上撰文介绍其最新研究成果：利用卷积神经网络（CNN）评估儿童骨龄，这一自动骨龄评估系统可以得到与放射科专家相似或更好的结果。该团队评估了手骨不同区域，发现仅对掌骨和近端指骨进行评估，得到的结果与对整个手骨进行评估的结果相差无几。为了克服放射图像的质量和多样性问题，该团队引入了严格的清理和标准化过程，以增强模型的鲁棒性和准确率，提升骨龄评估的准确率、提高结果的可复现性以及临床医生的效率。

因此我们试着将现代深度神经网络架构应用于骨龄评估。下文将描述用全自动深度学习方法解决骨龄评估问题的完整过程，我们所用的数据来自儿科骨龄估计挑战赛（/competitions/4），该比赛由北美放射学会（RSNA）举办。尽管我们的主要目标是要获得尽可能高的准确率，但还是要保持系统的鲁棒性，克服不同医疗中心的不同硬件所生成 X 光片的质量问题和多样性问题。

数据集来自于举办了儿科骨龄挑战赛 2017 的 RSNA。他们从斯坦福儿童医院和科罗拉多儿童医院获取了放射图像，这些图像是在不同时间不同条件下用不同设备拍出来的。专业的儿科放射医师对这些图像进行注释，他们将这些图像与 Greulich 和 Pyle 所著《手部骨骼发育放射图解》进行比较，并在报告中记录骨龄。大赛组委会从这些报告中提取了骨龄信息，并将其作为模型训练的真值。

放射图像在比例、方向、曝光等方面各不相同，而且通常会带有特定的标记。完整的 RSNA 数据集包含 12,611 个训练图像、1,425 个验证图像以及 200 个测试图像。显而易见测试集特别小，且在开发阶段我们并不知道其标签，因此我们从训练集中取出 1000 张放射图像，在这些图像上对模型进行测试。

训练数据包含 5778 名女性和 6833 名男性的放射图像。他们的年龄从 1 个月到 228 个月不等，受试者多为 5 到 15 岁的儿童：

预处理 I：分割和对比

我们工作的关键贡献之一是进行了严格的预处理。为了防止模型因图像伪影学习到错误信息，我们首先通过图像分割来移除图像背景。

本文为机器之心编译，转载请联系本公众号获得授权。