劉潔琳，劉 杰

骨齡評(píng)估系統(tǒng)發(fā)展綜述

劉潔琳，劉 杰

（北京交通大學(xué)計(jì)算機(jī)與信息技術(shù)學(xué)院，北京 100044）

骨齡即骨骼年齡，是人體生物年齡的重要內(nèi)容，它通過(guò)骨骼的生長(zhǎng)﹑發(fā)育﹑成熟﹑衰老的規(guī)律來(lái)推斷年齡。骨齡評(píng)估能較準(zhǔn)確地反映個(gè)體的生長(zhǎng)發(fā)育水平和成熟程度，不僅可以確定兒童的生物年齡，還可以預(yù)測(cè)兒童的生長(zhǎng)發(fā)育潛力及性成熟的趨勢(shì)，在診斷某些遺傳性和內(nèi)分泌疾病方面也具有重大作用。通常人們通過(guò)左手手腕部X線片來(lái)評(píng)估骨齡，近年來(lái)隨著計(jì)算機(jī)輔助技術(shù)的不斷發(fā)展，骨齡評(píng)估由人工逐漸向計(jì)算機(jī)自動(dòng)化轉(zhuǎn)變。本文主要介紹了計(jì)算機(jī)輔助骨齡評(píng)估系統(tǒng)的發(fā)展過(guò)程和其中的主要技術(shù)，總結(jié)了影響骨齡評(píng)估系統(tǒng)的主要因素，并展望其未來(lái)的發(fā)展。

手腕骨；骨齡；計(jì)算機(jī)輔助；骨齡評(píng)估

引言

1 骨齡評(píng)估概述

生物年齡是根據(jù)正常人體生理學(xué)和解剖學(xué)的發(fā)育狀態(tài)所推算出來(lái)的年齡，表示個(gè)體組織結(jié)構(gòu)和生理功能的實(shí)際衰老程度。生物年齡可以通過(guò)身高﹑牙齡﹑骨齡等指標(biāo)確定。骨齡即骨骼年齡，是人體生物年齡的重要內(nèi)容，它通過(guò)骨骼的生長(zhǎng)﹑發(fā)育﹑成熟﹑衰老的規(guī)律來(lái)推斷年齡。骨齡評(píng)估（Bone Age Assessment, BAA）能較準(zhǔn)確地反映個(gè)體的生長(zhǎng)發(fā)育水平和成熟程度，不僅可以確定兒童的生物年齡，還可以預(yù)測(cè)兒童的生長(zhǎng)發(fā)育潛力及性成熟的趨勢(shì)，在診斷某些遺傳性和內(nèi)分泌疾病方面也具有重大作用。骨齡受到許多因素的影響，如性別﹑種族﹑營(yíng)養(yǎng)狀況﹑生活條件﹑社會(huì)環(huán)境等。通常人們通過(guò)左手手腕部X線片來(lái)評(píng)估骨齡，將評(píng)估結(jié)果與生活年齡相比，兩者間的差異可以反映出骨骼發(fā)育的異常。BAA操作簡(jiǎn)單﹑輻射量低﹑可以通過(guò)多個(gè)骨化中心預(yù)測(cè)成熟度，近年來(lái)應(yīng)用愈加廣泛。

臨床上用于骨齡評(píng)估的方法主要是Greulich Pyle（G-P）圖譜法和Tanner Whitehouse（TW）計(jì)分法。G-P圖譜法由Todd (1937)首創(chuàng)[1]，經(jīng)Grealic和Pyle多次修改而成的手腕部骨齡成熟的系列性X線圖譜，包括男子31張標(biāo)準(zhǔn)片，年齡范圍0～19歲；女子27張標(biāo)準(zhǔn)片，年齡范圍0～18歲。該圖譜為男女各設(shè)置一套X線片，每張X線片代表一個(gè)年齡標(biāo)準(zhǔn)骨齡。男初生兒～1歲6個(gè)月期間，每3個(gè)月有一個(gè)標(biāo)準(zhǔn)；1歲6個(gè)月～5歲和11歲～16歲期間，基本上是每半年一個(gè)標(biāo)準(zhǔn)；此外，都是一歲年齡一張標(biāo)準(zhǔn)片。女性骨齡標(biāo)準(zhǔn)片與男性類似。評(píng)價(jià)時(shí)只需將未知X線片與圖譜對(duì)照，找出其中最相近者，即可確定未知片的骨齡。G-P圖譜法簡(jiǎn)便明確，在國(guó)際上廣泛使用。

