基于深度学习的青少年手腕骨骨龄评价

摘要：利用人工智能中的深度学习方法自动检测并评价西南地区青少年左手腕关节X 线片的骨龄。在四川大学华西第二医院共收集 2426 例 1-18 岁青少年左手腕 X 线片，利用 YOLOv3 框架和少部分数据进行标定、训练以检测 X 线片上传统骨龄评价方法需要的区域，将关键区域截图并调整姿态组成新的图片。再利用 caffe 框架将扩展后的数据集分成训练集、验证集、测试集，以骨龄为标签对不同性别数据分别进行训练以获得男性和女性骨龄预测的模型，并计算误差在±1 岁以内的准确率。选择 caffe 框架训练出来的最好模型，测试出测试集中±1 岁的准确率为男性 81.06%,女性 85.08%。利用深度学习中简单的神经网络训练少量数据即可以达到不错的骨龄评价准确率，表明了深度学习的方法在西南地区青少年骨龄评价的可行性以及在数据增加和网络优化之后准确率存在的极大提升空间。
关键词：人工智能；深度学习；骨龄；放射学
引言：机器学习[1]是人工智能[2]的一个分支，它通过计算机的一些算法从已有数据中学习特征参数，然后对具有类似特征的新样本做出识别或对未来的变化做出预测。机器学习的发展从上世纪八十年代末期开始大致经历了两次推进：浅层学习（Shallow Learning）和深度学习（Deep Learning）[3]。浅层学习要指例如支撑向量机（SVM，Support Vector Machines）[4-5]、Boosting[6] 、 最 大 熵 方 法 [7] （ 如 LR ， Logistic  Regression[8]）等经典的机器学习方法。而相较于只有极少隐层节点的浅层学习方法，具有更多隐层的深 度学习方法还包含了更海量的训练数据，降低过拟合 可能性的同时也可以学习到更有用的特征，从而提升 了分类或预测的准确性。我们常用深度学习这个术语来指训练神经网络[9]（一种由大量节点函数相互联结构成的运算模型）的过程，通过输入数据在神经网络 的训练下不断优化改变权重参数得出适用的模型，并 利用神经网络模型实现各种功能应用。无人驾驶汽车 的出现、人脸识别身份验证以及其他方面的诸多图像 识别都来源于这项技术的应用，所以深度学习几乎成 为人工智能的代名词。
       在骨龄评价的过程中，青少年骨骼生长伴随着手部腕关节一系列的变化，因此医学上根据这些变化制定了标准的骨龄评分系统，需要通过拍摄个体的 X 线片，并根据其特征评价手腕骨的成熟度即骨龄，其中最常用的方法是 G-P 图谱法[10]和 TW2[11]评分法及中华05法[12]。骨龄评价是用来判断青少年儿童生长发育情况、辅助运动员选拔、以及司法鉴定中确定年龄的重要方法，还对一些儿科内分泌疾病的诊断有很大帮助，具有重要的临床意义。然而，传统方法主要利用左手腕骨，掌骨，指骨骨化中心大小，形态结构相互关系来确定发育程度。其中涉及到人工观察骨骺等发育情况并对应图谱的评分以及等级划分，最后综合评分来确定 X 线片所属骨龄范围，方法步骤比较繁琐耗时较长。而采用深度学习自动提取相关部位的特征[13]进行骨龄的识别及判断，十分快捷方便。所以这里提出一种简单的深度学习方法来训练医师评价的骨龄数据，使得通过深度学习得到的模型可以让计算机通过识别X 线片来自动评价骨龄，并获得与医师骨龄评价间误差范围在±1 岁以内的评估结果。本文链接：http://www.qk112.com/qkbk/fbzd/127490.html