胡婷鴻 ，火 忠 ，劉太昂 ，王 飛 ，萬 雷 ，汪茂文 ，陳 騰 ，王亞輝

（1.司法鑒定科學(xué)研究院 上海市法醫(yī)學(xué)重點(diǎn)實(shí)驗(yàn)室 上海市司法鑒定專業(yè)技術(shù)服務(wù)平臺，上海 200063；2.西安交通大學(xué)醫(yī)學(xué)部法醫(yī)學(xué)院，陜西 西安 710061；3.新疆維吾爾自治區(qū)人民醫(yī)院，新疆 烏魯木齊 830000；4.上海帆陽信息科技有限公司，上海 200444）

人體骨骼隨生長周期呈現(xiàn)連續(xù)性與階段性的發(fā)育特征，決定了骨骼的生物學(xué)年齡可以反映個體的生活年齡。我國傳統(tǒng)骨齡評估技術(shù)主要依據(jù)人工讀取骨關(guān)節(jié)在X線片中所反映的骨骼發(fā)育程度獲取個體骨骼年齡，以用于臨床個體發(fā)育調(diào)查、運(yùn)動員選材以及刑事案件中涉及青少年犯罪嫌疑人的定罪量刑等。但是，人工讀片存在耗時長、技術(shù)要求高、不同讀片者評估結(jié)果不盡相同等局限，從而影響了骨齡鑒定意見的有效性和準(zhǔn)確性。為改善或解決上述問題，20世紀(jì)末至21世紀(jì)初，隨著計算機(jī)硬件設(shè)備以及圖像數(shù)字化處理技術(shù)的發(fā)展，國內(nèi)外學(xué)者針對X線骨齡評估提出計算機(jī)輔助評估系統(tǒng)[1-4]。2014年，王亞輝等[5]運(yùn)用淺層監(jiān)督學(xué)習(xí)算法-支持向量機(jī)（support vector machine，SVM），通過核函數(shù)處理骨骼數(shù)字X射線攝影（digital radiography，DR）圖像特征信息與骨骺發(fā)育分級之間非線性對應(yīng)關(guān)系表達(dá)，實(shí)現(xiàn)骨骺發(fā)育分級自動化評估。SVM[6]為基于統(tǒng)計學(xué)習(xí)理論的模式識別算法，適用于小樣本數(shù)據(jù)信息挖掘，但其利用人工經(jīng)驗(yàn)獲取局部樣本特征過程中必然伴隨圖像機(jī)器識別信息丟失，對樣本種類高度依賴的特性導(dǎo)致局限泛化能力，對復(fù)雜函數(shù)處理能力有限，且小樣本數(shù)據(jù)同樣暗示不能挖掘更復(fù)雜骨骼結(jié)構(gòu)內(nèi)部信息。

機(jī)器學(xué)習(xí)是人工智能的一個分支，其通過算法使機(jī)器從大數(shù)據(jù)訓(xùn)練中學(xué)習(xí)規(guī)律，進(jìn)而對新數(shù)據(jù)進(jìn)行識別及預(yù)測。 深度學(xué)習(xí)（deep learning，DL）[7-8]屬于一種機(jī)器學(xué)習(xí)，其基本結(jié)構(gòu)是至少具備一個隱含層的深度神經(jīng)網(wǎng)絡(luò)，近年在圖像識別方面取得很大成就[9]。尤其是卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN），可以至少在網(wǎng)絡(luò)的一層中使用卷積運(yùn)算來替代一般的矩陣乘法運(yùn)算的神經(jīng)網(wǎng)絡(luò)[10]，目前已成功應(yīng)用于眾多其他醫(yī)學(xué)圖像識別領(lǐng)域中，如有絲分裂圖像識別[11]、肺斜裂結(jié)節(jié)檢查[12]、皮膚癌[13]以及乳腺癌病理圖像分類[14]等。2015年，LEE等[15]首次基于深度學(xué)習(xí)創(chuàng)建了網(wǎng)絡(luò)模型“FingerNet”，用于腕關(guān)節(jié)DR圖像中的指關(guān)節(jié)檢測，但未實(shí)現(xiàn)骨齡評估。直到2017年，SPAMPINATO等[16]建立了自動化骨齡評估模型“BoNet”，手腕關(guān)節(jié)DR圖像的深度學(xué)習(xí)與人工讀片評估結(jié)果之間的平均絕對誤差僅為0.79歲。隨后，LEE等[17]同樣選用左手腕關(guān)節(jié)DR圖像為樣本，提出一套能生成結(jié)構(gòu)化放射學(xué)報告的全自動骨齡評估深度學(xué)習(xí)系統(tǒng)，實(shí)現(xiàn)了較好的評估準(zhǔn)確率。近期，KIM等[18]將CNN作為人工讀片的輔助工具進(jìn)行研究，通過方法間的差異性比較得出，深度學(xué)習(xí)較人工讀片的準(zhǔn)確度有所提升，讀片消耗時間顯著減少。基于此，深度學(xué)習(xí)可較好地應(yīng)用于骨齡評估，本研究擬采用深度學(xué)習(xí)對我國維吾爾族青少年左手腕關(guān)節(jié)DR圖像進(jìn)行骨齡自動化評估，并檢驗(yàn)該自動化評估方法的準(zhǔn)確性。

