基于轻量化VGG16和注意力机制的骨龄预测研究

本研究旨在提高儿童骨龄预测的准确性,通过引入轻量化VGG16和CBAM(Convolutional Block Attention Module)注意力机制,我们设计了轻量化VGG16网络,通过迁移学习初始化模型,同时利用CBAM注意力机制提取关键特征。在儿童骨龄预测数据集上,轻量化VGG16网络相较于传统VGG16、Res Net34和Mobile Net V2,表现出更高的预测性能,MAE(MeanAbsolute Error)为5.01(月)。实验结果及图像对比验证了模型的优越性,为提高儿童骨龄预测提供了可靠的支持。

手骨X光片骨龄预测中图像预处理的研究

骨龄预测时,手骨X光片经常存在标尺、伪影、噪声、曝光不当等缺陷.采用常规的滤波加深度学习神经网络等模型进行预测往往正确率不高.提出一种X光片骨龄辅助预测的预处理方法,包括使用专门用于生物医学图像分割的U-Net网络将X光片中手骨分割出来,使用图像二值化对U-Net生成的掩模进行去除背景处理,使用灰度直方图均衡的办法解决图像过亮或过暗的问题.经上述精细预处理后,再进行深度学习神经网络预测,实验结果表明精细的预处理对实验结果有很好的改进作用.