的骨龄检测方法。

背景技术

骨龄是人的生物年龄。作为生长发育的一项重要指标，它能较准确地反映个体的生长发育水平和成熟程度。儿童骨龄检测不仅可以确定生物学年龄，还可以通过骨龄了解儿童的生长发育潜力和性成熟的趋势。

目前临床骨龄检测通常采用GP图谱法和TW法。但是人工的骨龄检测相对费时，不同医生对于相同手骨X光的检测结果也可能不相同，即会有检测不准确的情况，且现有的骨龄检测设备不能准确而快速的得到检测结果。随着机器学习技术的发展，深度学习能够提取图像特征进行分析，相比于传统的机器学习方法，深度学习从图片中提取的特征更准确、精度更高。因此深度学习在图像分类领域应用更加广泛。

传统的深度学习使用基础卷积神经网络(CNN)，卷积层和池化层将图像压缩到一个较小的尺寸，丢失了许多图像的细节信息，即特征信息丢失。并且由于骨骼发育具有连贯性，导致传统的机器学习对于不同年龄手骨图片的特征提取难度增高。

发明内容

针对上述技术问题，本发明的目的在于提供一种结合空洞卷积和高效率网络的骨龄检测方法，利用空洞卷积和高效率网络结合提升模型的准确率。

为实现上述目的，本发明提供了一种结合空洞卷积和高效率网络的骨龄检测方法，包括如下步骤：

S1：构建骨龄识别数据集，对现有手骨数据集进行处理；

S2：根据骨龄识别数据集，构建结合空洞卷积和高效率网络的骨龄检测模型进行训练；

S3：检测阶段加载训练最优的模型权重进行结果预测，将手骨X光图片送入结合空洞卷积和高效率网络的骨龄检测模型进行预测。

可选的，所述步骤S1的步骤如下：

S1.1：获取手骨数据集，图片数据集为手骨X光图片；

S1.2：将获取的手骨数据集图片进行填充，利用Python语言将非正方形图片填充至正方形；

S1.3：利用数据增强对手骨数据集图片扩展。

优选的，所述步骤2中，构建结合空洞卷积和高效率网络的骨龄检测模型的步骤如下：

S2.1：输入网络所需的超参数，即初始样本像素、批处理样本个数和迭代次数，使用大小为3×3×32、步长为1的卷积核对输入数据集进行空洞卷积并使用Swish函数进行激活，得到初次提取的初始特征；

S2.2：对卷积得到的特征图进行处理，得到和通道数相同的一维向量作为每个通道的评价分数，然后将分数分别加权到对应的通道；

S2.3：为构建结合空洞卷积和高效率网络的MBconvBlock1-MBconvBlock7进行膨胀卷积；

S2.4：为构建结合空洞卷积和高效率网络的池化层和FC层，对卷积提取到的特征进行分类，选取最优模型就行保存。

由上，本发明的结合空洞卷积和高效率网络的骨龄检测方法至少具有如下有益效果：

(1)使用EfficientNet模型参数更少，便于应用在临床医学识别骨龄；

(2)采用空洞卷积扩大模型感受野范围提高模型预测的准确率；