技术摘要：
一种基于孪生网络的手腕骨等级分类方法，包括：根据手腕骨在不同生长时期表现出来的不同发育特点，制作参照骨标准数据集；搭建孪生网络模型，用于匹配图像特征相似度；对训练集图像进行数据增强，并与标准集组合图像对，用来训练参照骨等级匹配模型；利用预训练好的匹  全部
背景技术：
骨龄评估的方法有很多种，如图谱法将手骨图片与标准手骨图谱比较，选择最接 近的标准手骨图谱的骨龄作为该手骨图片的骨龄；计分法则根据判定每块参照骨的成熟指 征，通过成熟指征组合计算出骨龄。前者操作简单，但主观性太强；后者评估得到的骨龄偏 差更小，但是操作繁琐。 孪生神经网络是一类包含两个或更多个相同子网络的神经网络架构。鉴于其特殊 的网络结构，人们普遍将其用在图像的局部匹配领域和人脸对比验证。大量学者研究得出， 孪生网络在图像相似度匹配上能发挥巨大的作用。 将深度学习用于手腕骨等级分类及骨龄评估，已经越来越成为发展趋势。然而现 有的方法大多数是基于传统卷积神经网络，对手腕骨图像进行特征提取及分类。这极大程 度上取决于数据集的好坏及分类模型的表征能力。在数据采集困难、模型结构简单等场合 下，分类效果会大打折扣。同时，一个复杂的特征提取网络，往往会消耗大量的模型训练成 本，极大地限制了其在骨龄评估中的深入应用。
技术实现要素：
本发明要克服现有技术的上述缺点，提供一种基于孪生网络的手腕骨等级分类方 法。 本发明解决技术问题采用如下技术方案： 一种基于孪生网络的手腕骨等级分类方法，包括以下步骤： 步骤1：制作标准数据集； 步骤2：搭建孪生网络模型； 步骤3：训练参照骨等级匹配模型； 步骤4：参照骨等级预测。 作为本发明的进一步优化，所述的步骤1具体包括： 1)确定待分类的手腕骨类型，并采集大量该类参照骨图像I； 2)按照参照骨的骨骺有无、骨骺大小、骨骺与干骺端的融合程度等成熟特征，将所 有参照骨图像进行从小到大的排序； 3)根据排序情况，将参照骨图像I分成等级不同的若干组，要求每一组中均为发育 相似的参照骨图像，得到参照骨等级分类数T，8≤T≤10； 4)分别从每一组中随机挑选出N张图像，制作标准数据集B，B＝{Btn|1≤t≤T，1≤n ≤N，N＝3}，t表示成熟度等级。 作为本发明的更进一步优化，所述的步骤2具体包括： 1)搭建孪生网络框架结构，同时接收两张图像作为输入，分别经过一个结构相同 4 CN 111598839 A 说　明　书 2/4 页 且共享权值的子网络，得到两个低维的特征值，并统一输入到误差层； 2)调整网络的输入图像大小为96×96； 3)子网络依次包含3个卷积层和3个全连接层。卷积层的卷积核大小分别为5、5、3， 步长为1；每一个卷积层后均添加一个批量归一化层和卷积核为2、步长为2的最大池化层；3 个全连接层大小分别为512、512、10。 作为本发明的更进一步优化，所述的步骤3具体包括： 1)从参照骨图像I中剔除所有的标准片图像B，形成参照骨训练集M； 2)对训练集进行随机旋转±10度，随机平移10个像素的数据增强操作； 3)针对每一个训练样本m，m∈M，分别从标准片B中随机挑选出1张相似图片以及5 张非相似图片，组成训练对。其中，相似图片是从与样本等级相同的组中任取一张，非相似 图片是从与样本等级不相同的组中各取一张； 4)依次将训练对输入到孪生网络模型中，每次输出两个10维的特征向量v1(x1,x2, x3...x10)，v2(y1,y2,y3...y10)； 5)计算v1、v2的欧式距离D，公式为： 6)计算误差，并反向传播，公式为： 其中，l代表训练对标签，l＝1时表示训练对相似，l＝0时表示训练对不相似；z用 来表示不相似训练对距离的控制程度，我们将它初始化为1，即当不相似训练对距离大于1 时，不参与误差的反向传播。 作为本发明的更进一步优化，所述的步骤4具体包括： 1)通过预训练好的参照骨等级匹配模型，计算所有标准集B的特征向量V，V＝{Vtn| 1≤t≤T，1≤n≤N}； 2)给定预测样本X，通过模型输出其特征向量VX； 3)计算样本X与标准集B中所有等级为t图像的平均欧式距离St，公式为： St＝mean(S(VX,Vt))    (4-1) S(VX,Vt)＝{D(VX,Vtn)|1≤n≤N}    (4-2) 其中，Vt表示V中所有等级为t的图像特征向量，D表示计算两个特征向量的欧氏距 离； 4)计算样本成熟度预测等级p，公式为： 本发明具有如下有益效果： (1)孪生网络结构小，拟合速度快，训练产生的时间成本低； (2)通过组合训练对的形式，避免了神经网络需要大量数据集的要求； (3)本方法适用于人手腕所有参照骨的成熟度等级分类，具备高度可扩展性，同时 面向计分法进行骨龄评估，保证评估结果的准确性。 5 CN 111598839 A 说　明　书 3/4 页 附图说明 图1是本发明方法的孪生网络整体框架结构图。 图2是本发明方法的组合训练对流程图。 图3是本发明方法的流程图。