信息，以及能涵盖全部钩骨桡骨骨块的特征区域尺寸大小，将这些信息对应。摘要准确分析手腕骨特征骨块的成熟等级是骨龄判别的关键。在骨龄的自动评估中，通过多特征区域识别最终得到骨龄是目前研究的主要方法。钩骨和桡骨在中国人手腕骨发育标准法骨龄评价中所占的权重较大。针对手腕骨特征骨块周边干扰骨块多识别困难的问题，提出了种基于神经网络的手腕骨特征区域自适应提取方法，可以根据手部光片所属者的身高和年龄信息，给出了神经网络前向传播过程的计算方法如下假设输入层的神经元，隐藏层的第个神经元的输入值为⋅隐藏层的第个神经元的输出值为ϕ⋅输出层的第个神经元的输入值为⋅输出层的第个神经元的输出值为⋅ϕ⋅在误差反向传播过程中，如果输出端得到的输出值与期望的输出值之间的差值大于已设定的误差值，则误差就反向传播，更新调整神经元间连接的权值阈值。假设输入输出的样本数为，其中∈，输入样本是，输出样本是，期望的输出值是，则误差信号的计算式为−再对神经元间连基于神经网络的手骨特征区域自适应提取方法骨科论文使用法判定骨龄的过程中，需要判断第远节指骨桡骨钩骨等块骨块的成熟等级，之后依照法所制定的得分表，查表得到最终的骨龄。传统方法中，这过程需要专业的医生进行人工读片，医生通过手腕骨光片来确定块骨块的成熟等级，进而经计算得到骨龄。但是这方法耗时较长，再加上读片量大专业医生少的问题，使得人工读片的工作量大且效率低下。目前较为成功的骨龄自动评估软件是，它使用活动形状模型来分割图像，提取手腕骨边缘，结合块骨的形态骨密度和纹理特征确定骨龄，但此方法对图片质量要求高且有年龄范围限制。为提高骨龄评估效率，国内外已经出现了基于深度学习评估骨龄的方法，。针对不同种族年龄，采用深度学习方法自动评估骨自适应提取出特征骨块，最后搭建卷积神经网络对钩骨桡骨的成熟等级进行评价。实验结果表明利用基于神经网络的区域自适应提取方法，能够精确提取手腕骨特征骨块区域，在保留完整特征信息的基础上减少周边骨块肌肉组织的干扰，提高了图片识别的质量进而提高了卷积神经网络对钩骨桡骨成熟等级的识别准确率分别达到了和。所提方法对骨龄的自动识别有重要意义，对临床医生评价骨龄也有较大的参考意义。关键词神经网络法区域自适应提取医学图像骨成熟等级骨科骨龄的评估在诸多领域中都有应用，它可以直观地反映人体的骨骼发育情况，是生物年龄的重要指标。骨龄与个体的生长发育水平呈现出完全致的关系，是评价生长发育情况的最可靠指标，。骨龄也可以而影响卷积神经网络的学习训练过程。针对手腕部骨块复杂的情况，笔者提出了种区域自适应的提取方法，以减少周边骨块肌肉组织带来的干扰像素，从而更准确地评估特征骨块的成熟等级。为了使评估结果更能适用于中国青少年儿童，笔者采用法作为判断依据。鉴于钩骨是法中占有最大权重男性女性的特征骨块，桡骨也占有较大权重男性女性，同时它们的周边其他骨块也较多，识别难度较大，故在实验过程中选取钩骨和桡骨作为实验对象，采用区域自适应的方式提取出两者的特征区域，进而通过卷积神经网络的训练学习，分别得到了和的骨成熟等级识别准确率，从而验证了该方法的可行性。材料和方法材料本实验所使用的原始数据是光机拍摄的全手部位的笔者采用网络模型结构进行学习训练。是由年的竞赛冠军设计提出的。拥有层网络深度，其中卷积层层，全连接层层不包括层和池化层，采用作为激活函数，并使用技术避免过拟合。在每层的参数设臵里，输入尺寸是，第层卷积层的卷积核是，步长是，再接层，然后接核为，步长为的最大池化层。第层卷积层的卷积核是，步长是第层卷积层的卷积核是，步长是，且每层卷积层后都接层和核为，步长为的最大池化层，参数同上，最终输出各个等级概率，并取概率最大的作为等级输出，其结构如表所示。表模型结构结果为了验证骨骼特征区域自从而没有提取出所需特征区域的问题在该场景使用中，存在特征区域大小不匹配的问题，从而导致图片信息缺失进而影响识别准确率。在完成区域提取后，笔者又用卷积神经网络对钩骨桡骨的特征进行训练学习。测试结果表明采取特征区域自适应的提取方式，在数据集标签相同情况下，有着更高的成熟等级的判定综合准确率，从而证明了这方法的可行性和有效性。在全手的手腕骨光图片提取特征区域时，向模型传入学生身高和年龄信息，得到钩骨桡骨的尺寸大小自适应的提取区域，完成图片的特征区域提取。根据上述基于神经网络的钩骨以及桡骨特征区域自适应提取的方法，可以批量提取出数据样本图片的所有钩骨桡骨区域。