检索结果-南通市图书馆

检索条件"主题词=儿童骨龄评估"

共 2 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

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

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

引用

作者：张敏清东南大学

学位级别：硕士

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... 详细信息

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。

关键词：儿童骨龄评估骨化中心定位卷积神经网络

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的儿童手骨X射线图像骨龄评估方法研究

基于深度学习的儿童手骨X射线图像骨龄评估方法研究

引用

作者：张帅云南大学

学位级别：硕士

骨龄是反映个体发育成熟程度的重要依据,对评价儿童发育情况、疾病诊断与治疗具有重要意义。医学上通常采用非惯用手的手骨X射线图像进行骨龄评估,然而传统的骨龄评估方法存在评估过程过于复杂、评估结果受主观因素影响等问题,并且对于... 详细信息

骨龄是反映个体发育成熟程度的重要依据,对评价儿童发育情况、疾病诊断与治疗具有重要意义。医学上通常采用非惯用手的手骨X射线图像进行骨龄评估,然而传统的骨龄评估方法存在评估过程过于复杂、评估结果受主观因素影响等问题,并且对于医生的专业水平也有所要求。为此本文提出一种儿童手骨X射线图像骨龄评估方法,实现高精度全自动儿童骨龄评估。所提出的方法是采用深度神经网络,由手骨分割网络和骨龄评估网络构成。手骨X射线图像首先在改进的Mask R-CNN中进行手骨区域分割,基于分割的手骨,通过改进的Xception完成骨龄评估,主要研究工作如下:(1)提出了基于深度学习的自动手骨分割方法。手骨分割网络以Mask R-CNN为基础模型进行改进,将特征提取网络ResNet-50替换成DenseNet-201,然后对手骨X射线图像进行手骨区域分割并与原图进行融合,得到手骨区域与背景分离的手骨X射线图像。(2)提出了基于深度学习的自动骨龄评估方法。骨龄评估网络以Xception为基础模型进行三个方面的改进。一是引入了一种可以替换网络中任何池化操作的池化方式SoftPool,使其在减少的特征图激活映射中保留更多有效的信息;二是提出了一种可以独立嵌入网络中的残差注意力模块,使网络能够从通道和空间两个不同的维度增强特征感知,提取到手骨中更具代表性的特征;三是将性别特征加入网络与图像特征共同作用,降低性别差异对骨龄评估结果的影响。(3)开发了集成手骨分割和骨龄评估算法的儿童骨龄智能辅助评估系统,采用PyQt5和PyInstaller将模型封装成PC端人机交互软件,采用Android Studio将模型封装成移动端人机交互软件。通过RSNA公共数据集评价模型性能,骨龄评估的平均绝对误差为4.68个月,相较于只使用Xception评估骨龄降低42.86%,骨龄评估误差在1岁范围的准确率达到94.4%,相较于只使用Xception评估骨龄提高11.2%。通过分割手骨区域、替换池化操作为SoftPool、增加残差注意力模块以及综合性别特征,可以有效降低儿童骨龄评估的误差。本文提出的方法可为临床实践提供高效、准确的自动儿童骨龄评估方式。

关键词：儿童骨龄评估深度学习 Mask R-CNN Xception 注意力模块

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：