TW計(jì)分法創(chuàng)建于1962年[2]，Tanner等人以英國(guó)人普通家庭經(jīng)濟(jì)條件兒童少年為對(duì)象，依據(jù)各骨成熟過(guò)程中的形態(tài)變化，將手腕骨的成熟狀況分為9個(gè)等級(jí)，制定出判定骨齡的計(jì)分方法，稱TW1。1972年修訂成TW2標(biāo)準(zhǔn)，TW2與TW1的不同之處在于各骨齡等級(jí)和性別的計(jì)分方面。TW2方法[3]共有20個(gè)感興趣區(qū)（Regions of interest, ROIs），每個(gè)ROI包括骺﹑干骺端﹑骨干3個(gè)部分，并根據(jù)成熟程度劃分成不同的等級(jí)（A,B,C,D,…I）。此外，男性和女性采用不同的權(quán)重計(jì)分。2000年進(jìn)一步修改完成TW3標(biāo)準(zhǔn)。

在我國(guó)，人們大多使用CHN計(jì)分法評(píng)估骨齡。1988年，原國(guó)家體委科教司負(fù)責(zé)組成了“中國(guó)人骨發(fā)育研究”課題組，研究制定中國(guó)人手腕骨發(fā)育評(píng)價(jià)標(biāo)準(zhǔn)。1992年，仿照TW計(jì)分法的研究方法和標(biāo)準(zhǔn)，制訂出CHN計(jì)分法。2005年，研制的中華05計(jì)分法——2005《中國(guó)青少年兒童手腕骨成熟度及評(píng)價(jià)方法》[4]，取代之前的CHN計(jì)分法，在全國(guó)范圍內(nèi)使用。計(jì)分法分期具有明確的量化概念，判定結(jié)果較準(zhǔn)確，重復(fù)性較強(qiáng)。但需提前掌握相關(guān)知識(shí)，操作較為繁瑣。

2 骨齡評(píng)估系統(tǒng)的發(fā)展

2.1 模糊集技術(shù)

20世紀(jì)80年代，出現(xiàn)了第一個(gè)BAA系統(tǒng)[5]。該系統(tǒng)由Sankar和Robert設(shè)計(jì)研發(fā)完成，他們將模糊集理論應(yīng)用于手腕骨的邊緣檢測(cè)中。他們通過(guò)模糊函數(shù)和對(duì)比增強(qiáng)器分割出骨塊邊緣，還根據(jù)模糊性指數(shù)和熵的模糊集提出了灰度級(jí)的自動(dòng)閾值算法。

2.2 基于模型的技術(shù)

1989年，David與Alan共同開(kāi)發(fā)了基于模型的手腕骨自動(dòng)分割系統(tǒng)[6]，并將其命名為HANDX。該系統(tǒng)能夠自動(dòng)地查找﹑分割﹑測(cè)量手腕骨X線片中的骨塊。在預(yù)處理階段，系統(tǒng)通過(guò)模型參數(shù)和基于模型的邊界檢測(cè)方法，將背景區(qū)域與骨塊分離。分割時(shí)，依據(jù)邊界點(diǎn)的位置逐步逼近骨塊的輪廓邊緣。最后，測(cè)量骨塊輪廓相對(duì)于坐標(biāo)軸的長(zhǎng)度與寬度。HANDX系統(tǒng)具有較好的魯棒性和較快的運(yùn)行速度，但是它需要先驗(yàn)知識(shí)來(lái)構(gòu)建模型。

2.3 CACAS系統(tǒng)

1992年，Tanner和Gibbons提出來(lái)計(jì)算機(jī)輔助骨齡評(píng)分系統(tǒng)（Computer- Assisted Skeletal Age Scores, CACAS）[7]。該系統(tǒng)基于每個(gè)骨塊的9張?jiān)蛨D像，用來(lái)代表9個(gè)成熟階段，即每個(gè)階段由一個(gè)圖像模板定義。輸入的X線片通過(guò)手動(dòng)放大每個(gè)骨塊，找到兩三個(gè)最為相似的模板。接著系統(tǒng)自動(dòng)計(jì)算每個(gè)模板的相關(guān)系數(shù)，該系數(shù)是與模板的相似度。CACAS系統(tǒng)。根據(jù)系數(shù)計(jì)算出對(duì)應(yīng)的成熟階段。CACAS系統(tǒng)使得骨齡評(píng)定的穩(wěn)定性大大提升，受到兒童社區(qū)的高度評(píng)價(jià)。

2.4 動(dòng)態(tài)閾值技術(shù)

