骨龄是生物学年龄主要判定标准之一,它能准确地反应被测试者生长发育情况。但是,人工估测骨龄耗时长且结果波动大,严重依赖于放射科医生的熟练程度。因此,通过计算机视觉技术来辅助实现骨龄的自动预测是很有必要的,是医学图像领域的研究热点之一。基于传统机器学习算法的骨龄自动/半自动预测方法主要是通过分割关键区域和手动提取特征来实现骨龄评估的,但其预测准确度严重依赖于分割的精度和提取到的特征的有效性。基于深度学习的骨龄预测系统则很好地解决了上述问题,BoNet首次将深度学习运用到骨龄预测中,它端到端地从数据中学习提取特征,不需要分割关注区域和手动提取手骨图像的特征,引起了研究人员的广泛关注。本文主要提出了一个手骨X射线图像骨龄全自动预测的方法。首先,本研究提出了一个基于密集连接的骨龄预测卷积神经网络模型BoNet+,同时,研究了不同代价函数在骨龄预测问题中的表现,发现平均绝对误差函数更加适合做骨龄自动预测问题的代价函数。实验结果表明,本文提出的BoNet+模型预测误差为0.76±0.10岁,相较于基于传统机器学习算法的骨龄预测方法,误差降低58.2%,相较于基于VGG的卷积神经网络模型BoNet,降低了3.8%。但其复杂度远低于BoNet,单次训练速度为BoNet的8倍,网络参数量为BoNet的25%。紧接着,考虑到在现实场景可能存在低质量的X射线图像,本文模拟了高泊松噪声、有标签遮挡和低分辨率三种类型的低质量X射线图像。为了减弱图像质量对骨龄预测的不良影响,提出可以使用基于U-Net的卷积神经网络对低质量图像进行质量提升。根据是否对低质量图像的类型首先进行分类再进行提升,本文将真实场景下的骨龄预测系统分为两种。实验结果表明,无论是否对图像进行有针对性的质量提升还是统一进行提升,两者的预测精度相近。为了解释这一现象,本文提出:如果设计的卷积神经网络模型层数够深且层宽够宽,其拟合能力会越强,可以通过单一模型来同时处理多个任务。