摘 要：為了更細(xì)節(jié)地提取手部X圖像特征，提出了一種基于改進(jìn)殘差網(wǎng)絡(luò)的骨齡評(píng)估方法。基于TW3方法，結(jié)合輕量高效注意模塊改進(jìn)殘差網(wǎng)絡(luò)，提高細(xì)小顆粒特征的提取準(zhǔn)確率。實(shí)驗(yàn)結(jié)果表明，該方法在西安某三甲醫(yī)院提供的數(shù)據(jù)集上，男、女性的平均絕對(duì)誤差（MAE）分別是0.422 8歲和0.434 1歲，在1歲誤差范圍內(nèi)，男、女性的準(zhǔn)確率分別達(dá)到93.82%和93.16%，明顯地提高了骨齡評(píng)估的準(zhǔn)確率。

關(guān)鍵詞：骨齡評(píng)估；改進(jìn)殘差網(wǎng)絡(luò)；輕量高效注意模塊；TW3

中圖分類(lèi)號(hào)：TP391.4；TP183 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2024）15-0134-05

Bone Age Assessment Method Based on Improved Residual Network

MA Ruiqi， HU Xiaodan， XI Xiulei

（Zhengzhou University of Science and Technology， Zhengzhou 450064， China）

Abstract： In order to extract features from hand X images in more detail， this paper proposes a method of bone age assessment based on improved residual network. Based on the TW3 method， combined with lightweight and efficient attention modules， it improves the extraction accuracy of minuscule particle features. Experimental results demonstrate that the method has the Mean Absolute Error （MAE） of 0.422 8 years and 0.434 1 years for males and females on the dataset provided by a tertiary hospital in Xi'an. Within the one-year error range， the accuracy of males and females reaches 93.82% and 93.16%， respectively， significantly improving the accuracy of bone age assessment.

Keywords： bone age assessment; improved residual network; lightweight and efficient attention module; TW3

0 引 言

骨骺年齡是一種生物學(xué)年齡，簡(jiǎn)稱(chēng)骨齡。其是利用X圖像檢查對(duì)于左手的掌骨、腕骨、橈骨以及尺骨下端的骨化中心的成長(zhǎng)狀態(tài)，從而得到結(jié)果[1-2]。評(píng)估骨齡是一種能夠精確反映人體生長(zhǎng)發(fā)育狀況和成熟度的方法，它不但可以測(cè)定一個(gè)人的生物年齡，而且可以根據(jù)骨齡來(lái)判斷一個(gè)人的生長(zhǎng)發(fā)育潛能和性成熟情況，在某些內(nèi)分泌方面也有很大的幫助，同時(shí)還廣泛應(yīng)用于體育競(jìng)賽領(lǐng)域和司法領(lǐng)域等[3-4]。

我國(guó)臨床領(lǐng)域常用的骨齡評(píng)估方法有計(jì)數(shù)法、Greulich and Pyle（GP）方法[5-6]和Tanner-Whitehouse（TW2，TW3）計(jì)分法[7]。計(jì)數(shù)法顧名思義是計(jì)算骨化中心個(gè)數(shù)并以此來(lái)評(píng)估骨齡，是骨齡評(píng)定的最早方法。骨齡計(jì)數(shù)法認(rèn)為骨化中心出現(xiàn)的年齡與骨成熟的速度為正相關(guān)，骨化中心個(gè)數(shù)異常，則發(fā)育異常。手腕骨化點(diǎn)計(jì)算方法是骨化點(diǎn)的數(shù)量等于實(shí)際年齡加1，即骨化中心數(shù)與實(shí)際年齡相差1，表明該兒童體格發(fā)育接近正常水平。計(jì)數(shù)法常應(yīng)用于10歲以下男孩和女孩，即僅供小年齡的粗測(cè)。G-P圖譜法從骨化中心出現(xiàn)的位置，骨骺與干骺端的占比，某些切跡的出現(xiàn)以及骨骺與干骺端的關(guān)系制定了新生兒到19歲青少年手腕部骨骼成熟度系列X線圖譜，其判讀依據(jù)為每個(gè)骨化中心出現(xiàn)的時(shí)間、大小、形態(tài)、密度。計(jì)數(shù)法計(jì)算骨齡的平均絕對(duì)誤差較大，故國(guó)內(nèi)外很少使用此方法判斷骨骺發(fā)育程度。GP圖譜方法依賴(lài)醫(yī)生豐富的經(jīng)驗(yàn)，主觀性強(qiáng)，不同的醫(yī)生評(píng)估同一X圖像可能會(huì)有不同的結(jié)果。TW計(jì)分法思想為針對(duì)左手一些有特點(diǎn)的骨骺區(qū)域（Regions of Interest，ROIs）進(jìn)行等級(jí)劃分，得到每個(gè)骨骺區(qū)域?qū)?yīng)的等級(jí)分?jǐn)?shù)，將骨骺等級(jí)總分，換算為相應(yīng)的骨齡[8]。TW方法比GP圖譜法更能準(zhǔn)確地進(jìn)行骨齡評(píng)估，但也存在依賴(lài)醫(yī)生主觀經(jīng)驗(yàn)及耗時(shí)長(zhǎng)的問(wèn)題[9]。近年來(lái)，由于深度學(xué)習(xí)技術(shù)飛速發(fā)展，深度學(xué)習(xí)架構(gòu)的創(chuàng)新與改進(jìn)已成為工業(yè)界和學(xué)術(shù)界的熱點(diǎn)問(wèn)題。循環(huán)卷積神經(jīng)網(wǎng)絡(luò)作為一種新的深度學(xué)習(xí)架構(gòu)，在圖像識(shí)別、圖像分類(lèi)和圖像檢測(cè)等領(lǐng)域都展現(xiàn)出了巨大的潛力。