1 對象與方法

1.1 研究對象

本研究從新疆某醫(yī)院放射科DR圖像庫中運(yùn)用分層整群抽樣方法采集了自2014年8月至2016年12月期間拍攝的維吾爾族13.0～20.0歲男、女性左手腕關(guān)節(jié)DR圖像作為數(shù)據(jù)集，其中男性青少年245例、女性青少年227例。上述DR圖像對應(yīng)的真實(shí)個人年齡信息均源于其居民身份證或戶籍資料。樣本分布情況見表1。

表1 不同性別、不同年齡組人群分布（例）

納入標(biāo)準(zhǔn)：采用馬爾丁金屬測量計、經(jīng)校準(zhǔn)的杠桿秤，分別測身高、體質(zhì)量，并經(jīng)新疆維吾爾自治區(qū)人民醫(yī)院確認(rèn)身體健康、營養(yǎng)狀況良好的個體，其左手腕關(guān)節(jié)DR圖像作為研究對象。

排除標(biāo)準(zhǔn)：參加特殊文藝、體育訓(xùn)練者，曾有服用影響骨骺發(fā)育藥物史者，曾有影響骨骺發(fā)育疾病史或外傷史者。

本研究符合有關(guān)醫(yī)學(xué)倫理法律條款規(guī)定。

在上述男、女性左手腕關(guān)節(jié)DR圖像中分別隨機(jī)選取70%的樣本（男性172例，女性159例）作為訓(xùn)練集（其中60%樣本作為網(wǎng)絡(luò)訓(xùn)練集，10%樣本作為驗(yàn)證集），用于模型訓(xùn)練、參數(shù)學(xué)習(xí)、自動微調(diào)連接參數(shù)及模型優(yōu)化等。余下30%的樣本（男性73例，女性68例）作為測試集，用于測試深度學(xué)習(xí)模型的識別及泛化能力，獲取在不同年齡精度的圖像識別準(zhǔn)確率。

1.2 方法

1.2.1 圖像預(yù)處理方法

本研究中骨骼是深度學(xué)習(xí)需要識別的主體。首先通過批量處理來濾除首飾穿戴及字符等影響因素，按圖1所示的三個步驟進(jìn)行圖像預(yù)處理。

（1）去字符。通過灰度確定字符位置，并生成灰度為該圖像灰度眾數(shù)的圓點(diǎn)，以覆蓋字符。

（2）二值化。選用經(jīng)典的圖像閾值分割算法，即OTSU算法[19]，將需要分割的圖像根據(jù)灰度不同分為前景和背景兩個部分。前景即手及腕部，通過該算法得出分離這兩部分的最佳閾值，也就是使類內(nèi)方差最小，最終獲得前景。我們在OTSU算法中根據(jù)圖片的灰度值調(diào)整OTSU結(jié)果，使可能包含識別信息的組織像素點(diǎn)[17]也可被選出，效果如圖2所示。

（3）圖像分割。首先用二值化圖像完全去除背景信息，分割出手及腕關(guān)節(jié)。然后通過求連通域中心及包含連通域最小方框的形式截取分割后的圖像，使手及腕關(guān)節(jié)最大化，且位于圖像相對中心的位置。

