基于全局-局部特征融合的双流网络骨龄评估
计算机视觉与模式识别
2025-12-23 v1 机器学习
摘要
骨龄评估 (Bone Age Assessment, BAA) 是临床中广泛使用的技术，可准确反映个体的生长发育水平及成熟度。尽管深度学习已在骨龄评估领域取得进展，但现有方法面临在全局特征与局部骨骼细节之间实现高效平衡的挑战。本研究旨_is develop 基于双流深度学习架构的自动化骨龄评估系统，以实现更高精度的骨龄评估。我们提出的 BoNet+ 模型融合了全局与局部特征提取通道。在全局特征提取通道中引入 Transformer 模块以利用多头自注意力机制增强全局特征提取能力；在局部特征提取通道中嵌入 RFAConv 模块，以在多尺度感受野内生成自适应注意力图，从而提升局部特征提取性能。全局特征与局部特征在通道维度上拼接后由 Inception-V3 网络进一步优化。本方法在 Radiological Society of North America (RSNA) 和 Radiological Hand Pose Estimation (RHPE) 测试数据集上验证，分别实现均值绝对误差 (MAE) 为 3.81 个月和 5.65 个月，结果与最先进技术相当。该 BoNet+ 模型显著减轻了临床工作负担，实现了自动化、高精度且更客观的骨龄评估。
引用
@article{arxiv.2512.18331,
title = {A two-stream network with global-local feature fusion for bone age assessment},
author = {Qiong Lou and Han Yang and Fang Lu},
journal= {arXiv preprint arXiv:2512.18331},
year = {2025}
}