在骨齡評(píng)估研究領(lǐng)域，隨著人工智能的發(fā)掘和興起，也開(kāi)始使用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks， CNNs）[10-11]來(lái)代替?zhèn)鹘y(tǒng)人工閱讀X圖像進(jìn)行評(píng)估骨骺的發(fā)育程度。2018年，胡婷鴻等人[12]基于維吾爾族青少年左手腕X影像，利用AlexNet網(wǎng)絡(luò)自動(dòng)化骨齡評(píng)估，在1歲誤差范圍內(nèi)，男、女性測(cè)試集實(shí)現(xiàn)的準(zhǔn)確率分別為79.5%和71.2%。2019年，占?jí)糗姷热薣13]對(duì)四川漢族青少年的左腕部骨骼年齡進(jìn)行了自動(dòng)檢測(cè)，并對(duì)其進(jìn)行了分析。利用改進(jìn)后的AlexNet網(wǎng)絡(luò)進(jìn)行骨齡評(píng)估，在1歲誤差范圍內(nèi)，男、女性的準(zhǔn)確率分別為81.08%，87.56%。2020年，張世杰等人[14]提出一種基于深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)評(píng)估骨骺發(fā)育成熟度的方法，本研究以四川大學(xué)華西二院為研究對(duì)象，在±1歲誤差范圍內(nèi)，取得的準(zhǔn)確率分別為：女性為94.25%，男性為94%；平均絕對(duì)誤差分別是：女性和男性分別是0.512 5歲和0.557 5歲。2021年，唐志豪等人[8]提出一種基于RSNA和DHA數(shù)據(jù)樣本使用結(jié)合高效通道注意模塊的殘差網(wǎng)絡(luò)進(jìn)行骨骺發(fā)育程度的評(píng)估，當(dāng)誤差為1歲時(shí)，平均絕對(duì)誤差分別為4.69個(gè)月和5.98個(gè)月，評(píng)估骨齡的準(zhǔn)確率可以達(dá)到98.36%和94.88%。

為了能夠使網(wǎng)絡(luò)提取更多骨骺信息，實(shí)現(xiàn)更準(zhǔn)確、更高效的骨齡評(píng)估，本文提出一種改進(jìn)的殘差網(wǎng)絡(luò)與注意力模型相結(jié)合的評(píng)估骨齡方法。將殘差網(wǎng)絡(luò)ResNet[15-16]進(jìn)行雙池化融合，結(jié)合輕量高效注意力模塊SA[17]，使網(wǎng)絡(luò)學(xué)習(xí)到更多細(xì)小顆粒骨骺特征。骨齡評(píng)估方法流程如圖1所示。

1 改進(jìn)的骨齡評(píng)估網(wǎng)絡(luò)

