基于改进后的残差网络的骨龄自动化识别系统技术方案

本发明专利技术针对国内利用X光照片骨龄检测没有一种自动化的深度学习处理手段，公开了一种基于改进后的残差网络的骨龄的自动化识别系统。该方法包括：首先对训练样本进行数据增强，归一化处理，然后训练基于改进后的残差网络的骨龄分类网络，之后测试时使用16个不同的滑窗，预测16个分类结果，取频率最高的分类结果。

【技术实现步骤摘要】
基于改进后的残差网络的骨龄自动化识别系统
本专利技术涉及图像处理领域，深度学习领域，尤其涉及一种基于改进后的残差网络的骨龄的自动化识别系统。
技术介绍
图像处理技术随着近些年硬件设备的发展，越来越来成熟，尤其是最几年深度学习得发展，更是加速了图像处理技术的发展。深度学习已经被用在各个图像处理领域，而且都表现出了比传统更加好的效果。骨龄检测经常被用于医学门诊好，运动员资格审查时等，该技术在医学界和体育界均利用X光拍摄手腕骨和手掌骨的图片在评估骨骼发育年龄。而目前一般的方法都是使用人工读片，这种方法操作繁琐，且有主观性。目前国内外使用一种基于超声波的骨龄检测，而该方法并未对外公布细节，且许浩等人在2008年提出了超声波骨龄测试不能与X光骨龄测试代替，所以提出一种使用在X光拍摄图片的自动化方法是必要的。2014年AnthonyBagnall等人提出了一种基于骨形态的分类回归骨龄预测模型。2016年，斯坦福大学MatthewChen提出了一种基于微调VGG网络的深度学习骨龄检测方法。2017年，C.Spampinato等人提出了bonet的网络模型，取得了很好的结果。但该模型由于数据较少，仅一千多张数据，使用了一个网络相对简单的模型，没有足够的数据支撑他的结果。而本专利技术针对国内利用X光照片骨龄检测没有一种自动化的深度学习处理手段，针对以前的专利技术没有足够数据，本专利技术利用改进后的残差网络，利用美国北美放射学会的公开比赛的X照片大数据，训练出一个结果良好的网络。
技术实现思路
本专利技术的目的针对利用X光照片进行骨龄检测，人工识片繁琐，主观性强，没有一种自动化的性能良好检测方法，提出一种基于改进后的残差网络的骨龄识别系统。为了实现上述目的。本专利技术采用的技术方案是：本专利技术公开了一种基于改进后的残差网络的骨龄自动化识别系统，具体实施步骤包括：(1)将样本库的样本分为训练样本和验证样本，样本库中图片进行预处理，得到处理后的图片。(2)构建深度神经网络，将(1)中处理后的图片依批次输入网络，使用有动量的梯度下降法进行优化网络，得到训练完成的网络。(3)对测试样本图片进行如(1)中的预处理，得到处理后的测试图片。(4)将(3)中得到的处理后的测试图片输入训练好的网络中，得到骨龄结果。所述步骤(1)中的预处理步骤如下：(11)对样本库中样本按照一定比例分为训练样本和验证样本，然后将训练样本和验证样本都进行数据增强，将每个样本进行随机改变对比度，饱和度，光照，得到数据增强后的训练样本和验证样本，样本大小是224×224。(12)用(11)中的数据增强后的训练样本和验证样本归一化，将(11)中大批训练样本减去样本本身的均值，实现归一化，得到可训练样本和验证样本。所述步骤(2)中的构建深度神经网络及使用带动量的随机梯度下降法进行优化的步骤如下：(21)构建一个如图1的深度神经网络，神经网络的特征提取由残差网络构成。网络输入是数据增强后的训练样本，输出月份的分类，由于训练样本骨龄是在18岁以下，所以网络输出216类。该网络的resblock(如图1)所示，由卷积层，batchnormalization层和修正线性单元层组成。(22)将(12)中得到的可训练样本从网络的图像层输入，进入第一个残差模块(图中resblock1)，再通过2×2的下采样(图中pooling)，输出大小是112×112×16的特征通道(featurechannels)。(23)(22)中得到的特征通道进入第二个残差模块(图中resblock2)，再通过2×2的下采样，输出大小是56×56×32的特征通道.(24)(23)中得到的特征通道进入第三个残差模块(图中resblock3)，再通过2×2的下采样，输出大小是28×28×64的特征通道.(25)(24)中得到的特征通道进入第四个残差模块(图中resblock4)，再通过2×2的下采样，输出大小是14×14×128的特征通道.(26)(25)中得到的特征通道进入第五个残差模块(图中resblock4)，再通过2×2的下采样，输出大小是7×7×256的特征通道.(27)(26)中得到的特征通过一个卷积层，batchnormalization层，修正线性单元层和一个全连接层，得到216类输出。(28)(27)中输出的特征，使用softmax函数将概率图的值归一化到0到1，softmax函数如下：(29)使用交叉熵代价函数(cross-entropyloss)将(28)中得到的归一化的概率图与标签图对比，交叉熵代价函数如下：为了防止过拟合，在代价函数后再加上一个L2正则项，得到的代价函数如下：(210)得到(29)中代价函数值后，根据随机梯度下降法，反向传播，更新网络中参数的值。(212)将(211)中得到的验证样本的交叉熵代价函数的结果值，与(29)中训练样本的交叉熵代价函数的结果值进行对比，直到验证样本交叉熵代价函数的结果值不在下降，反而上升，而训练样本的交叉熵代价函数的结果值一直下降时，停止训练。以验证样本的交叉熵代价函数的结果值最小的一代网络为最终训练好的网络。所述步骤(3)中的对测试样本的预处理的具体步骤如下：(31)将测试样本进行滑窗为224×224的裁剪，一个测试样本得到16个大小是224×224的样本。(32)将(31)中的测试样本归一化，将(31)中大批训练样本减去样本本身的均值，实现归一化，得到可训练样本。所述步骤(4)的输入网络预测具体步骤如下：(41)将(32)中得到的测试样本输入已经训练好的网络得到分类结果。由于每张测试图片是有16次裁剪，则取16次分类结果频率最高的分类结果。附图说明图1是神经网络结构图具体实施方式以下将结合附图所示的各实施方式对本专利技术进行详细描述本专利技术的目的针对利用X光照片进行骨龄检测，人工识片繁琐，主观性强，没有一种自动化的性能良好检测方法，提出一种基于改进后的残差网络的骨龄识别系统。为了实现上述目的。本专利技术采用的技术方案是：本专利技术公开了一种基于改进后的残差网络的骨龄自动化识别系统，具体实施步骤包括：(1)将样本库的样本分为训练样本和验证样本，样本库中图片进行预处理，得到处理后的图片。(2)构建深度神经网络，将(1)中处理后的图片依批次输入网络，使用有动量的梯度下降法进行优化网络，得到训练完成的网络。(3)对测试样本图片进行如(1)中的预处理，得到处理后的测试图片。(4)将(3)中得到的处理后的测试图片输入训练好的网络中，得到骨龄结果。所述步骤(1)中的预处理步骤如下：(13)对样本库中样本按照一定比例分为训练样本和验证样本，然后将训练样本和验证样本都进行数据增强，将每个样本进行随机改变对比度，饱和度，光照，得到数据增强后的训练样本和验证样本，样本大小是224×224。(14)用(11)中的数据增强后的训练样本和验证样本归一化，将(11)中大批训练样本减去样本本身的均值，实现归一化，得到可训练样本和验证样本。所述步骤(2)中的构建深度神经网络及使用带动量的随机梯度下降法进行优化的步骤如下：(21)构建一个如图1的深度神经网络，神经网络的特征提取由残差网络构成。网络输入是数据增强后的训练样本，输出月份的分类，由于训练样本骨龄是在18岁以下，所以网络输出216类。该网络的本文档来自技高网...

