無錫南洋職業(yè)技術(shù)學(xué)院 沈繼云

手骨骨齡作為人類的生物學(xué)年齡，可以準(zhǔn)確反映生物個體的發(fā)育水平及其成熟度。青少年的骨齡評估結(jié)果可對其生長發(fā)育情況及身高預(yù)測提供理論依據(jù)。本文提出一種基于細(xì)粒度圖像分類原理的深度卷積神經(jīng)網(wǎng)絡(luò)模型。該模型在青少年手骨圖像識別的過程中可自動定位信息豐富區(qū)域并提取其局部特征，然后，將提取到的這些局部特征與圖像的全局特征融合在一起，利用融合后的特征進(jìn)行骨齡分類。該方法不需要借助任何的圖像的標(biāo)注信息，即可實(shí)現(xiàn)端到端的骨齡評估，大大提高了骨齡評估的速度和準(zhǔn)確度。通過實(shí)驗(yàn)表明，本文方法在基于弱監(jiān)督的細(xì)粒度圖像分類的骨齡評估方面達(dá)到了較好的性能。

骨齡的概念最早是在醫(yī)學(xué)領(lǐng)域被提出和應(yīng)用的，用來監(jiān)測兒童的發(fā)育和成長。骨齡一般使用左手和手腕的X射線圖進(jìn)行骨齡評估（Bone Age Assessment,BAA）[1]。醫(yī)生會觀察左手掌骨、指骨、腕骨及橈骨和尺骨下端的骨化中心的發(fā)育情況。通過X射線片來確定兒童骨齡[2]。由于處于不同階段的手骨具有不同的形態(tài)學(xué)特征，因此，BAA可以更準(zhǔn)確地反映一個人的生長發(fā)育水平和成熟度。它不僅可以確定兒童的生理年齡，還可以了解兒童的生長和發(fā)展?jié)摿σ约靶猿墒斓内厔?。目前，BAA方法分為TW評分法和G-P圖譜法[3]。TW方法通過分析相關(guān)的骨形態(tài)特征，對手部的每個部位進(jìn)行評估和打分，最后將不同區(qū)域的分?jǐn)?shù)累積起來，得到最終的骨齡。G-P圖譜法是一種圖像比較方法。該方法將評估的圖像與標(biāo)準(zhǔn)圖像進(jìn)行比較，以與評估圖像相似度最高的標(biāo)準(zhǔn)圖像的骨齡為其估計(jì)值。TW法的評分方法比G-P圖譜法更客觀，因此，TW法被認(rèn)為比G-P圖集法具有更高的可重復(fù)性[4]。

目前現(xiàn)有的文獻(xiàn)所提的自動骨齡評估方法主要有兩類：一類是兩階段方法；另外一類骨齡估計(jì)方法是端到端的方法。雖然上述方法都取得了比較不錯的結(jié)果，但是也都存在各自的問題，問題主要集中在兩個方面：（1）兩階段的方法雖然使用了卷積神經(jīng)網(wǎng)絡(luò)，但是需要與傳統(tǒng)的機(jī)器學(xué)習(xí)方法相結(jié)合，不能實(shí)現(xiàn)端到端的骨齡評估，實(shí)時(shí)性較差；（2）一些研究即使實(shí)現(xiàn)了端到端的功能，仍然需要預(yù)處理的操作，或者所提的網(wǎng)絡(luò)不能聚焦于信息豐富區(qū)域，導(dǎo)致網(wǎng)絡(luò)不能提取到更深層的特征。

本研究提出一種基于Navigator-Teacher-Scrutinizer（NTS）[5]的弱監(jiān)督卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行青少年骨齡的自動評估，該網(wǎng)絡(luò)在圖像識別的過程中可以自動定位信息豐富區(qū)域（Region of Rich Information, RORI），將RORI局部特征與手骨全局特征融合到一起，利用融合的特征來實(shí)現(xiàn)骨齡的分類。

1 方法

骨齡評估的任務(wù)可看作是把待評估手骨圖片劃分到某個骨齡值圖像類別中去的過程。主要的難點(diǎn)在于具有不同骨齡的手骨圖像的相似度大，可供卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類的特征只有細(xì)節(jié)特征，且僅存在于腕骨、掌指骨骺等局部區(qū)域。那么，算法如何能夠?qū)@些局部信息豐富的區(qū)域?qū)崿F(xiàn)自動的定位便成為了亟待解決的首要問題。