1993年，Pietka等人通過(guò)指骨和腕骨的分析技術(shù)結(jié)合圖像處理技術(shù)完成對(duì)骨齡的評(píng)估[8]。他們使用左手手腕部的垂直正位X線片，將未曝光的背景區(qū)域移除，根據(jù)閾值圖像計(jì)算平均灰度值。分析閾值圖像中手的形狀，確定腕骨感興趣區(qū)即CROI（Carpal ROI）。通過(guò)固定閾值將手從背景中分離出來(lái)，確定大致的CROI。然后采用動(dòng)態(tài)閾值的方法，使用可變大小的窗口來(lái)區(qū)分骨骼和軟組織。接著使用數(shù)學(xué)形態(tài)學(xué)的方法去除與CROI邊界相交的骨塊，如橈骨﹑尺骨和掌骨。分離在CROI內(nèi)的骨塊，提取特征對(duì)其進(jìn)行描述。該BAA系統(tǒng)選用二維的特征用于分析，對(duì)每個(gè)骨塊均選取8個(gè)特征進(jìn)行描述，選擇時(shí)去除一些區(qū)分度較低的特征降低特征的空間維度。通過(guò)選好的腕骨參數(shù)，能夠進(jìn)一步分析得到骨齡。該BAA系統(tǒng)顯示了多維特征對(duì)于骨齡分析的重要性，其中面積﹑周長(zhǎng)和腕骨骨塊的個(gè)數(shù)是最為重要的特征。這些參數(shù)與指骨參數(shù)一起用于骨齡的評(píng)定。

2.5 傅里葉分析技術(shù)

1995年，Drayer和Cox設(shè)計(jì)了一款計(jì)算機(jī)輔助BAA系統(tǒng)[9]，該系統(tǒng)通過(guò)傅里葉分析TW2標(biāo)準(zhǔn)中的橈骨﹑尺骨和指骨完成骨齡的評(píng)估。分割時(shí)，掃描整幅圖像，通過(guò)模板匹配的方式定位每個(gè)骨塊。然后，計(jì)算機(jī)得出各骨塊的成熟階段，對(duì)每個(gè)骨塊進(jìn)行評(píng)分，從而得出手腕骨整體的評(píng)分，計(jì)算出骨齡。該系統(tǒng)用于對(duì)荷蘭女孩的骨齡評(píng)估，評(píng)估結(jié)果與傳統(tǒng)的專家評(píng)估相近。

2.6 點(diǎn)分布模型技術(shù)

1996年，Al-Taani等人使用點(diǎn)分布模型（Point Distribution Models, PDM）技術(shù)對(duì)骨齡進(jìn)行評(píng)估[10]。該方法大致分為兩個(gè)階段，訓(xùn)練階段和分類階段。訓(xùn)練時(shí)，建立每一類別的所有骨塊的模型，并允許一定程度的形變。分類時(shí)，所有模型與輸入圖像進(jìn)行對(duì)比，該圖像的類別就是與其最接近的模型的類別。當(dāng)模型與輸入圖像匹配時(shí)，他們通過(guò)最小距離分類器作為匹配程度的描述。系統(tǒng)通過(guò)兩個(gè)實(shí)驗(yàn)對(duì)分無(wú)名指的兩個(gè)骨塊進(jìn)行分類（第三末節(jié)指骨和中節(jié)指骨）來(lái)測(cè)試性能。第一個(gè)實(shí)驗(yàn)直接將點(diǎn)分布模型應(yīng)用于末節(jié)指骨，而第二個(gè)實(shí)驗(yàn)將點(diǎn)分布模型應(yīng)用于骨骺部分。實(shí)驗(yàn)結(jié)果顯示，第二個(gè)實(shí)驗(yàn)達(dá)到更好的分類效果。

2.7 貝葉斯技術(shù)

1997年，Mahmoodi等人通過(guò)基于知識(shí)的自動(dòng)視覺(jué)系統(tǒng)來(lái)評(píng)估骨齡[11]?；谥R(shí)的活動(dòng)形狀模型（Active Shape Model, ASM）用于相鄰輪廓的分割和指骨模型的建立。首先，通過(guò)分水嶺算法確定合適的閾值確定手部的輪廓。在確定輪廓后，提取相關(guān)特征如手指凸度和凹度。利用上述特征，通過(guò)峰谷檢測(cè)算法確定出標(biāo)記點(diǎn)從而定位手指。此外，這些標(biāo)記點(diǎn)構(gòu)建的矩形窗口可以定位出指骨，再通過(guò)骨塊形狀的先驗(yàn)知識(shí)結(jié)合ASM完成分割。最后，統(tǒng)計(jì)模型的形狀參數(shù)和紋理參數(shù)經(jīng)過(guò)貝葉斯和回歸處理，完成對(duì)骨齡的評(píng)估。

2.8 主動(dòng)形狀模型技術(shù)

