返回模型

说明文档

🦴 骨龄回归模型

</div>

🚀 快速开始

</div>

📋 模型概述

🎯 从手部X光片预测骨龄，精度约为±5个月
该基于CNN的模型使用ResNet152架构从手部X光片估计儿童骨龄，MSE约为25（相当于±5个月的预测范围）。

🏥 临床应用价值

准确性：MSE约25个月²（±5个月的典型误差范围）
速度：实时推理（每张图像<1秒）
应用场景：儿童生长发育评估、内分泌疾病筛查
辅助支持：协助放射科医生进行骨龄评估

🧠 架构组件

🏗️ 基础模型：ResNet152（8000万+参数）
🔄 预训练：ImageNet初始化
🎯 任务头：自定义回归层
👥 多模态：图像+性别融合
📐 输入尺寸：256×256 RGB图像

📊 性能指标

指标	数值	说明
MSE	~25 months²	±5个月典型误差
训练损失	1567.98 → 25.26	98.4%改进
收敛	9个epoch	训练稳定
速度	1.69 it/s	支持实时推理

🎯 预期用途

✅ 推荐用途	❌ 不推荐用途
🏥 临床决策支持	🚫 独立诊断
📚 医学教育	🚫 成人骨龄评估
🔬 研究应用	🚫 非手部X光片
👨‍⚕️ 放射科医生辅助	🚫 紧急决策

</div>

📊 训练性能

📈 训练进度

Epoch	损失	改进幅度	状态
1	1567.98	-	🔴 起始
2	178.89	-88.6%	🟡 学习中
5	63.82	-95.9%	🟠 收敛中
9	24.15	-98.5%	🟢 最佳
10	25.26	-98.4%	🔵 最终

</div>

📋 训练配置

📦 数据集：RSNA骨龄数据集（12,500张图像）
⏱️ 时长：约1.5小时（10个epoch）
🎯 优化器：SGD/Adam（详见代码）
📊 批大小：约32（395批次/epoch）
🔄 最佳检查点：第9个epoch（MSE：24.15）

🚀 使用示例

🐍 Python - PyTorch

# 📦 安装
pip install torch torchvision pillow

# 🔮 推理
from PIL import Image
import torch
from finetune_resnet_bone_age import BoneAgeResNet, transforms

# 📥 加载模型
model = BoneAgeResNet()
model.load_state_dict(torch.load('resnet_bone_age_80m.pt'))
model.eval()

# 🖼️ 准备输入
image = Image.open('hand_xray.png').convert('RGB')
img_tensor = transforms(image).unsqueeze(0)
gender = torch.tensor([0.0])  # 0=男性, 1=女性

# 🎯 预测
with torch.no_grad():
    predicted_age = model(img_tensor, gender)
    print(f"🦴 预测骨龄：{predicted_age.item():.1f} ± 5 个月")

⚡ ONNX Runtime

import onnxruntime as ort
import numpy as np

# 🔧 加载ONNX模型
session = ort.InferenceSession('resnet_bone_age_80m.onnx')

# 🎯 运行推理
outputs = session.run(None, {
    "image": img_array,
    "gender": np.array([[0.0]])  # 0=男性, 1=女性
})

age_months = outputs[0][0]
print(f"🦴 骨龄：{age_months:.1f} 个月 ({age_months/12:.1f} 岁)")

📚 相关工作与背景

🔬 科学基础

骨龄评估是儿科医学中的重要临床工具，传统上使用Greulich-Pyle或Tanner-Whitehouse方法进行。深度学习方法在自动化这一过程方面显示出良好的效果。

📖 主要文献

Larson et al. (2018): "Performance of a Deep-Learning Neural Network Model in Assessing Skeletal Maturity on Pediatric Hand Radiographs" - Radiology
Iglovikov et al. (2018): "Paediatric Bone Age Assessment Using Deep Convolutional Neural Networks" - MICCAI
Liu et al. (2019): "Bone Age Assessment Based on Deep Convolution Features" - Frontiers in Neuroscience

🧠 CNN架构演进

传统CNN：AlexNet、VGG → 医学影像性能有限
ResNet革命：跳跃连接 → 更好的梯度流动，更深的网络
医学适配：迁移学习 + 领域特定微调
多模态融合：图像 + 元数据融合以提高准确性

🔄 与其他方法的比较

方法	架构	MSE	年份
Greulich-Pyle（手动）	人类专家	~20-30	1959
本模型	ResNet152	~25	2024
Iglovikov et al.	VGG-16	~30-35	2018
Larson et al.	CNN集成	~15-20	2018

⚠️ 重要限制

🎯 准确性解读

MSE ≈ 25个月² 意味着典型误差为±5个月

</div>

🏥 临床注意事项

📋 FDA状态：未获FDA批准 - 仅供研究使用
👨‍⚕️ 专业监督：需要医疗监督
🎯 适用人群：在RSNA数据集人口统计上验证
⚖️ 偏见：可能在不同种族群体间存在差异

🔧 技术限制

📸 图像质量：需要清晰、位置正确的手部X光片
👶 年龄范围：针对儿童患者优化（0-18岁）
💾 内存：推理需要约1GB RAM
⚡ 硬件：实时性能建议使用GPU

🚀 部署选项

🔧 快速部署

</div>

🐳 Docker部署

FROM pytorch/pytorch:latest
COPY requirements.txt .
RUN pip install -r requirements.txt
COPY . /app
WORKDIR /app
EXPOSE 8000
CMD ["python", "app.py"]

☁️ 云集成

Hugging Face Inference API：无服务器部署
AWS Lambda：经济高效的推理
Google Cloud Run：可扩展容器部署
Azure Container Instances：企业集成

📊 模型卡片信息

📈 性能摘要

🎯 任务：从手部X光片进行骨龄回归
📊 指标：均方误差（MSE）
🏆 分数：约25个月²（±5个月误差范围）
⚡ 速度：支持实时推理
💾 大小：约320MB（PyTorch），兼容ONNX

🔬 训练详情

📦 数据集：RSNA骨龄数据集（12,500张图像）
🏗️ 架构：ResNet152 + 自定义回归头
⚙️ 参数：8000万+
📊 Epochs：10（第9个epoch最佳）
🔄 收敛：98.4%损失降低

📋 引用

@model{adilbai2024bone_age_resnet,
  title={Bone Age Regression Model (ResNet152, 80M+ params)},
  author={Adilbai},
  year={2024},
  url={https://huggingface.co/Adilbai/bone-age-resnet-80m},
  note={MSE ~25 months², ±5 month typical error}
}