1.1 基于NTS-Net網(wǎng)絡(luò)的自動骨齡評估模型

本研究主要基于NTS-Net網(wǎng)絡(luò)，該網(wǎng)絡(luò)全稱為Navigator-Teacher-Scrutinizer Network。模型由三部分組成：導(dǎo)航員代理、教師代理和審查員代理。導(dǎo)航員模塊能夠在教師模塊的指導(dǎo)下檢測出信息量最豐富的子區(qū)域，之后，審查員模塊仔細(xì)分析導(dǎo)航員建議的子區(qū)域的特征，并利用這些特征進(jìn)行最終預(yù)測。在NTS-Net網(wǎng)絡(luò)模型中，Navigator模型負(fù)責(zé)找出信息最豐富的區(qū)域（RORIs），而教師模型則對Navigator提出的RORIs進(jìn)行評估并給出反饋。之后，審查員模型仔細(xì)檢查分析這些RORIs并做出最終的骨齡預(yù)測。

與傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)不同，為了能更好的聚焦于信息豐富的區(qū)域，模型的主體采用了殘差網(wǎng)絡(luò)（Resnet-50）基線，并在此基礎(chǔ)上設(shè)計(jì)了一個學(xué)習(xí)排序模塊。一般的信息量大的區(qū)域有助于網(wǎng)絡(luò)模型更好地完成目標(biāo)識別，若將信息量大的區(qū)域的特征和圖像的全局特征融合起來，利用融合后的特征進(jìn)行目標(biāo)識別，則可以獲得更好的分類性能。因此，該網(wǎng)絡(luò)模型的核心是自動定位圖像中的信息豐富區(qū)域，并將這些區(qū)域按照置信度進(jìn)行排序。對于輸入圖像X，假設(shè)信息豐富區(qū)域是矩形區(qū)域，信息豐富區(qū)域的集合用A表示，則R∈A表示集合中的RORIs。該方法定義了計(jì)算RORIs的信息量的函數(shù)I，并定義了置信函數(shù)C來評估該區(qū)域?qū)儆谡嬷档闹眯哦取Ｒ话愣?，信息量較大的區(qū)域應(yīng)具有較高的置信度，因此應(yīng)滿足如式（1）所示的條件：

該模型中用導(dǎo)航員模塊代替信息函數(shù)I，教師模塊代替置信度函數(shù)C。簡單地講，該方法先在區(qū)域空間集合A中選擇M個子區(qū)域AM，然后，導(dǎo)航員模塊對所選中的M個子區(qū)域的信息量I(RM)進(jìn)行評估，教師模塊對其置信度C(RM)也進(jìn)行評估。該網(wǎng)絡(luò)對Navigator模塊進(jìn)行優(yōu)化以使{I(R1),I(R2),…,I(RM)}和{C(R1),C(R2),…,C(RM)}具有相同的順序。

綜上，該網(wǎng)絡(luò)將Navigator模塊所預(yù)測的信息最豐富的M個子區(qū)域表示為R={R1,R2,…,RM}，子區(qū)域R所對應(yīng)的信息量表示為I={I1,I2,…,IM}，C={C1,C2,…,CM}表示教師模塊預(yù)測的置信度。最后，在信息最豐富的M個子區(qū)域中，我們選擇信息量最大的前K個子區(qū)域，將這K個子區(qū)域的特征與手骨片的全局特征一起送入審查員模塊進(jìn)行分類，從而完成骨齡的預(yù)測。

為了使置信度函數(shù)C與信息量函數(shù)I具有相同的順序，我們需要對這些信息豐富子區(qū)域R進(jìn)行優(yōu)化。優(yōu)化過程采用的損失函數(shù)有導(dǎo)航員損失和教師損失函數(shù)，如式（2）、式（3）所示。

導(dǎo)航員損失函數(shù)：

教師損失函數(shù)：

其中，函數(shù)f是非遞增函數(shù)，如果Cs>Ci，則促使 Is>Ii，此處f使用Hinge Loss Function。損失函數(shù)對I和C之間的對反向進(jìn)行懲罰，并鼓勵I(lǐng)和C保持相同的順序。

當(dāng)導(dǎo)航員模塊導(dǎo)航到信息最豐富的區(qū)域{R1,R2,…, RK}時(shí)，審查員模塊即給出細(xì)粒度的識別結(jié)果Pi=S(X, R1,R2,…,RK)，并使用交叉熵?fù)p失作為分類的損失，如式（4）所示：

