[發(fā)明專利]基于改進(jìn)后的殘差網(wǎng)絡(luò)的骨齡自動(dòng)化識(shí)別系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 201711274742.3
• 申請(qǐng)日: 2017-12-06
• 公開(kāi)（公告）號(hào): CN107944496A
• 公開(kāi)（公告）日: 2018-04-20
• 發(fā)明（設(shè)計(jì)）人: 漆進(jìn);胡順達(dá);史鵬
• 申請(qǐng)（專利權(quán)）人: 電子科技大學(xué)
• 主分類(lèi)號(hào): G06K9/62
• 分類(lèi)號(hào): G06K9/62;A61B8/08
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理領(lǐng)域，深度學(xué)習(xí)領(lǐng)域，尤其涉及一種基于改進(jìn)后的殘差網(wǎng)絡(luò)的骨齡的自動(dòng)化識(shí)別系統(tǒng)。

背景技術(shù)

圖像處理技術(shù)隨著近些年硬件設(shè)備的發(fā)展，越來(lái)越來(lái)成熟，尤其是最幾年深度學(xué)習(xí)得發(fā)展，更是加速了圖像處理技術(shù)的發(fā)展。深度學(xué)習(xí)已經(jīng)被用在各個(gè)圖像處理領(lǐng)域，而且都表現(xiàn)出了比傳統(tǒng)更加好的效果。骨齡檢測(cè)經(jīng)常被用于醫(yī)學(xué)門(mén)診好，運(yùn)動(dòng)員資格審查時(shí)等，該技術(shù)在醫(yī)學(xué)界和體育界均利用X光拍攝手腕骨和手掌骨的圖片在評(píng)估骨骼發(fā)育年齡。而目前一般的方法都是使用人工讀片，這種方法操作繁瑣，且有主觀性。

目前國(guó)內(nèi)外使用一種基于超聲波的骨齡檢測(cè)，而該方法并未對(duì)外公布細(xì)節(jié)，且許浩等人在2008年提出了超聲波骨齡測(cè)試不能與X光骨齡測(cè)試代替，所以提出一種使用在X光拍攝圖片的自動(dòng)化方法是必要的。2014年Anthony Bagnall等人提出了一種基于骨形態(tài)的分類(lèi)回歸骨齡預(yù)測(cè)模型。2016年，斯坦福大學(xué)Matthew Chen提出了一種基于微調(diào)VGG網(wǎng)絡(luò)的深度學(xué)習(xí)骨齡檢測(cè)方法。2017年，C.Spampinato等人提出了bonet的網(wǎng)絡(luò)模型，取得了很好的結(jié)果。但該模型由于數(shù)據(jù)較少，僅一千多張數(shù)據(jù)，使用了一個(gè)網(wǎng)絡(luò)相對(duì)簡(jiǎn)單的模型，沒(méi)有足夠的數(shù)據(jù)支撐他的結(jié)果。

而本發(fā)明針對(duì)國(guó)內(nèi)利用X光照片骨齡檢測(cè)沒(méi)有一種自動(dòng)化的深度學(xué)習(xí)處理手段，針對(duì)以前的發(fā)明沒(méi)有足夠數(shù)據(jù)，本發(fā)明利用改進(jìn)后的殘差網(wǎng)絡(luò)，利用美國(guó)北美放射學(xué)會(huì)的公開(kāi)比賽的X照片大數(shù)據(jù)，訓(xùn)練出一個(gè)結(jié)果良好的網(wǎng)絡(luò)。

發(fā)明內(nèi)容

本發(fā)明的目的針對(duì)利用X光照片進(jìn)行骨齡檢測(cè)，人工識(shí)片繁瑣，主觀性強(qiáng)，沒(méi)有一種自動(dòng)化的性能良好檢測(cè)方法，提出一種基于改進(jìn)后的殘差網(wǎng)絡(luò)的骨齡識(shí)別系統(tǒng)。

