基于Alexnet网络模型的个体生长发育阶段预测方法技术

本发明专利技术提供了基于Alexnet网络模型的个体生长发育阶段预测方法，包括构建头颅侧位片数据集(数据集分为训练集、验证集和测试集，其中训练集占80％，验证集占10％，测试集占10％)，并对其进行数据增强的处理；根据颈椎骨龄，结合改进的卷积网络模型对现有的头颅侧位片进行训练；最后通过测试集对结果进行预测。本发明专利技术在卷积网络的基础上增加了注意力机制，旨在提高模型的准确率。提高模型的准确率。提高模型的准确率。

【技术实现步骤摘要】
基于Alexnet网络模型的个体生长发育阶段预测方法


[0001]本专利技术涉及人工智能影像识别领域与个体生长发育阶段预测技术
，具体涉及一种结合注意力机制的Alexnet网络模型用于骨龄预测的方法，使用深度学习实现头颅侧位片中颈椎成熟度的阶段分类。

技术介绍

[0002]颈椎骨龄阶段介绍：骨龄发育水平可以通过颈椎形态的改变来评估，其形态变化具体可以分为六个阶段，主要观察第2、第3和第4颈椎体的形状轮廓及其下缘形状变化，由此做出成熟度的阶段评估。通过颈椎骨形态变化得到的阶段评估，可以判断其个体的生长发育是处于青春高峰前期、青春高峰期或者青春高峰后期，进而预估儿童上下颌骨的生长发育潜能，协助医师判断矫形治疗的时机和预测治疗带来的效果。
[0003]我们为什么要用头颅侧位片预测骨龄：在临床实践中，采用颈椎发育阶段预测骨龄可以减少患者的检查费用和不必要的辐射暴露。头颅侧位片的测量简单，易于结合计算机和数字影像系统，操作高效便捷，易于在临床中推广。对于存在上下颌骨发育异常的儿童的来说，合理的正畸矫形治疗时机的介入非常重要，不仅可以减少患者的时间经济成本，更能让治疗发挥最大的效果。运用计算机深度学习的方法，可以提高效率并减少人工误差，帮助医师判断正畸矫形治疗的时机和预测治疗带来的效果。
[0004]在Alexnet网络模型问世之前，图像分类工作主要是利用特征提取来完成，而利用机器学习进行特征提取在算法的鲁棒性上存在着较大问题，因此人们开始研究利用深度学习进行特征提取，而在特征的表示中也存在层级问题，因此在这种情况下Alexnet网络模型应运而生，打破了机器学习和特征提取的限制。
[0005]大量的实验结果显示，注意力在人脑的感知过程中扮演着非常关键的角色，比如，人眼的中央比四周有更高的分辨率。人眼可以对图像进行快速的扫描，高度聚焦于某一关键区域来处理视觉信息，于是便产生了注意力机制。在本次实验研究中用到了通道注意力机制和空间注意力机制组成的CBAM(卷积注意力机制模块)，空间注意力机制可以更加关注在图像分类中起决定性因素的部分，通道注意力机制更好的处理特征图的通道分配关系，而CBAM注意力机制就可以同时从两个维度提升模型判断的准确率。