式中，N表示類別數(shù)，yi表示指示變量，Pi是預(yù)測概率。

在基于NTS-Net網(wǎng)絡(luò)進(jìn)行自動骨齡評估的網(wǎng)絡(luò)模型體系結(jié)構(gòu)中，首先將手骨圖像X送入特征提取器模塊（Resnet-50），然后由導(dǎo)航員模塊中的FPN（特征金字塔網(wǎng)絡(luò)）檢測出信息豐富區(qū)域并進(jìn)行區(qū)域的信息量大小的計(jì)算。隨后，將這些信息豐富的區(qū)域送入教師模塊評估這些區(qū)域的置信度，并使區(qū)域置信度C和其信息量I保持相同順序，從而實(shí)現(xiàn)對信息區(qū)域位置的優(yōu)化。當(dāng)其大小排序一致時(shí)，則將信息區(qū)域的特征與原圖的特征一起送入審查員模塊，審查員模塊對這些特征進(jìn)行融合，并利用融合后的特征完成骨齡的預(yù)測。

1.2 快速掃描算法

該數(shù)據(jù)集由帶有骨齡標(biāo)簽的手和腕部X光片組成。X射線圖呈現(xiàn)出高度的可變性，包括不同的采集方法，以及亮度、對比度、分辨率，甚至長寬比的變化等。數(shù)據(jù)集絕大部分圖片是通過計(jì)算機(jī)放射成像（Computed Radiography, CR）或數(shù)字化放射成像(Digital Radiography,DR)獲取的，僅有一小部分圖片是通過膠片獲得的。從膠片獲取的這些圖片除了手部區(qū)域外存在大面積的無效區(qū)域。這些無效區(qū)域?qū)τ诠驱g識別毫無用處，同時(shí)也增加了數(shù)據(jù)處理的負(fù)擔(dān)。為了裁剪掉這些無效區(qū)域，本文提出了一種基于掃描線的快速掃描算法來提取手骨的有效區(qū)域。有效區(qū)域的定義如圖1中的白色框所示。

圖1 有效區(qū)域提取方法示意 Fig.1 Valid region extraction method

（頂行：原始數(shù)據(jù)；底行：通過掃描算法提取的有效區(qū)域）

基于掃描線的快速掃描算法的步驟如下：

（1）輸入一張?jiān)紙D像I和閾值T；

（2）確定掃描方向（行或列）；

（3）開始掃描；

（4）計(jì)算掃描線上每個像素的強(qiáng)度L；

（5）計(jì)算該掃描線上的最大灰度差Llim；

（6）將Llim與T進(jìn)行比較，如果Llim>T則返回（7），否則返回（3）；

（7）停止掃描；

（8）記錄掃描線的位置（Xleft,Xright,Ytop,Ybottom）；

（9）計(jì)算中心X0，Y0和有效區(qū)域的高度H，寬度W；

（10）輸出具有有效區(qū)域的圖像Ivr。

這個預(yù)處理算法的目的用來驗(yàn)證簡單的裁剪預(yù)處理是否能夠提高本文模型的性能。

2 實(shí)驗(yàn)結(jié)果

2.1 數(shù)據(jù)預(yù)處理

（1）數(shù)據(jù)獲取。本研究使用RSNA 2017的兒科骨齡數(shù)據(jù)集為研究對象。該數(shù)據(jù)集共包含6833張男性和5778張女性的X光手骨圖片，年齡范圍從1個月到228個月。每張圖片都由專家手工標(biāo)注。這些數(shù)據(jù)中有一小部分圖片是由膠片獲得的。我們挑選出其中帶有無效區(qū)域的樣本，用于后續(xù)的預(yù)處理算法的必要性分析。其中，包括男性150張，女性157張。故最終用于訓(xùn)練和測試的數(shù)據(jù)集共包含男性手骨圖像6683幅和女性手骨圖像5621幅。

RSNA數(shù)據(jù)集中的手骨圖片樣本在不同年齡類別上的數(shù)量分布是不平衡的，有些月齡的樣本數(shù)僅為1張，而最多的達(dá)718張，這樣的分布使得模型的分類準(zhǔn)確度大大降低。因此，需要對該數(shù)據(jù)集進(jìn)行增強(qiáng)以擴(kuò)充數(shù)據(jù)，達(dá)到樣本均衡的目的。