2003年，Niemeijer等人通過(guò)形狀和紋理信息，實(shí)現(xiàn)了自動(dòng)評(píng)估骨齡[12]。他們通過(guò)Cootes和Taylor[13]提出的主動(dòng)形狀模型（Active Shape Model, ASM）技術(shù)分割骨塊。首先，依據(jù)TW2標(biāo)準(zhǔn)，對(duì)全部階段建立平均形狀模型。再建立一個(gè)ASM用于確定待測(cè)ROI中骨塊的形狀和位置，使用普魯克分析與平均形狀對(duì)齊。接著，計(jì)算待測(cè)ROI與平均模型內(nèi)骨塊周圍固定區(qū)域的相關(guān)程度，該過(guò)程得到5個(gè)相關(guān)值，選擇最大的值確定待測(cè)圖像的骨齡階段。此外，這5個(gè)值用作特征作為輸入訓(xùn)練神經(jīng)網(wǎng)絡(luò)（Neural Network, NN）或線性判別分類器（Linear Discriminant, LD）預(yù)測(cè)匹配骨齡階段。結(jié)果表明，一階神經(jīng)網(wǎng)絡(luò)的結(jié)果更好。加大ASM提取的特征數(shù)，可以提高預(yù)測(cè)骨齡階段的準(zhǔn)確率。

2.9 活動(dòng)輪廓技術(shù)

2003年，Luis Garcia等人通過(guò)活動(dòng)輪廓的方法實(shí)現(xiàn)自動(dòng)檢測(cè)骨塊的輪廓[14]。首先，通過(guò)活動(dòng)輪廓（SNAKES）分割出ROI，確定ROI內(nèi)骨塊的輪廓，再通過(guò)SNAKES完成分割。他們還提出一個(gè)新的截?cái)嗉夹g(shù)來(lái)防止SNAKES被外力牽引遠(yuǎn)離骨塊的輪廓邊緣。結(jié)果表明該算法的性能取決于圖像的分辨率，過(guò)低的分辨率使算法無(wú)法正常運(yùn)作。

2.10 梯度向量流SNAKES技術(shù)

2004年，Lin等人提出采用梯度向量流（Gradient Vector Flow, GVF）與SNAKES相結(jié)合的方法完成手腕骨圖像分割來(lái)并提取一系列手腕骨特征[15]。分割前，通過(guò)各向異性非線性擴(kuò)散濾波器進(jìn)行預(yù)處理，來(lái)提高信噪比。采用基于GVF模型的方法檢測(cè)手腕骨骨塊的輪廓邊緣，其步驟如下：（1）輸入圖像；（2）各向異性擴(kuò)散濾波；（3）邊緣圖計(jì)算；（4）GVF圖計(jì)算；（5）初始化手腕骨邊緣；（6）迭代SNAKES模型逼近手腕骨邊緣，完成分割。該算法分割效果較好，可以拓展應(yīng)用于其他骨結(jié)構(gòu)，甚至其他類型的醫(yī)學(xué)圖像中。

2.11 高斯查分算子濾波器技術(shù)

2007年，Giordano等人[16]設(shè)計(jì)了一款全自動(dòng)評(píng)估骨齡的系統(tǒng)。首先，通過(guò)圖像處理技術(shù)提出骨骺/干骺端ROI即EMROIs。EMROIs內(nèi)的骨塊通過(guò)高斯查分算子（Difference of Gaussian, DoG）濾波器提取，并使用直方圖處理技術(shù)選擇自適應(yīng)閾值進(jìn)行增強(qiáng)。接著，參照TW2標(biāo)準(zhǔn)提取相應(yīng)的骨塊特征。該系統(tǒng)并不局限于X線片才能獲取的特征，因此應(yīng)用范圍更廣。但是，僅僅依靠對(duì)于EMROIs的分析并不足以評(píng)估骨齡，未來(lái)的研究工作則是對(duì)手腕骨骨塊的自動(dòng)提取和分類。

2.12 支持向量機(jī)神經(jīng)網(wǎng)絡(luò)技術(shù)

