基于卷积神经网络的自动儿童骨龄评估算法的研究与实现

作     者：张敏清 

作者单位：东南大学 

学位级别：硕士

导师姓名：罗立民;陈阳;吴迪嘉

授予年度：2020年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 1002[医学-临床医学] 081104[工学-模式识别与智能系统] 08[工学] 100202[医学-儿科学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 10[医学] 

主      题：儿童骨龄评估 骨化中心定位 卷积神经网络 

摘      要：骨龄是以骨骼为参照,度量生命体健康生长发育情况的一个指标,能够反映生命体生理上成长发育的水平。并且,相较于其他年龄段来说,十八岁以下儿童的骨骼生长发育情况尤为剧烈。因此,医生可以通过察看左手X光片掌骨、指骨、腕骨以及桡骨尺骨末端等区域的骨化中心生长情况,对儿童患者的骨龄进行较为准确的评估。骨龄评估可以帮助诊断儿童内分泌紊乱、遗传和代谢等疾病,因此在临床上的应用十分广泛。临床上通常使用GP图谱法、TW系列方法以及中华05法来实现骨龄的评估。但是,这些人工评估方法存在着两方面弊端,一是评估过程十分依赖医生的主观判断,二是较为耗时。一直以来,半自动或是全自动的骨龄评估方法都是医学图像处理领域中的研究热点。近来,使用大量数据训练卷积神经网络的方法在计算机视觉领域取得了成功,这也给骨龄评估这一课题提供了前进的方向。因此,本文从多个渠道搜集了大量儿童手骨X光片数据集,并基于卷积神经网络设计了可靠的算法流程,对骨化中心定位以及骨龄评估进行了充分的研究。本文的主要贡献在于:1.设计了简单且有效的预处理算法,可以将来源不同、质量差异较大的儿童手骨X光图像进行规范化,提升算法的适用性和鲁棒性。2.对于骨化中心定位任务,为了解决一些骨化中心并不总是出现在某些骨龄手骨X光片上的问题,本文针对性地提出了基于双损失函数训练的OC-Net,即使用图像级的关键点存在分类损失函数,与像素级的关键点定位损失函数同时优化网络参数。在本文所使用的数据集上,实验证明了OC-Net极大地减小了骨化中心定位的误差。3.对于骨龄评估任务,本文提出了一个基于多任务学习技术的神经网络BA-Net同时估计骨龄和定位指骨、掌骨和腕骨的骨化中心。实验结果表明,加入骨化中心定位任务后,骨龄评估任务的性能得到了提升。这是因为骨化中心区域的局部外观更能体现骨骼的发育情况,多任务训练的方式类似于注意力机制,使得网络学习到了更加相关的特征,这一现象证明了借助骨化中心定位提高骨龄评估准确度的有效性。