技术实现思路

[0006]针对上述问题，本专利技术的目的在于提供基于Alexnet网络模型的个体生长发育阶段预测方法，利用头颅侧位片预测颈椎骨成熟度，从而判断个体所处的生长发育阶段。
[0007]本专利技术为了实现上述目的具体采用以下技术方案：
[0008]基于Alexnet网络模型的个体生长发育阶段预测方法，包括如下步骤：
[0009]步骤1，构建数据集，获取若干张头颅侧位片X光片(其中训练集占80％，验证集占10％，测试集占10％)，并对数据训练集进行数据预处理；
[0010]步骤2，训练数据集，建立Alexnet网络模型框架，结合注意力机制的模块完成模
型，然后利用网络模型对预处理后的训练集进行训练；
[0011]步骤3，模型测试，测试阶段使用测试集对训练好的模型进行测试。
[0012]所述步骤1的步骤如下：
[0013]步骤1
‑
1，获取头颅侧位片数据集；
[0014]步骤1
‑
2，将数据集分为训练集、验证集和测试集，其中训练集占80％，验证集占10％，测试集占10％，在实验中采用了交叉验证的方法，使得每一张图片都会作为验证集或训练集，以确保模型的鲁棒性和可靠性；
[0015]步骤1
‑
3，利用数据增强对训练集进行扩充，具体步骤包括图片亮度增强，对比度增强，旋转和翻转；
[0016]所述步骤2中，建立Alexnet网络模型框架，结合注意力机制的模块完成模型的步骤如下：
[0017]步骤2
‑
1，输入卷积神经网络所需的超参数，包括迭代次数、批处理样本个数和图像尺寸；
[0018]步骤2
‑
2，构建通道注意力机制和空间注意力机制，并将其整合成注意力代码块；
[0019]步骤2
‑
3，构建Alexnet网络模型，包含五层卷积网络，其中第1、2和第5层中含有3
×
3大小的池化采样操作，对筛选处理后的数据集进行训练，得到初次提取的初始特征；
[0020]步骤2
‑
4，经过卷积操作得到对应特征图，处理特征图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；
[0021]步骤2
‑
5，构建结合注意力机制的Alexnet网络模型的FC层，在分类器加入Dropout操作然后对卷积提取到的特征进行分类，选取最优模型保存。
[0022]本专利技术的有益效果如下：头颅侧位片作为口腔正畸常用的诊断方法之一，操作高效便捷，易于在临床中推广。骨龄是个体生长发育水平评估的重要指标，拍摄手腕骨片是目前骨龄诊断的金标准。颈椎成熟度与手腕骨骨龄的判断具有高度相关性，可以用于个体生长发育阶段的评估和预测，帮助医生制定矫形方案和预测治疗效果。
[0023]利用注意力机制提高模型对颈椎体特征的敏感度，经过通道注意力模块和空间注意力模块的调整，特征图中具有重要作用的特征信息和位置信息被增强。
[0024]使用交叉验证的方法，即使数据集规模较小，也可以有效验证准确率，提高准确率的稳定性。
附图说明
[0025]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0026]图1是本专利技术Alexnet网络模型的检测流程图；
[0027]图2是Alexnet网络模型结构图；
[0028]图3是CBAM注意力机制结构图；
[0029]图4是结合了CBAM的Alexnet网络模型图。
具体实施方式
[0030]下面参见图1～图4对本专利技术所述基于Alexnet网络模型的个体生长发育阶段预测方法进行详细说明。
[0031]如图1所示，本专利技术构建了结合注意力机制的Alexnet网络模型用于个体生长发育阶段预测，该方法首先要构建头颅侧位片的数据集，将该数据集分为训练集、验证集和测试集，其中训练集占80％，验证集占10％，测试集占10％，并对其进行数据预处理，包括图片截取，均衡化归一化，数据增强等，其次，根据骨龄结合改进的Alexnet网络模型对处理后的训练集进行训练；最后通过测试集对结果进行预测。具体的来说，本专利技术在Alexnet网络模型的基础上，加入了注意力机制，网络结构图如图2～图4所示，以下为详细步骤：
[0032]步骤1，构建数据集，获取若干张头颅侧位片X光片(其中训练集占80％，验证集占10％，测试集占10％)，并对数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于Alexnet网络模型的个体生长发育阶段预测方法，其特征在于，该方法包括如下步骤：步骤1：构建头颅侧位X线片数据集(其中训练集占80％，验证集占10％，测试集占10％)，对现有头颅侧位片训练集进行数据预处理；步骤2：训练数据集，建立Alexnet网络模型框架，结合注意力机制的模块完成模型，然后利用网络模型对预处理后的训练集进行训练；步骤3：在测试阶段使用测试集对训练好的模型进行测试。2.根据权利要求1所述的基于Alexnet网络模型的个体生长发育阶段预测方法，其特征在于，所述步骤1的步骤如下；步骤1
‑
1：获取头颅侧位片数据集；步骤1
‑
2：将数据集分为训练集、验证集和测试集，其中训练集占80％，验证集占10％，测试集占10％，在实验中采用了交叉验证的方法，使得每一张图片都会作为验证集或训练集，以确保模型的鲁棒性和可靠性；步骤1
‑
3：利用数据增强对训练集进行扩充，具体步骤包括图片亮度增强，对比度增强，旋转和翻转。3.根据权利要...

【专利技术属性】
技术研发人员：李佳岭，张珩冰，朱海婷，沈雨晨，李煌，邵寒寒，韩磊，陈峻，
申请(专利权)人：南京市口腔医院，
类型：发明
国别省市：