1.1 結(jié)合輕量高效注意模塊

為了使卷積神經(jīng)網(wǎng)絡(luò)能夠準(zhǔn)確地關(guān)注輸入骨骺的特征，抑制不感興趣的特征，提高骨齡評(píng)估的準(zhǔn)確率，在殘差網(wǎng)絡(luò)的基礎(chǔ)上加入一種新的高效注意機(jī)制（SA）模型。該模型是集空間注意力和通道注意力為一體，將特征分組和信道替換作為一種輕量級(jí)有效的注意力機(jī)制。該模型如圖2所示。

輕量高效注意機(jī)制模塊采用Shuffle單元（有效構(gòu)建多個(gè)分支結(jié)構(gòu)以實(shí)現(xiàn)對(duì)多個(gè)分支的并行處理，能夠降低計(jì)算量）有效地結(jié)合了兩種類(lèi)型的注意機(jī)制，模塊的功能可以總結(jié)為分裂—轉(zhuǎn)換—集成。具體來(lái)說(shuō)分為四個(gè)部分。

1）特征分組（Feature Grouping），將每個(gè)通道視為一組，將輸入的特征Xk1進(jìn)行分組，沿著通道維度把輸入的特征拆分為G組，根據(jù)每組特征，每個(gè)通道和空間都需要不同的重要性系數(shù)來(lái)增強(qiáng)。這些通道和空間的重要性系數(shù)來(lái)自通道和空間注意力模塊，分別被稱(chēng)為通道（Channel）注意力和空間（Spatial）注意力。

2）通道注意力（Channel Attention）提取Xk1特征，該操作采用簡(jiǎn)單的GAP+Scale+Sigmoid的單層變換。首先經(jīng)過(guò)全局平均池化（GAP）沿空間維度（X，Y）將二維通道壓縮成一維通道，每一個(gè)二維通道都轉(zhuǎn)化為實(shí)數(shù)如式（1）所示：

（1）

然后為了使特征更加明顯，按比例增強(qiáng)每個(gè)通道的特征圖再通過(guò)sigmoid激活實(shí)現(xiàn)，得到Xk1增強(qiáng)特征圖，如式（2）所示：

（2）

式中W1 ∈ RC/2G·1·1，b1 ∈ RC/2G·1·1。

3）空間注意力（Spatial Attention）從不同的視角上提取出Xk2特征，利用深度網(wǎng)絡(luò)中的分組標(biāo)準(zhǔn)化，將通道劃分為G個(gè)群組，并且在每個(gè)群組內(nèi)為每個(gè)群組計(jì)算平均值和變異數(shù)，再進(jìn)行圖像增強(qiáng)，最終，通過(guò)空間注意力機(jī)制模塊獲得了Xk2的特性圖，具體如式（3）所示：

（3）

其中，GN（Group Norm）表示組歸一化，W2 ∈ RC/2G·1·1，b2 ∈ RC/2G·1·1。

4）集成（Aggregation）特征，通過(guò)通道注意力提取Xk1特征和空間注意力提取Xk2特征之后，融合所提取的特征，得到增強(qiáng)的特征圖Xk′=[Xk1′，Xk2′] ∈ RC/G·H·W，采用通道置換操作進(jìn)行組間通信，最終經(jīng)過(guò)SA注意力機(jī)制模塊提取的特征與輸入的特征有相同的尺寸，以繼續(xù)后面的網(wǎng)絡(luò)繼續(xù)學(xué)習(xí)。

SA注意機(jī)制模塊通過(guò)引入“注意力”卷積通道強(qiáng)加于殘差網(wǎng)絡(luò)的殘差單元結(jié)構(gòu)上，構(gòu)成輕量高效注意殘差單元如圖3所示，該圖僅展示了卷積層，安全連接層，平均池化層的融合關(guān)系。

如圖3所示，在原本的殘差單元的基礎(chǔ)上添加了一條用于學(xué)習(xí)權(quán)值的附加通路，用于對(duì)輸出特性圖進(jìn)行校正。首先經(jīng)過(guò)平均池化（Avgpooling）來(lái)縮小樣本的特征圖，再經(jīng)過(guò)注意力卷積通道（Aconv），獲取特征圖，然后經(jīng)過(guò)上采樣放大注意特征圖，最終得到輸入圖像的特征圖。

1.2 結(jié)合輕量高效注意模塊的改進(jìn)殘差網(wǎng)絡(luò)