2007年，Hsieh等人提出了基于指骨幾何特征和腕骨模糊信息的自動(dòng)骨齡評(píng)估系統(tǒng)[17]。系統(tǒng)通過(guò)分析手部圖像的幾何特征實(shí)現(xiàn)自動(dòng)評(píng)估。分割時(shí)，提取圖像的生理和形態(tài)學(xué)信息。從指骨ROI和腕骨ROI中提取特征，分別用于對(duì)指骨和腕骨骨齡的預(yù)測(cè)。預(yù)測(cè)時(shí)，采用反向傳播算法，徑向基函數(shù)和支持向量機(jī)（Support Vector Machine, SVM）神經(jīng)網(wǎng)絡(luò)（Neural Network, NN）來(lái)評(píng)估指骨骨齡。10歲之前，腕骨特征是骨成熟度的重要參數(shù)之一；10歲之后，指骨特征則變得更為重要。因此該系統(tǒng)結(jié)合指骨和腕骨特征共同評(píng)估骨齡。實(shí)驗(yàn)結(jié)果表明，當(dāng)兒童小于9歲時(shí)腕骨信息是主要用于骨齡評(píng)估的特征。然而，采用基于指骨的SVM方法時(shí)，評(píng)估 結(jié)果仍保持穩(wěn)定的正確率則表明指骨特征與腕骨相比具有更廣泛的有效性。

2.13 Bone Xpert 技術(shù)

2009年，Thodberg等人設(shè)計(jì)開(kāi)發(fā)了一款名為Bone Xpert的全自動(dòng)BAA系統(tǒng)[18]。該系統(tǒng)由3層架構(gòu)組成。第一層用于重建骨塊邊緣，第二層計(jì)算每個(gè)骨塊的骨齡，第三層將各骨骨齡轉(zhuǎn)換成整體骨齡。系統(tǒng)對(duì)3000幅手腕部X線片訓(xùn)練建模，使用形狀﹑強(qiáng)度﹑紋理信息共同用于骨齡的預(yù)測(cè)。因此系統(tǒng)運(yùn)行時(shí)不需先驗(yàn)知識(shí)和人工干預(yù)，并且具有較高的準(zhǔn)確度。

2.14 基于統(tǒng)計(jì)外觀模型的技術(shù)

2009年，Adeshina等人比較不同的手腕部模型對(duì)骨齡評(píng)估的影響，選擇最為有效的區(qū)域建立模型預(yù)測(cè)骨齡[19]。他們分析了基于170張正常兒童青少年的手腕部X線片，發(fā)現(xiàn)采用聯(lián)合模型得到的結(jié)果更好。經(jīng)過(guò)多次實(shí)驗(yàn)，他們選擇13塊橈﹑尺﹑指骨（RUS）的復(fù)合體和它們的8個(gè)組合模型達(dá)到最好的評(píng)估結(jié)果。

2.15 基于相關(guān)原型的SVM分類算法

2013年，Harmsen等人設(shè)計(jì)開(kāi)發(fā)了一款半自動(dòng)BAA系統(tǒng)完成手腕骨骨齡評(píng)估[20]。系統(tǒng)包括5個(gè)部分：（1）提取14個(gè)骨骺ROI；（2）在保留原有特征的基礎(chǔ)上對(duì)每個(gè)ROI進(jìn)行圖像檢索；（3）使用特征訓(xùn)練分類器模型；（4）通過(guò)交叉檢驗(yàn)的方法評(píng)估分類器的性能；（5）將分類器應(yīng)用于待測(cè)圖像。對(duì)每一類別，采用SVM結(jié)合原型圖像的交叉相關(guān)的方法進(jìn)行分類，其中原型圖像通過(guò)隨機(jī)選取各類別的手部圖像得到。該系統(tǒng)的優(yōu)點(diǎn)在于具有較好的魯棒性和普遍性，因?yàn)橄到y(tǒng)所有的先驗(yàn)知識(shí)來(lái)自于參考數(shù)據(jù)庫(kù)而非所需建模的圖像處理算法。與其他算法相比，該系統(tǒng)不需要諸如GP法和TW法對(duì)骨齡級(jí)別描述的語(yǔ)義圖，它是完全基于圖像庫(kù)帶有注釋的數(shù)據(jù)。此外，使用相關(guān)原型減少了應(yīng)用時(shí)一只手所需的對(duì)比次數(shù)，大大提高了分類器的性能。

2.16 基于回歸投票的形狀模型算法

2013年，Lindner等人提出了基于隨機(jī)森林(RandomForests, RF)回歸投票的方法來(lái)搜索模型特征點(diǎn)的最優(yōu)位置，實(shí)現(xiàn)具有魯棒性和準(zhǔn)確性的形狀模型的匹配[21]。將RF回歸投票應(yīng)用于全自動(dòng)形狀模型匹配（Fully Automatic Shape Model Matching, FASMM）系統(tǒng)的手腕骨分割中。該算法的優(yōu)點(diǎn)有：（1）綜合模型特征點(diǎn)周圍多個(gè)區(qū)域的投票；（2）結(jié)合決策樹(shù)多個(gè)獨(dú)立的投票；（3）采用從粗到精的分割策略。實(shí)驗(yàn)證明，該系統(tǒng)與其他見(jiàn)刊的BAA系統(tǒng)分割結(jié)果相比達(dá)到最高的準(zhǔn)確度。同時(shí)，基于RF回歸投票的FASMM不僅可以應(yīng)用于手腕骨分割，還可以用于近端股骨和膝關(guān)節(jié)骨塊的分割中，且均達(dá)到很好的分割效果。