提取后的每张图片的大小由身高和年龄决定确率测试结果。表区域自适应提取钩骨的成熟等级测试准确率表固定尺寸提取钩骨的成熟等级准确率表提取钩骨的成熟等级准确率表提取钩骨的成熟等级准确率表区域自适应提取桡骨的成熟等级测试准确率表固定尺寸提取桡骨的成熟等级准确率表提取桡骨的成熟等级准确率表提取桡骨的成熟等级准确率由表可知采用区域自适应提取方式所得到的钩骨区域图片的成熟等级判定综合准确率为，而采用固定尺寸提取方式，和方法提取的钩骨区域图片的成熟等级判定综合准确率分别是，和。在桡骨的成熟等级测试中，由表可知采用区域自适应提取方式所得到的桡骨区域图片的成熟等级判定综合检测方式提取图片提取图片和笔者提出的基于神经网络的特征区域自适应提取图片的准确率差异。基于神经网络的手骨特征区域自适应提取方法骨科论文。在全手的手腕骨光图片提取特征区域时，向模型传入学生身高和年龄信息，得到钩骨桡骨的尺寸大小自适应的提取区域，完成图片的特征区域提取。根据上述基于神经网络的钩骨以及桡骨特征区域自适应提取的方法，可以批量提取出数据样本图片的所有钩骨桡骨区域。提取后的每张图片的大小由身高和年龄决定，尺寸各不相同，特征区域自适应的提取效果如图所示。由图可知提取出的钩骨桡骨特征区域图片尺寸大小符合特征骨骨块本身的大小，在保留全部识别特征的基础上，尽可能地减少了周边骨块和肌肉组织行性。材料和方法材料本实验所使用的原始数据是光机拍摄的全手部位的格式图像。将格式图像转换为的格式图像。同时记录该图像所属儿童的身份年龄和身高信息。另外，骨龄专家按照中国人手腕骨发育标准法给出手腕骨中钩骨和桡骨的成熟等级，并将所有信息保存在格式的文件中。将图片文件序号和标签序号进行匹配，最终得到有效的标签图片共张。笔者采用网络模型结构进行学习训练。是由年的竞赛冠军设计提出的。拥有层网络深度，其中卷积层层，全连接层层不包括层和池化层，采用作为激活函数，并使用技基于神经网络的手骨特征区域自适应提取方法骨科论文尺寸各不相同，特征区域自适应的提取效果如图所示。由图可知提取出的钩骨桡骨特征区域图片尺寸大小符合特征骨骨块本身的大小，在保留全部识别特征的基础上，尽可能地减少了周边骨块和肌肉组织带来的干扰像素。图特征区域自适应的提取效果搭建卷积神经网络用于钩骨和桡骨等级识别卷积神经网络被广泛应用于图像识别等领域的机器学习问题中是种具有多层结构的神经网络，其典型结构中拥有卷积层池化层全连接层。通过这样的组合，可以使得数据量极大的图像识别问题不断降低维度，使计算机可以对其进行训练学习。在卷积神经网络中，由卷积核进行卷积，逐层提取图像特征，并通过全连接层来完成图像的分类工作。基于神经网络的手骨特征区域自适应提取方法骨科论文别过程中，对于块特征骨块的成熟等级判定，主要依靠特征骨块的形状纹理等信息。采用笔者方法提取的钩骨和桡骨特征区域可以保留完整的钩骨桡骨特征，特征信息不仅没有缺失，还减少了周边骨块和肌肉组织带来的干扰。在对比实验中，采用了固定尺寸的特征区域，因为在个体成长过程中，骨骼也是在不断成长的，这方式不能体现出骨骼的各异性，为保证全部特征信息的不缺失，需要较大的特征区域来将骨骼覆盖，而在特征骨块的成熟等级较低时，这切区域必然会偏大，导致周边不必要的骨块进入特征区域，从而形成干扰采用提取的特征区域可以表现出定各异性，但是在实验过程中，采用这方式批量提取骨骼时，会存在因部分信息不完整和个别骨头无法检测到和专家评估年龄差异平均约为岁。等使用对图像进行分割，建立了关键点模型评价特定区域。王景樟设计了种基于注意力机制的卷积神经网络模型，免去了特征区域提取，但这方法对整体的识别率提高作用有限，不利于个性化分析。等利用深度卷积神经网络的方法进行分类，根据已有知识定义兴趣区域，进而通过实现每个区域局部骨龄的分类模型。王永灿等在研究中采用目标检测的方式来提取特征区域，进而进行骨龄阶段识别。这些实验均表明，卷积神经网络在骨龄评估上有定的优越性。通过多特征区域识别得到骨龄的分类是目前研究的主要分类方法。值得强调的是，目前区域的提取方式均是固定尺寸区域的，而手腕部的准确率为，而采用固定尺寸提取方式，和方法提取的桡骨区域图片的成熟等级判定综合准确率分别是，和。通过钩骨和桡骨的成熟等级测试实验，均表明特征区域自适应的提取方法具有定的优势。这说明该方法能够根据个体的不同信息，提取出符合骨骼本身大小的特征区域，从而减少了周边干扰像素，提高了图片质量，进而提高了卷积神经