圖1 圖片預(yù)處理流程圖

圖2 調(diào)整OTSU前后的圖像

1.2.2 CNN回歸算法

（1）網(wǎng)絡(luò)結(jié)構(gòu)選擇

選取AlexNet[20]作為圖像識別回歸模型，其網(wǎng)絡(luò)結(jié)構(gòu)包含八個帶權(quán)層，前五層為卷積層，后三層為全連接層。最后一個全連接層采用分類器作為激活函數(shù)輸出。同時，在每個卷積層后，都將上一層網(wǎng)絡(luò)結(jié)構(gòu)中的紅、綠、藍(lán)3個通道完成的圖像識別輸出結(jié)果進(jìn)行歸一化（batch normalization，BN）處理，使其均值為 0，方差為1。

（2）參數(shù)設(shè)置及算法優(yōu)化

將用于一般圖像訓(xùn)練之后的AlexNet預(yù)訓(xùn)練模型直接作為網(wǎng)絡(luò)初始環(huán)境，其預(yù)訓(xùn)練參數(shù)，也相應(yīng)地作為遷移學(xué)習(xí)[21]的初始參數(shù)。之后通過訓(xùn)練學(xué)習(xí)本研究樣本來對其進(jìn)行微調(diào)，用于DR圖像分類。70%的樣本會在每次訓(xùn)練過程中隨機(jī)分為訓(xùn)練集與驗(yàn)證集。在用預(yù)訓(xùn)練的參數(shù)初始化網(wǎng)絡(luò)后，輸入60%的網(wǎng)絡(luò)訓(xùn)練集，使用隨機(jī)梯度下降法（stochastic gradient descent method，SGD）對網(wǎng)絡(luò)普通參數(shù)進(jìn)行訓(xùn)練，將訓(xùn)練次數(shù)設(shè)置為5000次，即迭代5000次，小批量數(shù)為32，動量值為0.9，參數(shù)以0.000 5的衰退值下降，以樣本真實(shí)年齡標(biāo)記作為模型訓(xùn)練的目標(biāo)。每次訓(xùn)練之后輸入余下的10%驗(yàn)證集，運(yùn)用網(wǎng)格搜索算法[22]在手動指定的超參數(shù)空間中劃分網(wǎng)格，按網(wǎng)格的每一個格點(diǎn)對應(yīng)的參數(shù)設(shè)置網(wǎng)絡(luò)并進(jìn)行訓(xùn)練。最后，選擇訓(xùn)練結(jié)果與驗(yàn)證學(xué)習(xí)結(jié)果準(zhǔn)確度最匹配時所對應(yīng)的最優(yōu)參數(shù)作為網(wǎng)格搜索結(jié)果。常數(shù)k、n、α、β為修正線性單元（rectified linear unit，ReLU）激活函數(shù)公式中的超參數(shù)，根據(jù)驗(yàn)證集學(xué)習(xí)結(jié)果來確定其值分別設(shè)置為2、5、4～10 和 0.75。

經(jīng)過上述訓(xùn)練過程，在確定最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)以及參數(shù)值之后，輸入未參與訓(xùn)練學(xué)習(xí)的30%測試集樣本得出預(yù)報年齡值，作為最終統(tǒng)計數(shù)據(jù)。

1.2.3 評估結(jié)果的統(tǒng)計方法

對于訓(xùn)練樣本和測試集樣本來說，圖像進(jìn)入深度學(xué)習(xí)網(wǎng)絡(luò)中識別之后會得出預(yù)報年齡值，分別將訓(xùn)練集及測試集的預(yù)報年齡值與對應(yīng)樣本的真實(shí)年齡值相比。若差值的絕對值在1.0歲以內(nèi)，我們視為誤差范圍在±1.0歲以內(nèi)的吻合樣本，將所有吻合樣本數(shù)與訓(xùn)練樣本數(shù)比值的百分?jǐn)?shù)作為該誤差范圍的準(zhǔn)確率。同樣，若預(yù)報年齡值與真實(shí)年齡值差值的絕對值在0.7歲以內(nèi)，我們將其視為誤差范圍在±0.7歲以內(nèi)的吻合樣本，采用上述同樣的方法計算出±0.7歲誤差范圍的準(zhǔn)確率。

2 結(jié) 果

表1 維吾爾族男、女性左手腕關(guān)節(jié)DR圖像訓(xùn)練集深度學(xué)習(xí)骨齡結(jié)果

在深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練和學(xué)習(xí)中，其圖像識別準(zhǔn)確率結(jié)果：男性誤差范圍在±1.0歲及±0.7歲的準(zhǔn)確率分別為81.4%和75.6%；女性分別為80.5%和74.8%（表1）。