為了實(shí)現(xiàn)上述目的。本發(fā)明采用的技術(shù)方案是：

本發(fā)明公開(kāi)了一種基于改進(jìn)后的殘差網(wǎng)絡(luò)的骨齡自動(dòng)化識(shí)別系統(tǒng)，具體實(shí)施步驟包括：

(1)將樣本庫(kù)的樣本分為訓(xùn)練樣本和驗(yàn)證樣本，樣本庫(kù)中圖片進(jìn)行預(yù)處理，得到處理后的圖片。

(2)構(gòu)建深度神經(jīng)網(wǎng)絡(luò)，將(1)中處理后的圖片依批次輸入網(wǎng)絡(luò)，使用有動(dòng)量的梯度下降法進(jìn)行優(yōu)化網(wǎng)絡(luò)，得到訓(xùn)練完成的網(wǎng)絡(luò)。

(3)對(duì)測(cè)試樣本圖片進(jìn)行如(1)中的預(yù)處理，得到處理后的測(cè)試圖片。

(4)將(3)中得到的處理后的測(cè)試圖片輸入訓(xùn)練好的網(wǎng)絡(luò)中，得到骨齡結(jié)果。

所述步驟(1)中的預(yù)處理步驟如下：

(11)對(duì)樣本庫(kù)中樣本按照一定比例分為訓(xùn)練樣本和驗(yàn)證樣本，然后將訓(xùn)練樣本和驗(yàn)證樣本都進(jìn)行數(shù)據(jù)增強(qiáng)，將每個(gè)樣本進(jìn)行隨機(jī)改變對(duì)比度，飽和度，光照，得到數(shù)據(jù)增強(qiáng)后的訓(xùn)練樣本和驗(yàn)證樣本，樣本大小是224×224。

(12)用(11)中的數(shù)據(jù)增強(qiáng)后的訓(xùn)練樣本和驗(yàn)證樣本歸一化，將(11)中大批訓(xùn)練樣本減去樣本本身的均值，實(shí)現(xiàn)歸一化，得到可訓(xùn)練樣本和驗(yàn)證樣本。

所述步驟(2)中的構(gòu)建深度神經(jīng)網(wǎng)絡(luò)及使用帶動(dòng)量的隨機(jī)梯度下降法進(jìn)行優(yōu)化的步驟如下：

(21)構(gòu)建一個(gè)如圖1的深度神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)的特征提取由殘差網(wǎng)絡(luò)構(gòu)成。網(wǎng)絡(luò)輸入是數(shù)據(jù)增強(qiáng)后的訓(xùn)練樣本，輸出月份的分類(lèi)，由于訓(xùn)練樣本骨齡是在18歲以下，所以網(wǎng)絡(luò)輸出216類(lèi)。該網(wǎng)絡(luò)的resblock(如圖1)所示，由卷積層，batch normalization層和修正線性單元層組成。

(22)將(12)中得到的可訓(xùn)練樣本從網(wǎng)絡(luò)的圖像層輸入，進(jìn)入第一個(gè)殘差模塊(圖中resblock1)，再通過(guò)2×2的下采樣(圖中pooling)，輸出大小是112×112×16的特征通道(feature channels)。

(23)(22)中得到的特征通道進(jìn)入第二個(gè)殘差模塊(圖中resblock2)，再通過(guò)2×2的下采樣，輸出大小是56×56×32的特征通道.

(24)(23)中得到的特征通道進(jìn)入第三個(gè)殘差模塊(圖中resblock3)，再通過(guò)2×2的下采樣，輸出大小是28×28×64的特征通道.

(25)(24)中得到的特征通道進(jìn)入第四個(gè)殘差模塊(圖中resblock4)，再通過(guò)2×2的下采樣，輸出大小是14×14×128的特征通道.

(26)(25)中得到的特征通道進(jìn)入第五個(gè)殘差模塊(圖中resblock4)，再通過(guò)2×2的下采樣，輸出大小是7×7×256的特征通道.

(27)(26)中得到的特征通過(guò)一個(gè)卷積層，batch normalization層，修正線性單元層和一個(gè)全連接層，得到216類(lèi)輸出。