骨龄评估通过骨骼发育形态推断儿童生长的实际情况,具有很多临床应用,例如诊断内分泌疾病和预测青少年最终的成年身高等。骨龄评估方法根据发展的历程可以分为:基于人工估计的方法、基于传统机器学习的方法和基于深度学习的方法。前两种方法非常依赖临床医师的经验和手工特征的设计,对方法应用的普及具有很大的约束。随着深度学习技术的发展,其强大的数据表达能力引起人们的广泛关注。基于深度学习的骨龄评估方法成为医学图像分析领域的一个活跃的方向。由于骨龄评估是一个小数据集的识别任务,它无法为神经网络提供丰富的训练样本。因此,如何在小样本的情况下获取合格的网络模型成为当前发展的一个严重挑战。针对骨龄评估任务中存在的问题,本文提出了一种基于非下采样轮廓波变换和卷积神经网络相结合的X-ray图像多尺度数据融合框架。现有的基于卷积神经网络的骨龄评估方法直接采用原始空间图像作为网络的输入数据,这种方法需要大量的空间域图像作为训练样本。本文通过执行非下采样轮廓波变换对输入图像进行预处理,提取出丰富的特征集合,获得其多尺度、多方向上的表示。由于骨龄评估任务中标签样例的数量非常有限,将这些特征作为网络的训练数据,在一定程度上缓解了训练数据不足的问题。将得到的各尺度下的非下采样轮廓波变换系数图分别送入卷积神经网络模型,融合不同尺度下的信息,得到最终的预测结果。针对网络模型的设计,本文采用VGGNet作为模型的基础结构,将不同尺度的信息分别送入VGGNet中,形成由多条VGGNet支路构成的复杂网络模型。根据模型支路融合策略的不同,本文设计了两种卷积神经网络模型:基于特征级融合的回归模型和基于决策级融合的分类模型。同时,为了确定最佳的模型结构,对非下采样层数和决策级融合规则等因素进行了详细地分析研究。本文在公共骨龄评估数据集The Digital Hand Atlas上的实验表明,所提出的方法取得了良好的结果,并且性能优于许多先进的骨龄评估方法。特别是该方法与相应的空间域方法相比具有明显的优势(平均绝对误差普遍提高了0.1年以上),在该领域的未来研究中具有很大的潜力。