（2）圖像數(shù)據(jù)增強(qiáng)。深度學(xué)習(xí)是一種標(biāo)準(zhǔn)的數(shù)據(jù)驅(qū)動模型的方法，作為黑箱的深度網(wǎng)絡(luò)嚴(yán)重依賴于大量的數(shù)據(jù)來解決問題，而本研究中的圖片樣本分布不均衡，因此，需要對該數(shù)據(jù)集進(jìn)行擴(kuò)展。

分類網(wǎng)絡(luò)的數(shù)據(jù)集擴(kuò)展的方法通常有平移、旋轉(zhuǎn)等仿射變換法、鏡像法、彈性形變法[6]等。由于手骨圖像具有高度的一致性，如手所擺放的位置以及背景顏色等，如果隨意選擇數(shù)據(jù)增強(qiáng)的方法會破壞這種一致性。經(jīng)仔細(xì)研究，本實(shí)驗(yàn)選擇了縮放、位移、旋轉(zhuǎn)、剪切以及彈性形變5種方式將每個年齡的圖片樣本增加到約60個。最終，得到男性手骨圖像12501幅和女性手骨圖像10461幅。如圖2所示給出了數(shù)據(jù)增強(qiáng)方法及其增強(qiáng)的結(jié)果。

圖2 數(shù)據(jù)增強(qiáng)方法及結(jié)果Fig.2 Data augmentation method and results

我們將增強(qiáng)后數(shù)據(jù)的80%作為訓(xùn)練集，其余的20%的樣本用于測試。采用隨機(jī)策略生成訓(xùn)練/測試集分割樣本，共進(jìn)行了5次訓(xùn)練/測試的實(shí)驗(yàn)并取平均值，以最大化地利用樣本。數(shù)據(jù)增強(qiáng)內(nèi)容包括從-45°～45°范圍內(nèi)的圖像旋轉(zhuǎn)，0-0.1比例內(nèi)的圖像平移，0.8-1.1比例內(nèi)的圖像縮放，-8°～8°范圍內(nèi)的圖像剪切，以及α為90°～105°、σ為20的圖像彈性變形。如表1所示給出了增強(qiáng)后的整個數(shù)據(jù)集的分布情況。

表1 增強(qiáng)后的實(shí)驗(yàn)數(shù)據(jù)集分布情況Tab.1 Distribution of augmentation dataset images

2.2 實(shí)驗(yàn)結(jié)果

本實(shí)驗(yàn)在AMAX深度學(xué)習(xí)工作站中完成，深度網(wǎng)絡(luò)模型的參數(shù)設(shè)置如下：局部區(qū)域的數(shù)目K=4，即將4個局部信息豐富區(qū)域的特征和全圖像特征送入到最后的分類網(wǎng)絡(luò)進(jìn)行分類。加載預(yù)訓(xùn)練模型ResNet-50，設(shè)置Pretrained= True。訓(xùn)練過程中Batch Size設(shè)置為16，權(quán)重衰減率設(shè)置為WD=10-4以防止過擬合，學(xué)習(xí)率設(shè)置為0.001。經(jīng)過預(yù)訓(xùn)練的ResNet-50作為特征提取器，利用SGD進(jìn)行算法優(yōu)化，訓(xùn)練過程中每一輪保存一次測試模型，模型大小約113MB左右，本實(shí)驗(yàn)共計(jì)訓(xùn)練100輪次。

（1）骨齡的估計(jì)精度。本實(shí)驗(yàn)采用Top1準(zhǔn)確率、平均絕對誤差（MAE）及標(biāo)準(zhǔn)差等評價(jià)指標(biāo)來評估實(shí)驗(yàn)結(jié)果。骨齡估計(jì)的結(jié)果如表2所示，表中數(shù)據(jù)是訓(xùn)練/測試執(zhí)行5次的平均值。

表2 骨齡評估實(shí)驗(yàn)結(jié)果Tab.2 Experimental results of bone age assessment

測試模型選擇訓(xùn)練過程中精度達(dá)到最高的epoch所對應(yīng)的模型。實(shí)驗(yàn)過程中的損失值變化情況、測試準(zhǔn)確率變化情況分別如圖3、圖4、圖5、圖6所示。圖中標(biāo)號①的線表示損失率Loss，標(biāo)號②的線表示Top1準(zhǔn)確率Accuracy。圖中曲線均為5次訓(xùn)練/測試所得的平均值。