2.17 廣義霍夫變換算法

2014年，Hahmann等人提出了有區(qū)分力的廣義霍夫變換（Discriminative Generalized Hough Transform, DGHT）的算法用于左手手腕部X線片中骨骺區(qū)域的定位[22]。通過(guò)有區(qū)分力的訓(xùn)練算法建立形狀模型，并使用廣義霍夫變換算法得到正﹑負(fù)模型點(diǎn)的權(quán)重。算法整體框架包含多層次的算法，如通過(guò)兩次縮放減少搜索區(qū)域；使用專門訓(xùn)練的DGHT形狀模型。此外，與標(biāo)準(zhǔn)方法相比，他們創(chuàng)新性的提出了標(biāo)記點(diǎn)聯(lián)合算法。將標(biāo)記點(diǎn)與解剖學(xué)中的形狀約束相結(jié)合達(dá)到12個(gè)骨骺ROI的全局最優(yōu)定位。系統(tǒng)的數(shù)據(jù)庫(kù)包含3～19歲的青少年兒童的412幅左手手腕骨X線片，基于數(shù)據(jù)庫(kù)系統(tǒng)分割準(zhǔn)確率高達(dá)98.1%。

2.18 基于尺度不變特征變換的技術(shù)

2015年，Kashif等人提出了尺度不變特征變換（Scale Invariant Feature Transform, SIFT）結(jié)合SVM技術(shù)，實(shí)現(xiàn)骨齡評(píng)估[23]。首先，將數(shù)據(jù)庫(kù)中的數(shù)據(jù)分為30個(gè)類別代表0～18歲，接著從左手手腕部X線片中提取14個(gè)骨骺ROI。使用大津法確定多級(jí)閾值，區(qū)分ROI內(nèi)骨塊和組織。在骨塊的特殊點(diǎn)處提取SIFT特征，通過(guò)多分類SVM對(duì)其進(jìn)行分類。通過(guò)5折交叉檢驗(yàn)驗(yàn)證系統(tǒng)在2個(gè)年齡段（0～18歲和2～17歲）的有效性。結(jié)果顯示，2個(gè)年齡段的平均誤差分別是0.67歲和0.68歲，2個(gè)年齡段的平均準(zhǔn)確度為98.09%。

2.19 基于字典學(xué)習(xí)的技術(shù)

2016年，Sheshasaayee和Jasmine提出了有識(shí)別力的字典學(xué)習(xí)算法完成骨齡評(píng)估[24]。首先使用基于主成分分析（Principal Component Analysis，PCA）噪聲水平評(píng)估算法，消除X線片圖像的噪聲，提高圖像質(zhì)量。接著，使用內(nèi)核支持向量機(jī)(Kernel Support Vector Machine, KSVM)算法，通過(guò)圖像特征準(zhǔn)確的分類圖像，得出待測(cè)圖像的相似性分?jǐn)?shù)。使用有識(shí)別力的字典學(xué)習(xí)（Discriminative Dictionary Learning, DDL）算法根據(jù)相似性分?jǐn)?shù)得出匹配結(jié)果。DDL算法具有較強(qiáng)的靈活度，在未來(lái)的研究中可以探索更多基于DDL框架的理論創(chuàng)新，應(yīng)用情景。

2.20 基于深度學(xué)習(xí)的技術(shù)

2016年，Spampinato等人提出了幾種深度學(xué)習(xí)的方法來(lái)自動(dòng)評(píng)估骨齡，實(shí)驗(yàn)結(jié)果顯示手動(dòng)和自動(dòng)評(píng)價(jià)的平均差異約0.8年[25]。此外，這是第一個(gè)在公共數(shù)據(jù)集上﹑對(duì)所有年齡段﹑種族和性別的數(shù)據(jù)都進(jìn)行測(cè)試，源代碼開(kāi)源可用，為未來(lái)的研究工作提供了堅(jiān)實(shí)的基礎(chǔ)。首先，他們對(duì)現(xiàn)有的訓(xùn)練好的的卷積神經(jīng)網(wǎng)絡(luò)（如OverFeat，GoogLeNet和OxfordNet）在1400張X線片上進(jìn)行測(cè)試，結(jié)果表明即使是根據(jù)普遍圖像訓(xùn)練的深度學(xué)習(xí)算法，也可以應(yīng)對(duì)所有可能情況自動(dòng)地評(píng)估骨齡。他們研究開(kāi)發(fā)可定制的CNN-BoNet-方法，該方法對(duì)全部種族﹑年齡段﹑性別的樣本均具有較好的有效性和魯棒性。BoNet包含5個(gè)卷積層，在最后一個(gè)卷積層之上有一個(gè)形變層處理非剛性物體變形，還有一個(gè)完全連接層連接一個(gè)輸出神經(jīng)元。

