[发明专利]基于显著图约束和X光头颅定位侧位图像的年龄估计方法

权利要求书

1.一种基于显著图约束和X光头颅定位侧位图像的年龄估计方法，其特征在于，包括如下步骤：

(1)获取训练样本集D_train、验证样本集D_val和测试样本集D_test：

(1a)获取N个年龄在4-40岁的X光头颅定位侧位图像D＝{D_n|1n≤N}及其对应的年龄标签集合A＝{A_n|1n≤N}，并对每幅X光头颅定位侧位图像D_n进行直方图均衡化，得到数据增强后X光头颅定位侧位图像集合其中，N≥10000，D_n表示第n个形状为长方形且包含有增龄性变化区域为头颅、牙齿和脊柱的X光头颅定位侧位图像，A_n表示D_n对应的年龄标签，表示D_n的数据增强结果；

(1b)对每幅数据增强后X光头颅定位侧位图像的短边进行补零填充，并对补零填充后的形状为正方形的X光头颅定位侧位图像的尺寸缩放至H×H，得到尺寸变换后X光头颅定位侧位图像集合其中，800≤H≤1200，表示尺寸变换后的结果；

(1c)将中的每幅尺寸变换后X光头颅定位侧位图像进行归一化处理，得到归一化后X光头颅定位侧位图像集合并按照7：1.5：1.5的比例将D³中的图像划分为训练样本集D_train、验证样本集D_val和测试样本集D_test，表示的归一化结果；

(2)对自适应缩放卷积神经网络EfficientNet-B0进行迭代训练：

(2a)初始化迭代次数为e₁，最大迭代次数为E₁，E₁≥150，学习率为η₁＝0.0001，第e₁次迭代的学习率为提升停滞次数为C₁，最优平均绝对误差为MAE_{best_1}，以EfficientNet-B0在自然图像数据集ImageNet上的预训练的权重和偏置参数作为EfficientNet-B0的初始权重和偏置参数，并令e₁＝1，C₁＝0，MAE_{best_1}＝9223372036854775807，

(2b)将训练样本集D_train划分为S₁个训练样本子集每个训练样本子集包括b₁个训练样本，并将作为EfficientNet-B0的输入提取每个训练样本的增龄性变化区域的特征，通过该特征对训练样本对应的年龄进行回归预测，得到b₁个年龄预测值，然后采用平均误差函数计算每个年龄预测值与其对应的年龄标签标注的年龄的平均绝对误差值L₁，其中S₁≥700，表示第s₁个训练样本子集，5≤b₁≤10；

(2c)采用自适应学习率优化算法Adam，并以为学习率，通过L₁对EfficientNet-B0通过L₁对EfficientNet-B0的权重W₁和偏置I₁参数进行更新，得到第e₁次迭代后的自适应缩放卷积神经网络EfficientNet-B0-e₁；

(2d)将验证样本集D_val作为EfficientNet-B0-e₁的输入，逐个提取每个验证样本增龄性变化区域的特征，通过该特征对验证样本对应的年龄进行回归预测，得到D_val对应的年龄预测值并采用平均误差函数计算中的每个年龄估计值与其对应的年龄标签标注的年龄的平均绝对误差MAE_{v_1}；

(2e)判断MAE_{v_1}MAE_{best_1}是否成立，若是，令MAE_{best_1}＝MAE_{v_1}，C₁＝0，并执行步骤(2f)，否则令C₁＝C₁+1，并执行步骤(2f)；

(2f)判断e₁＝E₁或者C₁＝3是否成立，若是，得到训练好的自适应缩放卷积神经网络Effi_best，否则令e₁＝e₁+1，并执行步骤(2b)；

(3)构建显著图约束训练样本集D_train、显著图约束验证样本集D_val和显著图约束测试样本集D_test：

(3a)将训练样本集D_train、验证样本集D_val和测试样本集D_test作为训练好的自适应缩放卷积神经网络Effi_best的输入，并基于Grad-CAM算法进行梯度反向传播，得到D_train、D_val和D_test对应的显著图集G_train、G_val和G_test；

(3b)对训练样本集D_train中的每个训练样本与显著图集G_train中对应的显著图进行拼接，同时对验证样本集D_val中的每个验证样本与显著图集G_val中对应的显著图进行拼接，对测试样本集D_test中的每个测试样本与显著图集G_test中对应的显著图进行拼接，实现对每个训练样本、每个验证样本和每个测试样本的显著性区域约束，显著性区域约束后的每个显著图约束样本的大小为H×H×2，2表示双通道，得到显著图约束训练样本集DG_train、显著图约束验证样本集DG_val和显著图约束测试样本集DG_test；

(4)获取自复制样本集和混合训练样本集：

(4a)对训练样本集D_train进行复制，并对D_train中的每个训练样本与复制的训练样本集D_t'_rain中对应的训练样本进行拼接，同时对验证样本集D_val进行复制，并对D_val中的每个验证样本与复制的验证样本集D_v'_al中对应的验证样本进行拼接，对测试样本集D_test进行复制，并对D_test中的每个测试样本与复制的测试样本集D_t'_est中对应的测试样本进行拼接，实现将大小为H×H的样本转化为双通道的大小为H×H×2的自复制样本，得到自复制训练样本集DD_train、自复制验证样本集DD_val和自复制测试样本集DD_test；

