一种结合空洞卷积和高效率网络的骨龄检测方法技术

本发明专利技术提供了一种结合空洞卷积和高效率网络的骨龄检测方法，包括构建骨龄识别数据集，对现有手骨数据集进行处理；根据骨龄识别数据集，构建结合空洞卷积和高效率网络的骨龄检测模型进行训练；检测阶段加载训练最优的模型权重进行结果预测，将手骨X光图片送入结合空洞卷积和高效率网络的骨龄检测模型进行预测。本发明专利技术的结合空洞卷积和高效率网络的骨龄检测方法，利用空洞卷积和高效率网络结合提升模型的准确率。模型的准确率。模型的准确率。

【技术实现步骤摘要】
一种结合空洞卷积和高效率网络的骨龄检测方法


[0001]本专利技术涉及骨龄检测的
，尤其涉及一种结合空洞卷积和高效率网络的骨龄检测方法。

技术介绍

[0002]骨龄是人的生物年龄。作为生长发育的一项重要指标，它能较准确地反映个体的生长发育水平和成熟程度。儿童骨龄检测不仅可以确定生物学年龄，还可以通过骨龄了解儿童的生长发育潜力和性成熟的趋势。
[0003]目前临床骨龄检测通常采用G&P图谱法和TW法。但是人工的骨龄检测相对费时，不同医生对于相同手骨X光的检测结果也可能不相同，即会有检测不准确的情况，且现有的骨龄检测设备不能准确而快速的得到检测结果。随着机器学习技术的发展，深度学习能够提取图像特征进行分析，相比于传统的机器学习方法，深度学习从图片中提取的特征更准确、精度更高。因此深度学习在图像分类领域应用更加广泛。
[0004]传统的深度学习使用基础卷积神经网络(CNN)，卷积层和池化层将图像压缩到一个较小的尺寸，丢失了许多图像的细节信息，即特征信息丢失。并且由于骨骼发育具有连贯性，导致传统的机器学习对于不同年龄手骨图片的特征提取难度增高。

