基于深度学习的x射线图像骨龄自动特征提取

基于深度学习的x射线图像骨龄自动特征提取

Automatic Feature Extraction in X-ray Image Based on Deep Learning Approach for Determination of Bone Age

数据：x射线图像
利用深度神经网络学习x射线图像的特征。然后，采用基于支持向量机的分类方法对特征进行分类。

摘要

目的:骨龄测定是判断骨骼成熟度和生长潜力的重要方法。本文提出了一种通过x射线图像识别确定骨龄的方法，通过与现有技术的比较，获得了更好的识别效果。
方法:该方法包括两个步骤:特征提取和分类方法。特征提取利用深度神经网络研究x射线图像的特征，提取图像中的局部二值模式(Local Binary Patterns, LBP)特征和谷氨酸半胱氨酸连接酶修饰亚基(Glutamate半胱氨酸连接酶modifier subunit, GCLM)特征。然后，采用基于支持向量机的分类方法对特征进行分类。
结果:实验结果表明，基于多维数据特征融合的骨龄评估模型的平均绝对误差为0.455，优于传统方法和支持向量机方法。由于该模型是基于深度神经网络的特征提取，表明基于深度神经网络的特征提取方法比传统的图像分析方法更能提取特征信息。结论:与传统的特征提取方法相比，基于深度卷积神经网络的特征提取在骨龄回归模型中具有更好的性能。结合人口和性别信息，可以进一步提高基于图像的骨年龄预测的准确性。

方法

数据源

本研究采用中国医科大学附属盛京医院骨科图像归档与通信系统(PACS)采集的12536 DICOM数据，收集了2017年12月至2018年12月的12000例患者。对数据进行批量脱敏，包括去除图像中涉及的基本信息中的患者姓名、识别号字段和患者姓名的拼音。数据集中患者的年龄范围为0 - 18岁。用G-P图谱测定骨龄。每个图像的大小为1500 ×1000像素。图5为数据集中不同年龄分布的儿童手骨x线图像。随机选取总数据的15%作为验证集，寻找模型的最佳参数;剩下的85%作为训练集。在本实验中，我们将比较基于多维数据特征融合的特征提取方法与传统方法和支持向量机方法的优缺点，并比较了基于深度神经网络的特征提取方法与传统图像分析方法的优缺点。

预处理

x射线手骨图像去噪

去噪模型

深度学习

本文主要介绍了基于卷积神经网络的骨龄自动评估方法，这是将卷积神经网络应用于骨龄自动评估的一种创新尝试。首先介绍了卷积神经网络的一些基本概念，包括激活函数、网络各层的定义和功能以及卷积神经网络的基本结构。其次，介绍了Res网残差网络和空间变换器的结构。基于这两种结构，提出了一种新的ST-Res网络模型。

骨龄评估的网络架构

Res-Net是何开明提出的深层网络结构。[17] 称为剩余网络。在网络中的层之间引入残差映射。
图3显示了剩余网络中的构建块图。图4的中间结构也可以在方程10中显示，这是一个恒等式映射。