利用測試集檢驗(yàn)深度學(xué)習(xí)模型的泛化能力，其預(yù)報準(zhǔn)確率結(jié)果：73例男性與其真實(shí)年齡相比，誤差范圍在±1.0歲及±0.7歲以內(nèi)的吻合樣本數(shù)分別為58例、52例，準(zhǔn)確率分別為79.5%和71.2%；68例女性與其真實(shí)年齡相比，誤差范圍在±1.0歲及±0.7歲以內(nèi)的吻合樣本數(shù)分別為54例、45例，準(zhǔn)確率分別為79.4%和 66.2%（表2）。

表2 維吾爾族男、女性左手腕關(guān)節(jié)DR圖像測試集深度學(xué)習(xí)骨齡結(jié)果

3 討 論

在我國，目前對于少數(shù)民族青少年骨骼生長發(fā)育的基礎(chǔ)數(shù)據(jù)尚不完整，少數(shù)民族青少年骨齡評估應(yīng)當(dāng)以該民族的研究樣本及基礎(chǔ)數(shù)據(jù)為準(zhǔn)。另外，維吾爾族人群眾多，且生活環(huán)境、飲食習(xí)慣都具有其獨(dú)特的民族特性。基于這樣的國情及背景，本研究將新疆維吾爾族青少年關(guān)節(jié)DR圖像作為研究對象，開展維吾爾族青少年骨齡研究，旨在為維吾爾族青少年骨發(fā)育的研究提供基礎(chǔ)資料和數(shù)據(jù)，盡可能客觀地反映維吾爾族青少年骨骼發(fā)育的真實(shí)情況。此外，本研究還考慮到軀體多部位關(guān)節(jié)DR圖像收集存在費(fèi)用高、耗時長等局限，遂選用拍攝簡單常見、繼發(fā)骨化中心較多的手腕關(guān)節(jié)作為理想研究部位[16]。

在圖像識別方面，人工閱片僅針對骨骺發(fā)育程度判斷個體骨骼年齡，而深度學(xué)習(xí)是對于進(jìn)入模型的整個圖像進(jìn)行識別，最大程度地提取圖像中有價值的特征，防止信息丟失。深度學(xué)習(xí)與其他網(wǎng)絡(luò)算法最大不同之處在于，其特征提取為自動學(xué)習(xí)過程，通過非監(jiān)督式的學(xué)習(xí)方法逐層預(yù)訓(xùn)練自動學(xué)習(xí)獲取樣本特征，將下層淺層學(xué)習(xí)特征作為上一層輸入得到更高級特征輸出，最后通過監(jiān)督學(xué)習(xí)方法自上而下進(jìn)行微調(diào)訓(xùn)練使網(wǎng)絡(luò)連接權(quán)值達(dá)到最佳，獲得最終學(xué)習(xí)目的。此外，深度學(xué)習(xí)還有自我挖掘特性，部分人工感興趣區(qū)域?qū)ι疃葘W(xué)習(xí)來說并不一定是顯著差別特征[23]，這些發(fā)現(xiàn)說明，深度學(xué)習(xí)可能在識別差異性特征方面更為全面。