3 BAA系統(tǒng)評(píng)估

BAA系統(tǒng)的評(píng)估要基于其結(jié)果的有效性和準(zhǔn)確度，此外運(yùn)行速度也是一個(gè)重要的評(píng)估指標(biāo)?；旧希珺AA包括以下幾個(gè)階段：（1）圖像預(yù)處理；（2）ROI分割；（3）特征提??；（4）特征選擇；（5）分類。每個(gè)階段使用的技術(shù)均對(duì)整體系統(tǒng)的效率產(chǎn)生影響。同樣，ROI或骨化中心的選擇是影響系統(tǒng)運(yùn)行速度和準(zhǔn)確率的重要因素。在不同骨齡階段，骨化中心的預(yù)測(cè)值不同，研究應(yīng)該集中于骨化中心最能描述不同骨齡等級(jí)的特征。

4 總結(jié)

一些影響B(tài)AA性能的因素，同時(shí)也影響著B(niǎo)AA的未來(lái)發(fā)展趨勢(shì)。未來(lái)研究應(yīng)該更加針對(duì)以下BAA系統(tǒng)的過(guò)程和參數(shù)。

(1) 圖像采集：采集手部圖像時(shí)，需要注意其合適的位置﹑方向和曝光。

(2) 預(yù)處理：噪聲和背景的去除﹑圖像增強(qiáng)。

(3) ROI選擇：根據(jù)質(zhì)量﹑密度﹑大小﹑形狀﹑平滑度﹑變換厚度等特點(diǎn)選擇ROI

(4) 分割：圖像轉(zhuǎn)換技術(shù)，邊緣檢測(cè)，骨輪廓確定，ROI標(biāo)記，目標(biāo)定位。

(5) 特征提取和選擇：識(shí)別ROI的參數(shù)﹑特征識(shí)別的參數(shù)；去除無(wú)關(guān)特征，強(qiáng)調(diào)重要特征。

(6) 分類：特征分析，確定特征權(quán)重；分類器選擇，分類器分析；匹配結(jié)果分析，降低錯(cuò)誤分類，提高成功率。

BAA系統(tǒng)對(duì)骨齡客觀化的評(píng)估受到人們更多的注意，同時(shí)越來(lái)越多的學(xué)者投身于自動(dòng)BAA系統(tǒng)的研發(fā)。隨著圖像處理技術(shù)不斷地發(fā)展，越來(lái)越多的新技術(shù)應(yīng)用于BAA系統(tǒng)中，希望未來(lái)的研究能夠不斷地完善BAA系統(tǒng)，提高骨齡評(píng)估的準(zhǔn)確性，擴(kuò)大系統(tǒng)應(yīng)用的廣泛性。

[1] Greulich P.Radiographic atlas of skeletal development of hand and wrist, 2nd edition[M].California: Stanford University Press, 1959.

[2] Tanner J M, Whitehouse RH, Cameron N, et a1.Assessment of skeletal maturity and prediction of adult height (TW2 method)[M].London: Acad press, 1983: 50-88.

[3] Tanner J M, Heal Y M J, Goldstein H, et a1.Assessment of skeletal maturity[M].London: Harcourt Publishers Limited, 2001: 9-22.

[4] 張紹巖.中國(guó)人手腕部骨齡標(biāo)準(zhǔn)--中華05及其應(yīng)用[M].北京:科學(xué)出版社, 2015:25-75.

[5] Sankar K P, Robert A K.On Edge Detection of X-Ray Images using Fuzzy Sets[J].IEEE T Pattern Anal, 1983, 5(1): 69-77.

[6] David J M, Alan C N.Handx: A Model-Based System for Automatic Segmentation of Bones from Digital Hand Radiographs[J].IEEE Trans Med Imaging, 1989, 8(1): 64-69.

[7] Tanner J M, Gibbons R D.Automatic bone age measurement using computerized image analysis[J].J Ped Endocrinol, 1994, 7(2): 141-145.

[8] Pietka E, Kaabi L, Kuo M L, et al.Feature extraction in carpalbone analysis[J].IEEE Trans Med Imaging, 1993, 12(1): 44-49.