圖3 訓(xùn)練集損失和準(zhǔn)確率的變化曲線（男性）Fig.3 Loss and accuracy curve of training set (male)

圖4 測試集損失和準(zhǔn)確率的變化曲線（男性）Fig.4 Loss and accuracy curve of test set (male)

圖5 訓(xùn)練集損失和準(zhǔn)確率的變化曲線（女性）Fig.5 Loss and accuracy curve of training set (female)

圖6 測試集損失和準(zhǔn)確率的變化曲線（女性）Fig.6 Loss and accuracy curve of test set (female)

本實(shí)驗(yàn)在測試數(shù)據(jù)集上實(shí)現(xiàn)了男性66.38%、女性68.63%的Top1準(zhǔn)確率以及3.71和3.81個月的平均絕對誤差。相比于其他的研究，本模型表現(xiàn)出了最佳的性能，這也說明了基于NTS-Net網(wǎng)絡(luò)引入這種訓(xùn)練范式的有效性。

（2）不規(guī)范樣本的骨齡估計(jì)精度。上面提到的不規(guī)范樣本可能是由于對膠片拍照角度不合適造成的，這些樣本中存在大面積的無效區(qū)域，給骨齡識別帶來一定的困難。本文采用掃描線快速掃描算法去除了這些無效區(qū)域，之后對有效區(qū)域樣本進(jìn)行骨齡估計(jì)，以驗(yàn)證圖像預(yù)處理的必要性。測試模型仍然采用上面（1）中的模型。研究中分別對預(yù)處理前和預(yù)處理后的不規(guī)范樣本進(jìn)行了測試，測試結(jié)果如表3所示。表中數(shù)據(jù)亦是用5個不同的測試模型進(jìn)行測試，結(jié)果取平均值。

由表3可知，與未作任何預(yù)處理的原始圖片相比，經(jīng)過預(yù)處理的男性和女性的骨齡估計(jì)的MAE值分別提高了13.83%和17.53%。本研究表明，僅僅增加一個簡單的預(yù)處理步驟（掃描線掃描算法）就能提高本文模型對骨齡的估計(jì)精度。

2.3 算法對比

作為算法比較，本研究與文獻(xiàn)中公開報(bào)道的與深度學(xué)習(xí)相關(guān)的骨齡評估算法的結(jié)果進(jìn)行了對比。對比結(jié)果如表4所示。

從表4的實(shí)驗(yàn)結(jié)果可以看出，本文方法在骨齡評估方面的性能高于現(xiàn)有的文獻(xiàn)所提的方法。本文所提方法是一種端到端的方法，模型直接接收原始圖像作為輸入，輸出骨齡的類別，且不需要對原始圖像作任何的預(yù)處理。本文方法屬于典型的基于弱監(jiān)督的端到端的骨齡估計(jì)算法，算法的效率較高。同時(shí)，也證明了這種自我監(jiān)督的訓(xùn)練范式對細(xì)粒度圖像分類的有效性。

3 結(jié)論

本文使用基于細(xì)粒度圖像識別的深度卷積神經(jīng)網(wǎng)絡(luò)對青少年的骨齡進(jìn)行了評估研究，該網(wǎng)絡(luò)能夠自動提取手骨X光圖像的局部特征并結(jié)合手骨全圖特征進(jìn)行骨齡評估，是一種端到端的骨齡評估方法。本文模型采用固定比例（8:2）下的隨機(jī)策略生成訓(xùn)練/測試集，共得到5次不同劃分下的測試模型，通過執(zhí)行5次訓(xùn)練/測試實(shí)驗(yàn)取平均值以確保實(shí)驗(yàn)結(jié)果的可靠性。最終，該網(wǎng)絡(luò)模型在RSNA公開數(shù)據(jù)集中男性的預(yù)測準(zhǔn)確率為66.38%、女性的預(yù)測準(zhǔn)確率為68.63%，平均絕對誤差分別為3.71和3.81個月，其結(jié)果優(yōu)于現(xiàn)有引用[7]-引用[12]中的結(jié)果。本文算法收斂速度快，骨齡評估準(zhǔn)確度較高，平均每張圖像的骨齡估計(jì)用時(shí)約為35ms，大大節(jié)省了測試時(shí)間。從應(yīng)用的角度看，如果將本研究成果應(yīng)用于青少年骨齡評估的實(shí)際部署中，該方法可以實(shí)現(xiàn)青少年骨齡的快速實(shí)時(shí)評估，能夠滿足臨床的需求。