本研究基于上述理論基礎(chǔ)進(jìn)行設(shè)計推理。在我國新疆維吾爾自治區(qū)采集了13.0～19.0歲青少年左手腕關(guān)節(jié)DR圖像，男、女性樣本量分別為245例、227例。在部分DR圖像中，手及腕部在位置、方向及灰度上有很大差異，且背景中含有大量字符，這些都會對網(wǎng)絡(luò)算法自主學(xué)習(xí)圖像特征產(chǎn)生影響。因此，通過圖像處理過程統(tǒng)一圖像規(guī)格，并去除因背景和圖像質(zhì)量差異而導(dǎo)致的噪聲干擾，從而提高模型準(zhǔn)確率。經(jīng)過處理后，利用深度學(xué)習(xí)模型進(jìn)行圖像識別及參數(shù)調(diào)整，最終獲取誤差在±1.0歲以內(nèi)訓(xùn)練集和測試集的準(zhǔn)確率，來驗(yàn)證深度學(xué)習(xí)在骨齡評估中的可行性。經(jīng)分析比對上述研究結(jié)果，我們選取了誤差為±1.0歲訓(xùn)練集和測試集的準(zhǔn)確率作為結(jié)果判定的一項指標(biāo)，以適應(yīng)我國《刑法》對14、16、18周歲青少年骨骼年齡鑒定的需求。為通過深度學(xué)習(xí)方法獲得更為精準(zhǔn)的骨齡評估結(jié)果，本研究綜合考慮誤差范圍及結(jié)果準(zhǔn)確率等拮抗因素，選取了誤差范圍為±0.7歲作為另一項結(jié)果判定指標(biāo)，以此說明深度學(xué)習(xí)在青少年骨齡評估自動化過程中的現(xiàn)實(shí)意義，選取這一精度的目的旨在探索當(dāng)要求誤差范圍更小的情況下骨齡評估準(zhǔn)確率的高低，以此評估這一準(zhǔn)確率是否適合用于當(dāng)前的青少年骨齡鑒定。從本研究結(jié)果看出，同一性別誤差范圍為±1.0歲訓(xùn)練集和測試集的準(zhǔn)確率穩(wěn)定在80%左右，這也說明對于±1.0歲的精度要求，模型的計算結(jié)果是趨于穩(wěn)定的。根據(jù)筆者多年從事青少年骨骼年齡評估的科研工作經(jīng)驗(yàn)以及在日常骨齡鑒定檢案實(shí)踐中與法官、檢察官及辦案民警等委托人對于骨齡鑒定意見采信的具體要求中了解到，對于骨齡鑒定意見在±1.0歲誤差范圍內(nèi)以及結(jié)果的準(zhǔn)確率在80%以上時，委托人結(jié)合其他年齡證據(jù)，可以采納法醫(yī)學(xué)骨齡鑒定意見對案件進(jìn)行審理與判決。而當(dāng)誤差范圍設(shè)定為±0.7歲時，骨齡評估結(jié)果的準(zhǔn)確率下降較為明顯，且同一性別誤差范圍為±0.7歲的訓(xùn)練集和測試集的準(zhǔn)確率波動亦較大，這一結(jié)果的變化主要考慮與本研究的樣本總量有限相關(guān)，誤差范圍為±0.7歲的準(zhǔn)確率目前尚不能應(yīng)用于我國青少年骨齡鑒定檢案實(shí)踐。本課題組在后期研究中，將會繼續(xù)增加樣本量，進(jìn)一步提高結(jié)果準(zhǔn)確率、并逐步克服隨精度要求增加時準(zhǔn)確率的波動現(xiàn)象。

與以往各方法相比，本研究存在以下優(yōu)勢：（1）深度神經(jīng)網(wǎng)絡(luò)自動提取特征代替人工讀片，節(jié)省時間和人力；（2）將手、腕部作為一個整體進(jìn)行分析，信息更全面；（3）圖像在進(jìn)行網(wǎng)絡(luò)預(yù)處理時選用經(jīng)典的OTSU算法生成二值化圖像，在研究中通過加入?yún)?shù)調(diào)整OTSU結(jié)果，使除骨骼像素點(diǎn)以外的組織像素點(diǎn)也可被選出，從而避免有用的深度學(xué)習(xí)特征信息丟失；（4）從圖像預(yù)處理（調(diào)整灰度，分割圖像去除字符）和人工控制處理（過濾有首飾穿戴等因素）兩個方面綜合提高圖片質(zhì)量，更利于深度學(xué)習(xí)；（5）本研究選用的網(wǎng)格搜索算法可以在一定精度范圍內(nèi)通過選用10%驗(yàn)證集檢驗(yàn)，找到使網(wǎng)絡(luò)訓(xùn)練結(jié)果最優(yōu)的參數(shù)；（6）與SPAMPINATO等[16]及LEE等[17]方法相比，本研究選用的左手腕關(guān)節(jié)DR圖像樣本為自主收集與篩選，相比于其在線數(shù)據(jù)庫而言，本研究樣本規(guī)格更趨于統(tǒng)一、質(zhì)量相對更優(yōu)，在后期圖像預(yù)處理過程中的特征信息丟失更少；（7）本研究針對我國新疆維吾爾自治區(qū)的骨齡進(jìn)行探究，我們認(rèn)為該數(shù)據(jù)集具有特殊意義，既擴(kuò)充了我國除漢族以外另一個民族的骨齡評估數(shù)據(jù)庫，又利于公安部門處理少數(shù)民族人群相關(guān)案件的骨齡評估問題。