技术实现思路

[0005]针对上述技术问题，本专利技术的目的在于提供一种结合空洞卷积和高效率网络的骨龄检测方法，利用空洞卷积和高效率网络结合提升模型的准确率。
[0006]为实现上述目的，本专利技术提供了一种结合空洞卷积和高效率网络的骨龄检测方法，包括如下步骤：
[0007]S1：构建骨龄识别数据集，对现有手骨数据集进行处理；
[0008]S2：根据骨龄识别数据集，构建结合空洞卷积和高效率网络的骨龄检测模型进行训练；
[0009]S3：检测阶段加载训练最优的模型权重进行结果预测，将手骨X光图片送入结合空洞卷积和高效率网络的骨龄检测模型进行预测。
[0010]可选的，所述步骤S1的步骤如下：
[0011]S1.1：获取手骨数据集，图片数据集为手骨X光图片；
[0012]S1.2：将获取的手骨数据集图片进行填充，利用Python语言将非正方形图片填充至正方形；
[0013]S1.3：利用数据增强对手骨数据集图片扩展。
[0014]优选的，所述步骤2中，构建结合空洞卷积和高效率网络的骨龄检测模型的步骤如下：
[0015]S2.1：输入网络所需的超参数，即初始样本像素、批处理样本个数和迭代次数，使用大小为3
×3×
32、步长为1的卷积核对输入数据集进行空洞卷积并使用Swish函数进行激
活，得到初次提取的初始特征；
[0016]S2.2：对卷积得到的特征图进行处理，得到和通道数相同的一维向量作为每个通道的评价分数，然后将分数分别加权到对应的通道；
[0017]S2.3：为构建结合空洞卷积和高效率网络的MBconvBlock1
‑
MBconvBlock7进行膨胀卷积；
[0018]S2.4：为构建结合空洞卷积和高效率网络的池化层和FC层，对卷积提取到的特征进行分类，选取最优模型就行保存。
[0019]由上，本专利技术的结合空洞卷积和高效率网络的骨龄检测方法至少具有如下有益效果：
[0020](1)使用EfficientNet模型参数更少，便于应用在临床医学识别骨龄；
[0021](2)采用空洞卷积扩大模型感受野范围提高模型预测的准确率；
[0022](3)利用注意力机制提高模型对于手骨图片特征的敏感度；
[0023](4)使用中国青少年手骨X光数据集进行训练，得到的识别结果符合中国青少年骨龄情况。
附图说明
[0024]图1是本专利技术的结合空洞卷积和高效率网络的骨龄检测方法的流程图；
[0025]图2是本专利技术的结合空洞卷积和高效率网络的骨龄检测方法的骨龄检测模型的网络结构图；
[0026]图3是本专利技术的结合空洞卷积和高效率网络的骨龄检测方法的空洞卷积网络的结构图；
[0027]图4是本专利技术的结合空洞卷积和高效率网络的骨龄检测方法的MBConv1和MBConv6的网络结构图。
具体实施方式
[0028]下面参见图1～图4对本专利技术所述结合空洞卷积和高效率网络的骨龄检测方法进行详细说明。
[0029]如图1所示，本专利技术构建了结合空洞卷积和高效率网络的骨龄检测方法，该方法首先构建骨龄识别数据集，包括手骨X光数据；其次构建结合空洞卷积和高效率网络的骨龄检测模型进行训练，最后检测阶段加载训练最优的模型权重进行结果预测。具体来说本专利技术主要运用了结合空洞卷积的EfficientNet模型来实现手骨X光图片预测，网络结构图如图2所示。以下为详细步骤：
[0030]步骤1：构建骨龄识别数据集，对现有手骨数据集进行处理；
[0031]步骤2：根据骨龄识别数据集，构建结合空洞卷积和高效率网络的骨龄检测模型进行训练；
[0032]步骤3：检测阶段加载训练最优的模型权重进行结果预测，将手骨X光图片送入结合空洞卷积和高效率网络的骨龄检测模型进行预测。
[0033]具体的，所述步骤1的步骤如下：
[0034]步骤1.1：获取手骨数据集，图片数据集为手骨X光图片；
[0035]步骤1.2：将获取的手骨数据集图片进行填充，利用Python语言将非正方形图片填充至正方形；
[0036]步骤1.3：利用数据增强对手骨数据集图片扩展。
[0037]具体的，所述步骤2中，构建结合空洞卷积和高效率网络的骨龄检测模型的步骤如下：
[0038]步骤2.1：输入网络所需的超参数，即初始样本像素、批处理样本个数和迭代次数。使用大小为3
×3×
32、步长为1的卷积核对输入数据集进行空洞卷积并使用Swish函数进行激活，得到初次提取的初始特征。空洞卷积模块如图3所示，既增加了感受野又降低了计算量，且不需要引入额外的参数。
[0039]步骤2.2：对卷积得到的特征图进行处理，得到和通道数相同的一维向量作为每个通道的评价分数。然后将分数分别加权到对应的通道；利用注意力机制对卷积得到的初始特征图进行处理，首先对每个输出通道(c)进行全局池化，得到与通道数相同的1
×
1的特征图，其次将特征图输入到两个全连接层，第一个全连接层是由c/16个神经元组成，对特征图进行了降维，第二个全连接层由c个神经元组成，对特征图进行了升维，增加了非线性的处理过程，拟合了通道之间的相关性。然后使用sigmod函数得到1
×1×
c的特征映射，即每层通道的分数，最后将分数分别加权到对应的通道，流程图如图4所示；
[0040]步骤2.3：为构建结合空洞卷积和高效率网络的MBconvBlock1
‑
MBconvBlock7进行膨胀卷积，其核心结构是MBConv模块，分别是MBConv1和MBConv6，结构如图4所示。MBConv1模块将输入进来高度、宽度、深度为H
×<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合空洞卷积和高效率网络的骨龄检测方法，其特征在于，包括如下步骤：S1：构建骨龄识别数据集，对现有手骨数据集进行处理；S2：根据骨龄识别数据集，构建结合空洞卷积和高效率网络的骨龄检测模型进行训练；S3：检测阶段加载训练最优的模型权重进行结果预测，将手骨X光图片送入结合空洞卷积和高效率网络的骨龄检测模型进行预测。2.根据权利要求1所述的结合空洞卷积和高效率网络的骨龄检测方法，其特征在于，所述步骤S1的步骤如下：S1.1：获取手骨数据集，图片数据集为手骨X光图片；S1.2：将获取的手骨数据集图片进行填充，利用Python语言将非正方形图片填充至正方形；S1.3：利用数据增强对手骨数据集图片扩展。3.根据权利要求2所述的结合空洞卷积和高效率网络的骨龄检测方法，其...

【专利技术属性】
技术研发人员：王星，沈芷佳，陈吉，蹇木伟，
申请(专利权)人：临沂大学，
类型：发明
国别省市：