[9] Drayer N M, Cox L A.Assessment of bone ages by the Tanner-Whitehouse method using a computer-aided system[J].Acta Paediatric Suppl, 1995, 406(s406): 77-80.

[10] Al-Taani A T, Ricketts I W, Cairns A Y.Classification Of Hand Bones For Bone Age Assessment[J].ICECS, 1996, 2:1088-1091.

[11] Mahmoodi S, Sharif B S, Chester E G, et al.Automated vision system for skeletal age assessment using knowledge based techniques[J].IEEE conference publication, 1997, 443: 809-813.

[12] Niemeijer M, Ginneken B, Maas C, et al.Assessing the skeletal age from a hand radiograph: Automating the Tanner-Whitehouse method[J].Proc Med Imaging, 2003, 5032:1197-1205.

[13] Cootes T F, Hill A, Taylor C J, et al.The Use of Active Shape Models for Locating Structures in Medical Images[J].Image Vision Comput, 1993, 12(6): 355-365.

[14] Luis R, Mart M, Arribas J I, et al.A fully automatic algorithm for contour detection of bones in hand radiographies using active contours[J].Proc IEEE Int Conf Image Process, 2003, 3: 421-424.

[15] Lin P, Zhang F, Yang Y, et al.Carpal Bone Feature Extraction Analysis in Skeletal Age Assessment Based on Deformable Model[J].J COMPUT SCI TECH, 2004, 4(3):152-156.

[16] Giordano D, Leonardi R, Maiorana F, et al.Epiphysis and Metaphysis Extraction and Classification by Adaptive Thresholding and DoG Filtering for Automated Skeletal Bone Age Analysis[J].Proc of the 29th Conference on IEEE Engineering in Medicine and Biology Society, 2007, 6551-6556.

[17] Hsieh C W, Jong T L, Chou Y H, et al.Computerized geometric features of carpal bone for bone age estimation[J].Chinese Med J, 2007, 120(9):767-770.

[18] Thodberg H, Kreiborg S, Juul A, et al.The Bone Xpert Method for Automated Determination of Skeletal Maturity[J].IEEE Trans Med Imaging, 2009, 28(1):52-66.

[19] Adeshina SA, Cootes TF, Adams JE.Evaluating different structures for predicting skeletal maturity using statistical appearance models[J].Skeletal Maturity, 2009.

[20] Harmsen M, Fischer B, Schramm H, et al.Support vector machine classification based on correlation prototypes applied to bone age assessment[J].IEEE T INF TECHNOL B, 2013, 17(1):190-197.

[21] Linder C, Thiagarajah S, Wilkinson JM, et al.Accurate Bone Segmentation in 2D Radiographs Using Fully Automatic Shape Model Matching Based On Regression-Voting[J].MICCAI, 2013, 16(2):181-189.

[22] Hahmann F, Deserno TM, Schramm H.Epiphyses Localization for Bone Age Assessment Using the Discriminative Generalized Hough Transform[J].Bildverarbeitung Für Die Medizin, 2014.

[23] Kashif M, Jonas S, Haak D, et al.Bone age assessment meets SIFT[J].Spie Med Imaging, 2015.

[24] Sheshasaayee A, Jasmine C.A Novel Pre-processing and Kernel Based Support Vector Machine Classifier with Discriminative Dictionary Learning for Bone Age Assessment[J].Res J Appl Sci Eng Tech, 2016, 12(9):933-946.

[25] Spampinato C, Palazzo S, Giordano D, et al.Deep Learning for Automated Skeletal Bone Age Assessment in X-Ray Images[J].Med Image AnaL, 2016, 36: 41-51.l

A Review of The Development of Bone Age Assessment System

Liu Jielin, Liu Jie
(Computer and Information Technology School, Beijing Jiaotong University, Beijing 100044)

Bone age, an important content of the biological age, describes skeletal growth, development and aging.Bone age measurement plays a signif i cant role in diagnosing hereditary diseases and growth disorders.Bone age assessment using a hand radiograph is an important clinical tool in the area of pediatrics.Recent years, with the continuous development of computer aided technology, bone age assessment gradually shift from artif i cial to computer automation.This paper mainly introduced the development process of computer aided bone age assessment system and its technology, summarizes the main factors that af f ect the bone age assessment system, and prospects the development of the future.

carpal bones; bone age; computer-aid; bone age assessment

TP911.73 [Document Code] A

10.11967/2017150202

TP911.73

A DOI：10.11967/ 2017150202

國(guó)家自然科學(xué)基金（81561836）

劉潔琳（1992-），女，醫(yī)學(xué)圖像處理

劉杰（1965-），男，教授，碩士生導(dǎo)師，醫(yī)學(xué)圖像處理，Email：14120464@bjtu.edu.cn