肌肉骨骼疾病影响全世界超过17亿人,并且是造成严重的长期疼痛和残疾的最常见原因,每年有3000万急诊就诊,而且这一数字还在增加。2018年5月25日,吴恩达及斯坦福ML团队开放了一项骨骼医疗影像的数据集MURA。本文旨在利用该数据集,使用卷积神经网络,训练一个可以只通过输入X光影像,从而判断该影像的病患是否患有骨科疾病的二分类系统。由于该数据集本身只给出了阴性和阳性（即罹患疾病）的标签,因此本文只在判断阴阳性的范畴内讨论,并不能具体判断是哪一种疾病。系统的目标是通过采用高召回率的方法（相应降低精确率）,替放射科医生筛除阴性的病例,使其可以专注在系统判断是阳性的病例中。MURA数据集包含四万张图像,但其中噪声颇多。例如:除骨科部位外,其余背景较为杂乱;所有的图像都是对打印出的影像做的扫描,然而这种情况下影像本身已经有了一些放射科医生打印上的字母;许多影像关键部位对比度亮度不足。事实上,后续在训练结束后我使用热力图,查看卷积核的注意力许多时候被背景分摊掉了一大部分。本论文主要完成了以下工作:1.提高图像对比度。这里我使用了自适应直方图均衡化方法。2.对图像的分割（我想单独把骨科部位从杂乱的背景当中截取出来）。这是论文当中最困难也最耗时的一步。我从一开始使用的grab Cut、canny、分水岭算法,以及中间使用生成对抗网络,但结果表明如果是完全无人工干预的情况下,分割的情况与预期目标相去甚远。这也是X光影像本身的特点导致的:靠近边部的肌肉,亮度已经很暗了,极易与背景混淆。最后,我使用开运算组合降噪,可以得到不错的效果。3.对模型的训练:我对比了resnet、densenet以及谷歌最新的Efficient Net中不同深度的网络结构,最后发现densenet169的效果最好。