骨龄特征点定位、以及预测

课题团队前期应用深度学习方法在基于X线进行骨龄自动预测方法开展了一系列工作。在公共数据集DHADS上开展离散化年龄标签的分类，通过搭建GoogLeNet、ResNet等卷积神经网络，最终实现了91%的识别准确率。在此基础上，我们参加了由北美放射学会RSNA举办的2017年骨龄预测大赛，在1万2千多组标定过的图片集上进行精确到月份的骨龄预测，最终国际排名18/342。我们首先应用UNet结构进行背景去除等预处理，并应用条件随机场方法修正边缘区域，结果如图1所示；随后我们应用深度校正网络（Deepalignmentnetwork）进行骨骼关键点的自动定位，结果如图1所示，目前我们的定位误差已经达到平均2个像素的水平；基于关键点我们截取了15个关键区域，并提出多区域并联卷积神经网络架构，基于GoogLeNet、ResNet进行年龄回归预测，平均误差目前已经达到0.55岁。

深度矫正网络是用于定位手骨中37个关键点的深度神经网络，其训练学习过程包含两个阶段，第一阶段通过卷积神经网络获取到手骨图像的抽象特征，将学习到的特征作为参数同原始图片一起导入空间变换网络生成新的手骨图像，和该手骨图像的热点图，特征点图。然后在第二个阶段将第一阶段生成的三幅图片从新导入卷积神经网络进行训练，学习。

骨龄特征点定位、以及预测相关推荐

一文带你了解传统手工特征的骨龄评估方法的发展历史
摘要:基于传统手工特征的骨龄评估方法主要包括预处理.关键区域检测.手骨分割.特征提取.测量五个步骤. 基于传统手工特征的骨龄评估方法主要包括预处理.关键区域检测.手骨分割.特征提取.测量五个步骤,见图 ...
骨龄预测代码学习（一）
骨龄预测代码学习(一) 代码/数据来源: 代码详解: 运行结果: 总结: 代码/数据来源: 数据集:RSNA. 代码:github. 代码详解: 从GitHub里下载的代码....完全看不懂,所以今天 ...
神经网络 mse一直不变_使用深度卷积神经网络的儿科骨龄评估
此篇文章内容源自 Pediatric Bone Age Assessment Using Deep Convolutional Neural Networks,若侵犯版权,请告知本人删帖. 此篇文章是 ...
Neuromation新研究：利用卷积神经网络进行儿童骨龄评估
近日,Neuromation 团队在 Medium 上撰文介绍其最新研究成果:利用卷积神经网络(CNN)评估儿童骨龄,这一自动骨龄评估系统可以得到与放射科专家相似或更好的结果.该团队评估了手骨不同区域 ...
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 ...
专访浙大儿院副院长傅君芬：我们为什么会把人工智能引入儿童骨龄检测？
近日,浙江大学医学院附属儿童医院的放射科悄然装备上了一套人工智能软件.数秒钟内,一张儿童左手的 X 光片就被自动识别,读出骨龄.机器读取的结果和水平较高的医生相比,最大差距在3个月内. 国家卫计委最近 ...
深度学习（十七）基于改进Coarse-to-fine CNN网络的人脸特征点定位
基于改进Coarse-to-fine CNN网络的人脸特征点定位原文地址:http://blog.csdn.net/hjimce/article/details/50099115 作者:hjimce ...
深度学习（十五）基于级联卷积神经网络的人脸特征点定位
基于级联卷积神经网络的人脸特征点定位原文地址:http://blog.csdn.net/hjimce/article/details/49955149 作者:hjimce 一.相关理论本篇博文主要 ...
基于OpenCV 的手指骨骨龄计算
一.概述骨龄测定系统其实就是图像处理和模式识别系统,其中一般包括了以下几部分:图像采集.图像预处理.图像分割.特征提取和骨龄识别等. 计算机骨龄测定其实很简单,就是利用计算机技术,通过对手掌骨X 光 ...

骨龄特征点定位、以及预测

骨龄特征点定位、以及预测相关推荐

最新文章

热门文章