骨龄评估(Bone Age Assessment)是一项通过比较儿童的骨龄和实足年龄的差异而进行的儿科检查。对比于实足年龄,骨龄的过大或过小都能在一定程度上反映出儿童在生长过程中的激素问题和其他异常,骨龄也被用来预测儿童的未来身高等方面。骨龄评估的主要工作是预测儿童的骨龄,为了能够精确而又有效率地测出骨龄,一个成熟的骨龄评估方法是很有必要的。骨龄评估的方法有着漫长的发展历史,前人的工作已经使得骨龄评估从繁琐又粗略的传统技术,演变到了更精确的专家系统。但是存在的问题也很明显,人类评估环节的存在,会使得最终的结果充满主观和易变性,而且又很费时。深度学习时代的来临使得更精确、更有效率的骨龄评估方法成为可能。深度神经网络模型的训练对样本的要求很高,但是原始的手骨X光片数据存在噪音信息过多和不同类别样本数量不均衡等问题,会影响模型最终的评估效果。本文针对以上问题,以深度学习为理论依据,对骨龄评估的方法展开了研究,研究的主要内容有:1.针对原手骨X光片噪音信息过多的问题,本文提出了一个基于深度神经网络的X光片手骨区域提取方法,主要包括对手骨X光片手骨位置的定位,滑窗取样,样本分类和精确到像素的分割。该方法不仅能将原手骨X光片中的噪音信息给去除,同时也保证了所有图片数据中手骨位置的统一。2.针对传统方法中的人力评估环节所带来的一系列问题,本文提出了一个基于深度神经网络的骨龄评估方法。主要包括不同样本划分方式的尝试、深度神经网络模型的选择,对手骨X光片进行分类和对实验结果做了比较与分析。对于原手骨X光片数据,本文最终找到了适合它的样本划分方式,解决了不同类别样本数量不均衡的问题。实验结果的分析采用了三个指标:完全正确、1岁误差和2岁误差。最好的模型评估准确率为0.507、0.851和0.964。3.人类手骨的图片存在渐变性,骨龄差距越小,手骨图片之间的差异就越小。针对这一特性,本文提出了一个基于距离度量神经网络的骨龄评估方法。与以往方法不同的是,新方法用到的思想主要为用Triplet loss函数来训练深度神经网络,在这个网络的基础上采用了三种不同的方式来做骨龄评估(特征库匹配,SVM模型和特征向量再分类)。三种方式的评估准确率均值为0.542、0.843和0.969。本文主要针对骨龄评估的方法进行了多方面的探索,这对之后骨龄评估方法的成熟有着重要的意义。