由于手骨骨骺是一個(gè)動(dòng)態(tài)的生長(zhǎng)過(guò)程并非離散的變化過(guò)程，并且各個(gè)等級(jí)的分類(lèi)屬于細(xì)小顆粒相似特征的提取問(wèn)題，這使得等級(jí)的判定有很大的挑戰(zhàn)性。為了能更好地使卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到關(guān)鍵骨骺的局部特征，提高各個(gè)骨骺等級(jí)評(píng)定的準(zhǔn)確性，在結(jié)合輕量高效注意模塊的基礎(chǔ)上進(jìn)一步改進(jìn)殘差網(wǎng)絡(luò)。改進(jìn)殘差網(wǎng)絡(luò)是將殘差網(wǎng)絡(luò)ResNet的后兩層替換為雙池化層，在網(wǎng)絡(luò)ResNet的最后一個(gè)殘差塊后面分兩個(gè)支路，一條支路是平均池化，另一條支路是最大池化，然后將這兩條支路的通道融合，經(jīng)過(guò)卷積1×1進(jìn)行降維將數(shù)據(jù)展平，再經(jīng)過(guò)全連接操作得到識(shí)別分類(lèi)結(jié)果。結(jié)合高效注意模塊就是在改進(jìn)殘差網(wǎng)絡(luò)的基礎(chǔ)上，在殘差網(wǎng)絡(luò)模塊融合注意力模塊，這種思路可以進(jìn)一步提取更多細(xì)小顆粒骨骺特征信息，結(jié)合注意模塊的改進(jìn)殘差網(wǎng)絡(luò)結(jié)構(gòu)圖如圖4所示。

2 試驗(yàn)分析

2.1 數(shù)據(jù)集收集與增強(qiáng)

本論文的樣本數(shù)據(jù)是以西安一家三甲兒童醫(yī)院手骨X圖像作為數(shù)據(jù)集，然后利用網(wǎng)絡(luò)爬蟲(chóng)等方法得到多張健康左手的圖像，以保證各年齡層次樣本數(shù)據(jù)的平均分配。收集了中國(guó)未成年兒童左手骨圖像，包括男性3 315例（3歲241例、4歲223例、5歲253例、6歲437例、7歲281例、8歲389例、9歲204例、10歲292例、11歲198例、12歲393例、13歲242例、14歲152例、15歲297例、16歲416例），女性2 910例（3歲164例、4歲198例、5歲203例、6歲156例、7歲278例、8歲292例、9歲323例、10歲426例、11歲405例、12歲306例、13歲298例、14歲312例、15歲262例、16歲294例），年齡分布在3～16歲，一共14個(gè)組別。所有試驗(yàn)者都是健康、無(wú)先天疾病的手骨圖像，數(shù)據(jù)集的分布情況如圖5所示。

為了豐富數(shù)據(jù)集，各個(gè)年齡段的數(shù)據(jù)量分布均衡，為了避免在評(píng)定時(shí)過(guò)度擬合，采用圖像旋轉(zhuǎn)的方式擴(kuò)大了樣本的數(shù)據(jù)量，使得各個(gè)年齡段的樣本均勻分布以及各個(gè)級(jí)別的重要骨骺得到較完整的覆蓋。本研究基于TW3評(píng)估方法評(píng)估骨骺發(fā)育程度，首先分割X圖像的13塊關(guān)鍵骨骺區(qū)域，這些區(qū)域分別為橈骨、尺骨、掌骨Ⅰ、掌骨Ⅲ、掌骨Ⅴ、近指Ⅰ、近指Ⅲ及近指Ⅴ、中指Ⅲ和中指Ⅴ，遠(yuǎn)指Ⅰ、Ⅲ、Ⅴ[18]，然后將這些骨骺區(qū)域進(jìn)行等級(jí)識(shí)別，獲取等級(jí)總分轉(zhuǎn)化為相應(yīng)的骨齡。為使關(guān)鍵骨骺的等級(jí)數(shù)量分布均勻，骨骺信息更加清晰，獲取更高的準(zhǔn)確率，利用圖像增強(qiáng)算法，增強(qiáng)骨骺信息的對(duì)比度和清晰度，生成的增強(qiáng)圖像如圖6所示。

