[发明专利]一种基于特征区域等级识别的骨龄评估方法

权利要求书

1.一种基于特征区域等级识别的骨龄评估方法，其特征在于，所述方法包括以下步骤：

1)采用faster-rcnn方法自动对每张手骨片中14块骨头的感兴趣特征区域ROI进行标定和切割，并对图片进行随机旋转、随机平移裁剪、随机中心裁剪的组合操作实现数据增强；

2)构建通道注意力模块，针对输入特征图的通道数、高度、宽度，双池化操作后使用共享多层感知机生成的注意力图谱，视为对特定类别的响应；

3)构建空间注意力模块，针对输入特征图进行双池化操作生成两个二维孔教描述符，并使用7*7的卷积核进行卷及操作，生成空间注意力图；

4)对分类准确率低且等级分布特别不均衡的特征区域使用Focal loss函数，对神经网络模型进行优化。

2.根据权利要求1所述的方法，其特征在于，所述步骤1)中，所述切割规则为：每块骨头都用适合的固定大小框进行区域切割，每块骨头切割框大小要确保每张手骨中的该骨头的ROI，但尽量包含少的干扰区域。

3.根据权利要求1或2所述的方法，其特征在于，所述步骤1)中，所述随机旋转过程为：使用随机角度的旋转，旋转角度在[-10°,10°]中随机选取，步长为1°。

4.根据权利要求1或2所述的方法，其特征在于，所述步骤1)中，所述随机平移裁剪为：随机平移的方向为上下和左右，每次选其中各一个方向进行平移，范围根据不同骨头的大小进行调整。

5.根据权利要求1或2所述的方法，其特征在于，所述步骤1)中，所述随机中心裁剪为：保证每块骨头的ROI包含在数据集的图像中，适量剪小切割框，裁剪数值适情况而定。

6.根据权利要求1或2所述的方法，其特征在于，所述步骤2)中，所述通道注意力模块构建过程为：

给定输入特征F∈R^C×H×W，其中C是特征图的通道数，H是特征图的高度，W是特征图的宽度，同时使用平均池化和最大池化的特征，生成两个不同的通道描述符然后这两个描述符分别通过一个共享多层感知机模型(MLP)来生成通道注意力权重图M_c∈R^C×1×1，将隐藏层规模设置为其中r是缩减率，默认r＝16；通过共享MLP层后，使用求和得到输出特征，通道注意力计算公式如下：

M_c(F)＝σ(MLP(AvgPool(F))+MLP(MaxPool(F)))

其中σ表示激活函数Sigmoid，δ表示激活函数Relu，和分别表示MLP中第一层和第二层的权重。

7.根据权利要求1或2所述的方法，其特征在于，所述步骤3)中，所述空间注意力模块构建过程为：

对于输入的特征图F∈R^C×H×W，首先沿着通道轴进行平均池化和最大池化操作，从而生成两个二维空间描述符和连接上述两个空间描述符所表示的特征，然后使用7×7的卷积核进行卷积操作，生成空间注意力图M_s(F)∈R^1×H×W，空间注意力计算如下：

M_s＝σ(f^7×7([AvgPool(F)；MaxPool(F)]))

其中σ表示Sigmoid激活函数，f^7×7表示卷积操作，并且卷积核大小为7×7，C表示输入特征图的通道数。

8.根据权利要求1或2所述的方法，其特征在于，所述步骤4)中，所述Focal loss函数应用过程为：将二分类Focal loss函数调整为符合所适合的多分类Focal loss函数，二分类Focal loss函数公式如下：

FL(p_t)＝-α_t(1-p_t)^γlog(p_t)

其中p_t为预测为正样本的概率，引入一个加权因子α_t∈[0,1]，γ是可调聚焦参数，其中取值γ≥0，(1-p_t)^γ就是新增的调制系数；

基于多分类交叉熵函数，使用M表示样本类别数量，设定y_ic取值0或1，如果该类别预测和样本i的类别相同就取1，否则取0，p_ic表示预测样本i属于类别c的预测概率，对于加权因子α，针对每一类的情况设置一个α_c∈[0,1]，聚焦参数γ统一设置，则多分类模型Focalloss函数表达为：