1.一种基于特征区域等级识别的骨龄评估方法，其特征在于，所述方法包括以下步骤：

1)采用faster‑rcnn方法自动对每张手骨片中14块骨头的感兴趣特征区域ROI进行标定和切割，并对图片进行随机旋转、随机平移裁剪、随机中心裁剪的组合操作实现数据增强；

2)构建通道注意力模块，针对输入特征图的通道数、高度、宽度，双池化操作后使用共享多层感知机生成的注意力图谱，视为对特定类别的响应；

所述通道注意力模块构建过程为：

C×H×W

给定输入特征F∈R ，其中C是特征图的通道数，H是特征图的高度，W是特征图的宽度，同时使用平均池化和最大池化的特征，生成两个不同的通道描述符 然C后这两个描述符分别通过一个共享多层感知机模型MLP来生成通道注意力权重图Mc∈R×1×1，将隐藏层规模设置为 其中r是缩减率，默认r＝16；通过共享MLP层后，使用求和得到输出特征，通道注意力计算公式如下：Mc(F)＝σ(MLP(AvgPool(F))+MLP(MaxPool(F)))其中σ表示激活函数Sigmoid，δ表示激活函数Relu， 和 分别表示MLP中第一层和第二层的权重；

3)构建空间注意力模块，针对输入特征图进行双池化操作生成两个二维孔教描述符，并使用7*7的卷积核进行卷及操作，生成空间注意力图；

所述空间注意力模块构建过程为：

C×H×W

对于输入的特征图F∈R ，首先沿着通道轴进行平均池化和最大池化操作，从而生成两个二维空间描述符 和 连接上述两个空间描述符所表示的特

1×H×W

征，然后使用7×7的卷积核进行卷积操作，生成空间注意力图Ms(F)∈R ，空间注意力计算如下：

7×7

Ms＝σ(f ([AvgPool(F)；MaxPool(F)]))

7×7

其中σ表示Sigmoid激活函数，f 表示卷积操作，并且卷积核大小为7×7，C表示输入特征图的通道数；

4)对分类准确率低且等级分布特别不均衡的特征区域使用Focal loss函数，对神经网络模型进行优化。

2.根据权利要求1所述的方法，其特征在于，步骤1)中，切割规则为：每块骨头都用适合的固定大小框进行区域切割，每块骨头切割框大小要确保每张手骨中的该骨头的ROI，但尽量包含少的干扰区域。

3.根据权利要求1或2所述的方法，其特征在于，步骤1)中，所述随机旋转过程为：使用随机角度的旋转，旋转角度在[‑10°,10°]中随机选取，步长为1°。

4.根据权利要求1或2所述的方法，其特征在于，步骤1)中，所述随机平移裁剪为：随机平移的方向为上下和左右，每次选其中各一个方向进行平移，范围根据不同骨头的大小进行调整。

5.根据权利要求1或2所述的方法，其特征在于，步骤1)中，所述随机中心裁剪为：保证每块骨头的ROI包含在数据集的图像中，适量剪小切割框，裁剪数值适情况而定。

6.根据权利要求1或2所述的方法，其特征在于，步骤4)中，所述Focal loss函数应用过程为：将二分类Focal loss函数调整为符合所适合的多分类Focal loss函数，二分类Focal loss函数公式如下：γ

FL(pt)＝‑αt(1‑pt) log(pt)其中pt为预测为正样本的概率，引入一个加权因子αt∈[0,1]，γ是可调聚焦参数，其中γ取值γ≥0，(1‑pt) 就是新增的调制系数；

基于多分类交叉熵函数，使用M表示样本类别数量，设定yic取值0或1，如果该类别预测和样本i的类别相同就取1，否则取0，pic表示预测样本i属于类别c的预测概率，对于加权因子α，针对每一类的情况设置一个αc∈[0,1]，聚焦参数γ统一设置，则多分类模型Focal loss函数表达为：