2.2 試驗(yàn)環(huán)境

本論文以Windows 10為平臺(tái)，使用 Intel Corei5-9400F CPU和GeForce GTX 1660 Ti兩種GPU為核心，使用了基于深度學(xué)習(xí)的PyTorch框架和Python 3.7。在每一次訓(xùn)練中，將訓(xùn)練樣本的數(shù)量設(shè)定為16，并將初始學(xué)習(xí)率設(shè)定為0.000 1，以防止訓(xùn)練過(guò)程中的梯度爆破式訓(xùn)練失敗。在程序執(zhí)行過(guò)程中，將訓(xùn)練樣本和測(cè)試樣本按照8：2的比率進(jìn)行隨機(jī)分開(kāi)。

2.3 評(píng)價(jià)指標(biāo)

骨齡評(píng)估結(jié)果是使用一種新的評(píng)定方法—平均絕對(duì)誤差對(duì)結(jié)果進(jìn)行分析。依據(jù)年齡、性別等因素，對(duì)評(píng)估結(jié)果根據(jù)年齡分組。在±1歲誤差范圍內(nèi)，將每一個(gè)測(cè)試樣本數(shù)據(jù)的評(píng)估骨齡和真實(shí)年齡加以對(duì)比，得到評(píng)估骨骺年齡的準(zhǔn)確率和平均絕對(duì)誤差值（MAE），其評(píng)估表達(dá)示為：

（4）

其中：N表示手骨圖像數(shù)據(jù)集的總數(shù)；fi表示每個(gè)樣本的實(shí)際年齡；yi表示相對(duì)于真實(shí)骨齡同一樣本的預(yù)測(cè)骨齡。

2.4 試驗(yàn)結(jié)果與分析

為了使骨齡評(píng)估網(wǎng)絡(luò)更好地學(xué)習(xí)骨骺細(xì)顆粒信息，在結(jié)合注意機(jī)制Shuffee Attention（SA）模塊的基礎(chǔ)上進(jìn)行改進(jìn)殘差網(wǎng)絡(luò)。為了驗(yàn)證改進(jìn)殘差網(wǎng)絡(luò)的可行性，將改進(jìn)的ResNet網(wǎng)絡(luò)、ResNet網(wǎng)絡(luò)基于TW3方法做對(duì)比實(shí)驗(yàn)，結(jié)果如表1所示。

由表1可知，改進(jìn)ResNet網(wǎng)絡(luò)相比于ResNet可以更好地評(píng)估性能。在1歲誤差范圍內(nèi)，男、女性的平均絕對(duì)誤差（MAE）分別是0.422 8歲和0.434 1歲，男、女性的準(zhǔn)確率分別達(dá)到93.82%和93.16%，相比較于殘差網(wǎng)絡(luò)，改進(jìn)的殘差網(wǎng)絡(luò)明顯地提高了骨齡評(píng)估的準(zhǔn)確率及降低了平均絕對(duì)誤差。此外，為了驗(yàn)證本文提出的基于改進(jìn)殘差網(wǎng)絡(luò)的骨齡評(píng)估方法的可行性，也就是改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)——改進(jìn)ResNet相對(duì)于其他研究學(xué)者提出的骨齡評(píng)估方法進(jìn)行比較，如胡婷鴻等人[12]、占?jí)糗姷热薣13]、張世杰等人[14]、唐志豪等人[8]，在1歲誤差范圍內(nèi)，本文提出的骨齡評(píng)估方法取得了更高的準(zhǔn)確率和更低的平均絕對(duì)誤差。

3 結(jié) 論

針對(duì)提取骨骺細(xì)小顆粒特征信息以及提高骨齡評(píng)估準(zhǔn)確率的問(wèn)題，本文在ResNet網(wǎng)絡(luò)中引入輕量高效注意模塊SA，并進(jìn)行雙池化融合改進(jìn)殘差網(wǎng)絡(luò)進(jìn)行骨齡評(píng)估。通過(guò)試驗(yàn)結(jié)果表明，改進(jìn)殘差網(wǎng)絡(luò)能有效地提取細(xì)顆粒骨骺特征信息，提高了骨齡評(píng)估的準(zhǔn)確率以及降低平均絕對(duì)誤差。由于數(shù)據(jù)集的年齡分布是3～16歲，假設(shè)增加0～3歲階段的數(shù)據(jù)集，使0～16歲的樣本均勻分布，男、女性的準(zhǔn)確率、平均絕對(duì)誤差覆蓋更加全面。

參考文獻(xiàn)：

[1] 沈繼云.基于NTS深度神經(jīng)網(wǎng)絡(luò)的青少年骨齡評(píng)估方法 [J].數(shù)字技術(shù)與應(yīng)用，2022，40（12）：123-128.