通過本研究結(jié)果可以看出，深度學(xué)習(xí)之所以能較好地應(yīng)用于醫(yī)學(xué)影像圖像識別中，離不開以下三個關(guān)鍵點(diǎn)：（1）選用深度卷積網(wǎng)絡(luò)，該網(wǎng)絡(luò)通過卷積層和采樣層對輸入圖像逐層學(xué)習(xí)代表特征，后接包含前層抽取出的特征向量訓(xùn)練的全連接回歸層。其BN可以優(yōu)先避免誤差反向傳播中的梯度消失和爆炸問題，使權(quán)重更新更加穩(wěn)健，從而減少分類結(jié)果對于權(quán)重初始化的依賴性，可使用更高學(xué)習(xí)速率，更易于深度學(xué)習(xí)。目前在許多計算機(jī)視覺任務(wù)中取得了顯著成績，包括目標(biāo)分類、檢測和語義分割[16]。（2）深度卷積網(wǎng)絡(luò)之所以在自然圖像分類工作中迅速發(fā)展，是由于有大規(guī)?？捎煤腿孀⑨尩臄?shù)據(jù)，如ImageNet[24]。然而，現(xiàn)階段獲取和ImageNet同規(guī)模和同質(zhì)量注釋的醫(yī)療數(shù)據(jù)仍是一大挑戰(zhàn)，且醫(yī)學(xué)圖像數(shù)據(jù)量和可用特征與自然圖像相比都較少，使深度卷積網(wǎng)絡(luò)回歸具有更大挑戰(zhàn)性。本研究選用遷移學(xué)習(xí)[22]，將在簡單知識及大規(guī)模數(shù)據(jù)集上訓(xùn)練良好的網(wǎng)絡(luò)作為初始網(wǎng)絡(luò)，使其可簡單分辨圖像，然后微調(diào)權(quán)重，使模型可應(yīng)用于特定目標(biāo)。該方法一般應(yīng)用在性質(zhì)相似數(shù)據(jù)集之間。雖然醫(yī)學(xué)圖像與自然圖像有很大不同，但是相關(guān)骨齡研究[16-18]均證實(shí)，通過使用在大數(shù)據(jù)集上訓(xùn)練的通用濾波器組和調(diào)整參數(shù)來呈現(xiàn)醫(yī)學(xué)圖像特有的高級特征是可行的。（3）機(jī)器學(xué)習(xí)的某些參數(shù)取值范圍極大，甚至可能是整個實(shí)數(shù)域，有必要人為設(shè)置范圍及離散化參數(shù)。參數(shù)不同，將會極大地影響模型訓(xùn)練及最終結(jié)果。尤其是醫(yī)學(xué)影像圖像，相對其他圖像而言，像素灰度差異不大的特性決定了網(wǎng)絡(luò)更需要優(yōu)化參數(shù)，來提高網(wǎng)絡(luò)精度及數(shù)據(jù)分析能力。

綜上，本研究通過對我國新疆維吾爾族青少年男、女性左手腕關(guān)節(jié)DR圖像與深度學(xué)習(xí)相結(jié)合，進(jìn)一步證實(shí)了深度學(xué)習(xí)應(yīng)用于骨齡研究的可行性，使人工骨齡評估邁入自動化評估進(jìn)程。但鑒于本研究是一種探索性研究，因此，在樣本數(shù)量的采集、深度學(xué)習(xí)的算法選擇以及測試結(jié)果與真實(shí)年齡的差值等方面仍有較大的提升空間。在下一步研究中，我們將致力于擴(kuò)大樣本量，增加軀體各大關(guān)節(jié)的采集部位，優(yōu)化深度學(xué)習(xí)算法、深入挖掘DR圖像信息，進(jìn)一步探索深度學(xué)習(xí)在軀體其他關(guān)節(jié)DR圖像識別中的應(yīng)用價值。

[1]TANNER J M，GIBBONS R D.A computerized image analysis system for estimating Tanner-Whitehouse 2 bone age[J].Horm Res，1994，42（6）：282-287.

[2]GROSS G W，BOONE J M，BISHOP D M.Pediatric skeletal age：determination with neural networks[J].Radiology，1995，195（3）：689-695.