【技术保护点】
一种基于改进后的残差网络的骨龄识别系统，所述方法包括(1)将样本库的样本分为训练样本和验证样本，样本库中图片进行预处理，得到处理后的图片；(2)构建深度神经网络，将(1)中处理后的图片依批次输入网络，使用有动量的梯度下降法进行优化网络，得到训练完成的网络；(3)对测试样本图片进行如(1)中的预处理，得到处理后的测试图片；(4)将(3)中得到的处理后的测试图片输入训练好的网络中，得到骨龄结果。

【技术特征摘要】
1.一种基于改进后的残差网络的骨龄识别系统，所述方法包括(1)将样本库的样本分为训练样本和验证样本，样本库中图片进行预处理，得到处理后的图片；(2)构建深度神经网络，将(1)中处理后的图片依批次输入网络，使用有动量的梯度下降法进行优化网络，得到训练完成的网络；(3)对测试样本图片进行如(1)中的预处理，得到处理后的测试图片；(4)将(3)中得到的处理后的测试图片输入训练好的网络中，得到骨龄结果。2.根据权利要求1所述的方法，其特征在于，所述步骤(1)中具体包括：(11)对样本库中样本按照一定比例分为训练样本和验证样本，然后将训练样本和验证样本都进行数据增强，将每个样本进行随机改变对比度，饱和度，光照，得到数据增强后的训练样本和验证样本，样本大小是224×224；(12)用(11)中的数据增强后的训练样本和验证样本归一化，将(11)中大批训练样本减去样本本身的均值，实现归一化，得到可训练样本和验证样本。3.根据权利要求1所述的方法，其特征在于，所述步骤(2)中具体包括：(13)(21)构建一个如图1的深度神经网络，神经网络的特征提取由残差网络构成。网络输入是数据增强后的训练样本，输出月份的分类，由于训练样本骨龄是在18岁以下，所以网络输出216类，该网络的resblock(如图1)所示，由卷积层，batchnormalization层和修正线性单元层组成；(22)将(12)中得到的可训练样本从网络的图像层输入，进入第一个残差模块(图中resblock1)，再通过2×2的下采样(图中pooling)，输出大小是112×112×16的特征通道(featurechannels)；(23)(22)中得到的特征通道进入第二个残差模块(图中resblock2)，再通过2×2的下采样，输出大小是56×56×32的特征通道；(24)(23)中得到的特征通道进入第三个残差模块(图中resblock3)，再通过2×2的...

【专利技术属性】
技术研发人员：漆进，胡顺达，史鹏，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51