[2] 李睿，張世杰，黃奧云，等.基于深度學(xué)習(xí)的青少年手腕骨骨齡評(píng)價(jià) [J].計(jì)算機(jī)技術(shù)與發(fā)展，2020，30（1）：124-128+134.

[3] 王林.基于數(shù)據(jù)模型的骨齡計(jì)算及身高預(yù)測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn) [D].杭州：浙江工業(yè)大學(xué)，2019.

[4] BIAN Z，ZHANG R. Bone Age Assessment Method Based on Deep Convolutional Neural Network [C]//2018 8th International Conference on Electronics Information and Emergency Communication （ICEIEC）.Beijing：IEEE，2018：194-197.

[5] GARN S M. Radiographic Atlas of Skeletal Development of the Hand and Wrist [J].American Journal of Human Genetics，1959，11（3）：282-283.

[6] BAYER L M. Radiographic Atlas of Skeletal Development of the Hand and Wrist [J].California Medicine，1959，91（1）：53.

[7] MALINA R M，BEUNEN G P. Assessment of Skeletal Maturity and Prediction of Adult Height （TW3 Method） [J].American Journal of Human Biology，2002，14（6）：788-789.

[8] 唐志豪，劉利軍，馮旭鵬，等.結(jié)合高效通道注意模塊的殘差網(wǎng)絡(luò)骨齡評(píng)估 [J].光電子·激光，2021，32（3）：331-338.

[9] 占?jí)糗?，張世杰，陳虎，?骨齡自動(dòng)化評(píng)估的研究進(jìn)展 [J].法醫(yī)學(xué)雜志，2020，36（2）：249-255.

[10] KRIZHEVSKY A，SUTSKEVER I，HINTON G E. ImageNet Classification with Deep Convolutional Neural Networks [C]//Advances in Neural Information Processing Systems 25 （NIPS 2012）.CURRAN ASSOCIATION INC.，2012：1-9.

[11] KRIZHEVSKY A，SUTSKEVER I，HINTON G E. Imagenet Classification with Deep Convolutional Neural Networks [J].Communications of the ACM，2017，60（6）：84-90.

[12] 胡婷鴻，火忠，劉太昂，等.基于深度學(xué)習(xí)實(shí)現(xiàn)維吾爾族青少年左手腕關(guān)節(jié)骨齡自動(dòng)化評(píng)估 [J].法醫(yī)學(xué)雜志，2018，34（1）：27-32.

[13] 占?jí)糗?，張世杰，劉力，?基于深度學(xué)習(xí)自動(dòng)化評(píng)估四川漢族青少年左手腕關(guān)節(jié)骨齡 [J].中國(guó)法醫(yī)學(xué)雜志，2019，34（5）：427-432.

[14] 張世杰，李睿，占?jí)糗?，?基于深度學(xué)習(xí)區(qū)域融合的骨齡評(píng)價(jià)研究 [J].現(xiàn)代計(jì)算機(jī)，2020（9）：54-59+68.

[15] HE K，ZHANG X，REN S，et al. Deep Residual Learning for Image Recognition [C]//2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）.Las Vegas：IEEE，2016：770-778.

[16] 龐絲絲，黃呈鋮.基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類(lèi)研究 [J].現(xiàn)代計(jì)算機(jī)，2019（23）：40-44.

[17] ZHANG Q L，YANG Y B. SA-NetP： Shuffle Attention for Deep Convolutional Neural Networks [C]//ICASSP 2021—2021 IEEE International Conference on Acoustics， Speech and Signal Processing （ICASSP）.Toronto：IEEE，2021：2235-2239.

[18] 谷靜，馬瑞齊，朱恒安.基于卷積神經(jīng)網(wǎng)絡(luò)的X圖像骨齡評(píng)估方法 [J].中國(guó)醫(yī)學(xué)物理學(xué)雜志，2022，39（3）：305-310.

作者簡(jiǎn)介：馬瑞齊（1992—），女，漢族，河南鄭州人，助教，碩士，研究方向：圖像處理；胡曉丹（1995—），女，漢族，河南商丘人，助教，碩士，研究方向：寬帶無(wú)線通信；席秀蕾（1995—），女，漢族，河南濮陽(yáng)人，助教，碩士，研究方向：機(jī)器視覺(jué)。