[3]SATO K，ASHIZAWA K，ANZO M，et al.Setting up an automated system for evaluation of bone age[J].Endocr J，1999，46 Suppl：S97-S100.

[4]FAN B C，HSIEH C W，JONG T L，et al.Automatic bone age estimation based on carpal-bone image--a preliminary report[J].Zhonghua Yi Xue Za Zhi（Taipei），2001，64（4）：203-208.

[5]王亞輝，王子慎，魏華，等.基于支持向量機(jī)實(shí)現(xiàn)骨骺發(fā)育分級的自動化評估[J].法醫(yī)學(xué)雜志，2014，30（6）：422-426.

[6]VAPNIK V N.The nature of statistical learning theory[M].2nd.New York： Springer-Verlag，1995.

[7]吳岸城.神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)[M].北京：電子工業(yè)出版社，2016.

[8]蔡自興，劉麗玨，蔡競峰，等.人工智能及其應(yīng)用[M].北京：清華大學(xué)出版社，2016.

[9]LECUN Y，BENGIO Y，HINTON G.Deep learning[J].Nature，2015，521（7553）：436-444.

[10]GOODFELLOW I， BENGIO Y， COURVILLE A.Deep Learning[M].Cambridge： MIT Press，2016.

[11]MALON C D，COSATTO E.Classification of mitotic figures with convolutional neural networks and seeded blob features[J].J Pathol Inform，2013，4：9.

[12]CIOMPI F，de HOOP B，van RIEL S J， et al.Automatic classification of pulmonary peri-fissural nodules in computed tomography using an ensemble of 2D views and a convolutional neural network out-of-thebox[J].Med Image Anal，2015，26（1）：195-202.

[13]ESTEVA A， KUPREL B， NOVOA R A， et al.Dermatologist-level classification of skin cancer with deep neural networks[J].Nature，2017，542（7639）：115-118.

[14]何雪英，韓忠義，魏本征.基于深度學(xué)習(xí)的乳腺癌病理圖像自動分類[J].計算機(jī)工程與應(yīng)用，2017.

[15]LEE S， CHOI M， CHOI H S， et al.FingerNet：Deep learning-based robustfinger jointdetection from radiographs[C].2015 IEEE Biomedical Circuits and Systems Conference （BioCAS），2015.

[16]SPAMPINATO C， PALAZZO S， GIORDANO D，et al.Deep learning for automated skeletal bone age assessment in X-ray images[J].Med Image Anal，2017，36：41-51.

[17]LEE H， TAJMIR S， LEE J， et al.Fully Automated Deep Learning System for Bone Age Assessment[J].J Digit Imaging，2017，30（4）：427-441.

[18]KIM J R，SHIM W H，YOON H M，et al.Computerized Bone Age Estimation Using Deep Learning Based Program：Evaluation of the Accuracy and Efficiency[J].AJR Am J Roentgenol，2017，209（6）：1374-1380.

[19]OTSU N.A Threshold Selection Method from Gray-Level Histograms[J].IEEE Transactions on Systems，Man， and Cybernetics，1979，9（1）：62-66.

[20]KRIZHEVSKY A， SUTSKEVER I， HINTON G E.ImageNet Classification with Deep Convolutional Neural Networks[M]//PEREIRA F， BURGES C J C，BOTTOU L，et al.Advances in Neural Information Processing Systems 25.Curran Associates， Inc.，2012：1097-1105.

[21]SHIN H C，ROTH H R，GAO M，et al.Deep Convolutional Neural Networks for Computer-Aided Detection： CNN Architectures， Dataset Characteristics and Transfer Learning[J].IEEE Trans Med Imaging，2016，35（5）：1285-1298.

[22]吳皓瑩，程晶，范凱.基于SVM的語音特征提取及識別模型研究[J].武漢理工大學(xué)學(xué)報（交通科學(xué)與工程版），2014（2）：316-319.

[23]胡婷鴻，萬雷，劉太昂，等.深度學(xué)習(xí)在圖像識別及骨齡評估中的優(yōu)勢及應(yīng)用前景[J].法醫(yī)學(xué)雜志，2017，33（6）：629-634，639.

[24]DENG J， DONG W， SOCHER R， et al.ImageNet：A large-scale hierarchical image database[C].2009 IEEE Conference on Computer Vision and Pattern Recognition，2009.