骨龄识别是判断青少年儿童生长发育状态的最好方法,在临床医学、体育竞技和司法判案等领域都有着广泛的应用。由于手骨可以较为准确的反应整体骨骼生长发育情况,并具有易于拍摄、辐射剂量小等特点,因此国内外普遍将手骨发育情况作为骨龄评价标准。传统的骨龄识别方法基于手骨X光片中各骨化中心的发育程度,并由医师进行人工的骨龄推断,具有主观性强、随机误差大、识别的过程比较复杂、识别周期长等局限性。针对现有骨龄识别方法存在的缺点,本文提出了一种基于深度学习和卷积神经网络的自动骨龄识别方法。主要研究内容和成果如下:(1)研究目前现有的骨龄识别算法或方法的优点和不足,为深度卷积神经网络算法的研究和实现提供思路和启发,同时,深入研究国内外深度学习的最新研究成果,综合考虑现有神经网络模型的结构特点和结构优势,探究不同结构的卷积神经网络在骨龄识别领域的适用性、稳定性和可靠性。(2)研究手骨X光图像数据的预处理,为了去除手骨X光图像主体外的背景信息(标尺、伪影、噪声等),解决图像存在的灰度分布不均匀、空间坐标未对齐等问题,本文首先使用专门针对生物医学图像分割的U-Net模型对手骨X光图像进行图像分割,然后使用直方图均衡化操作使灰度差异明显的图像之间拥有相似的对比度,最后使用基于VGG模块的关键点检测模型,通过仿射变换实现图像的配准操作,得到主体与背景分离、对比度均衡、空间坐标对齐的手骨X光图像。(3)研究基于深度学习和卷积神经网络模型的手骨X光图像特征自动提取,分别设计并实现了基于DenseNet的自动骨龄识别回归模型和自动骨龄识别分类模型,通过分组对比实验,验证了自动骨龄识别的性能及效果。(4)设计并实现了一套基于深度卷积神经网络的自动骨龄识别系统,研究深度学习模型的部署方法,采用谷歌推出的TensorFlow Serving高性能开源库,将训练好的骨龄识别模型部署到线上,为更多的医师和用户提供稳定、高效、便利的诊断辅助和决策支持服务。