(4b)对训练样本集D_train进行复制，并判断复制后的训练样本集中的每一个样本对应的年龄标签值是否小于25，若是，对D_train小于25的训练样本通过DD_train中对应的自复制训练样本进行替换，否则，对D_train大于25的训练样本通过DG_train中对应的显著图约束训练样本进行替换，得到混合训练样本集M_train；

(5)构建基于显著图约束的自适应缩放卷积神经网络EfficientNet-S：

构建包含顺次连接的Stem模块、Block1、Block2、Block3、Block4、Block5、Block6、Block7和最终层的基于显著图约束的自适应缩放卷积神经网络EfficientNet-S；其中Stem模块包含顺次连接的接收双通道的显著图约束训练样本的卷积神经网络、重缩放层、归一化层、零填充层、批归一化层和激活层；Block1包含一个Module1结构；Block2和Block3均包含顺次连接的Module2结构、Module3结构和加和层；Block4、Block5和Block6均包含顺次连接的Module2结构、Module3结构、加和层、Module3结构和加和层；Block7包含一个Module2结构；最终层包含顺次连接的卷积层、批归一化层和激活层；Module1结构包含顺次连接的深度卷积层、批归一化层和激活层；Module2构包含顺次连接的深度卷积层、批归一化层、激活层、零填充层、深度卷积层、批归一化层和激活层；Module3结构包含顺次连接的全局平均池化层、重缩放层、卷积层和卷积层；

(6)对基于显著图约束的自适应缩放卷积神经网络EfficientNet-S进行迭代训练：

(6a)初始化迭代次数为e₂，最大迭代次数为E₂，E₂≥150，学习率为η₂＝0.0001，第e₂次迭代的学习率为提升停滞次数为C₂，最优平均绝对误差为MAE_{best_2}，并令e₂＝1，C₂＝0，MAE_{best_2}＝9223372036854775807，以EfficientNet-S在自然图像数据集ImageNet上的预训练的权重和偏置参数作为EfficientNet-S的初始权重和偏置参数；

(6b)将混合训练样本集M_train划分为S₂个混合训练样本子集每个子集包括b₂个混合训练样本，并将作为EfficientNet-S的输入提取每个混合训练样本的增龄性变化区域的特征，通过这些特征对年龄进行回归预测，得到b₂个年龄预测值，然后采用平均误差函数计算每个年龄预测值与其对应的年龄标签标注的年龄的平均绝对误差L₂，其中S₂≥700，表示第s₂个混合训练样本子集，5≤b₂≤10；

(6c)采用自适应学习率优化算法Adam，并以为学习率，通过L₂对EfficientNet-S的权重和偏置参数进行更新,得到第e₂次迭代后的自适应缩放卷积神经网络EfficientNet-S-e₂；

(6d)将X片自复制验证样本集DD_val中的每个自复制验证样本逐个输入至EfficientNet-B0-e₂，提取每个自复制验证样本的增龄性变化区域的特征，并通过这些特征对年龄进行回归预测，得到DD_val对应的年龄预测值

(6e)判断中的每个年龄预测值是否小于25，若是，将小于25的年龄预测值添加至预先定义的年龄预测值集合中，否则，将其余年龄预测值对应的DG_val中显著图约束验证样本的输入至EfficientNet-S-e₂中，提取每个显著图约束验证样本的增龄性变化区域的特征以及显著图中的注意力约束信息，并以该特征和约束信息对每个年龄进行回归预测，然后将预测结果添加至中，中所添加的所有年龄预测值即为验证样本集D_val的年龄估计；

(6f)以平均绝对误差函数计算中的每一个年龄估计值与其对应的年龄标签标注的年龄的平均绝对误差MAE_{v_2}；

(6g)判断MAE_{v_2}MAE_{best_2}是否成立，若是，令MAE_{best_2}＝MAE_{v_2}，C₂＝0，并执行步骤(6h)，否则令C₂＝C₂+1，并执行步骤(6h)；

(6h)判断e₂＝E₂或者C₂＝3是否成立，若是，得到训练好的基于显著图约束的自适应缩放卷积神经网络K，否则令e₂＝e₂+1，并执行步骤(6b)；

(7)获取年龄估计结果：

(7a)将自复制测试样本集DD_test中的每个自复制验证样本逐个输入至K中，提取每个自复制测试样本的增龄性变化区域的特征，并通过该特征对每个年龄进行回归预测，得到DD_test对应的年龄预测值

(7b)判断中的每个年龄预测值是否小于25，若是，将小于25的年龄预测值添加至预先定义的年龄预测值集合中，否则，将其余年龄预测值对应的DG_test中显著图约束验证样本的输入至EfficientNet-S-e₂中，提取每个显著图约束验证样本的增龄性变化区域的特征以及显著图中的注意力约束信息，并以该特征和约束信息对每个年龄进行回归预测，然后将预测结果添加至中，中所添加的所有年龄预测值即为测试样本集D_test的年龄估计。