但是在研究過程中發(fā)現(xiàn)該方法還存在一些問題。(1)該數(shù)據(jù)集的骨齡樣本分布嚴(yán)重不均衡。在男性131個骨齡類別（0-228月）中最少的樣本只有1張圖片，而最多的樣本達(dá)700多張，如果能收集到各個類別均衡分布的數(shù)據(jù)，則模型的泛化能力將進(jìn)一步提高。(2)對于特征提取網(wǎng)絡(luò)的選擇問題。本文模型中使用的殘差網(wǎng)絡(luò)雖然已經(jīng)有很好的特征提取能力，但是50層的殘差網(wǎng)絡(luò)訓(xùn)練時(shí)產(chǎn)生的參數(shù)量比同樣擁有良好特征提取能力的DenseNet網(wǎng)絡(luò)大，在以后的研究中可以考慮用DenseNet網(wǎng)絡(luò)替代模型中的殘差網(wǎng)絡(luò)。(3)本文探討了對原始手骨圖片進(jìn)行預(yù)處理的必要性。如果僅僅對原始圖片做簡單的裁剪預(yù)處理（如快速掃描算法）對于骨齡識別是有效的。不幸的是，可供裁剪預(yù)處理的不規(guī)范樣本數(shù)過少（男性和女性各約150幅），只占總數(shù)的3%左右。因此，本文將這些樣本單獨(dú)取出進(jìn)行實(shí)驗(yàn)，以驗(yàn)證預(yù)處理技術(shù)是否能夠改善本文模型的骨齡估計(jì)的性能。(4)不同的骨齡估計(jì)方法所使用的數(shù)據(jù)集不盡相同，難以進(jìn)行公平地比較。即使是使用相同的數(shù)據(jù)集時(shí)（RSNA），由于數(shù)據(jù)增強(qiáng)方法的不同，訓(xùn)練/測試集劃分比例不同以及對異常樣本的處理情況，也很難做到完全公平地比較。

引用

[1]MUGHAL A M,HASSAN N,AHMED A.Bone Age Assessment Methods:A Critical Review[J].Pak J Med Sci,2014,30(1):211-215.

[2]張玉青.淺談骨齡在兒童體質(zhì)研究中的應(yīng)用[J].體育教學(xué),1988 (3):55-56.

[3]GREULICH W W,PYLE S I T.Wingate Todd Radiographic Atlas of Skeletal Development of the Hand and Wrist[M].Stanford University Press:Stanford,California,USA,1959.

[4]SATOH M.Bone Age:Assessment Methods and Clinical Applications[J].Clinical Pediatric Endocrinology,2015,24(4):143-152.

[5]YANG Z,LUO T G,WANG D,et al.Learning to Navigate for Fine-Grained Classification[C]//European Conference on Cmputer Vision,2018:438-454.

[6]LI J,WANG D S,LI S,et al.Deep Learning Based Adaptive Sequential Data Augmentation Technique for the Optical Network Traffic Synthesis[J].Optics Express,2019,27(13):18831-18847.

[7]REN X H,LI T T,YANG X J,et al.Regression Convolutional Neural Network for Automated Pediatric Bone Age Assessment From Hand Radiograph[J].IEEE J.Biome Health Informatics,IEEE Journal of Biomedical and Health Informatics,2019,23(5):2030-2038.

[8]LIU B,ZHANG Y,CHU M C,et al.Bone Age Assessment Based on Rank-Monotonicity Enhanced Ranking CNN[J].IEEE Access, 2019(7):976-983.

[9]SPAMPINATO C,PALAZZO S,GIORDANO D,et al.Deep Learning for Automated Skeletal Bone Age Assessment in X-Rag Images[J].Medical Image Analysis,2017(36):41-51.

[10]SOUZA D,OLIVEIRA M M.End-to-End Bone Age Assessment with Residual Learning[C]//31st SIBGRAPI Conference on Graphics, Patterns and Images (SIBGRAPI),2018,197-203.

[11]IGLOVIKOV V,RAKHLIN A,KALININ A.et al.Pediatric Bone Age Assessment Using Deep Convolutional Neural Networks in Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support[M].Springer:Cham,Switzerla nd,2018,300-308.

[12]Hyunkwang Lee,Shahein Tajmir,Jenny Lee,et al.Fully Automated Deep Learning System for Bone Age Assessment[J].Journal of Digital Imaging,2017,30(4):427-441.