李媛，趙歡，梁偉波，鄧振華，張林

四川大學(xué)華西基礎(chǔ)醫(yī)學(xué)與法醫(yī)學(xué)院，四川 成都610041

尸體個體識別通常是比對生前和死后的鑒定資料進行同一認定，通常包括指紋、牙齒和DNA 等。但因尸體高度腐敗無法進行DNA 鑒定，且指紋和牙齒沒有可供比對的生前資料時，需要法醫(yī)工作者找尋其他方法或手段解決尸體的個體識別問題。骨骼的形態(tài)穩(wěn)定，且在影像學(xué)資料中易于觀察，備受法醫(yī)工作者的青睞，基于尸體骨骼影像學(xué)特征進行個體識別已經(jīng)廣泛應(yīng)用于法醫(yī)學(xué)實踐中。近十年來，虛擬解剖技術(shù)在全球范圍盛行，眾多國家將尸體全身CT 檢查作為法醫(yī)病理學(xué)尸體解剖前的常規(guī)程序[1]，這些尸體影像學(xué)資料客觀地保留了死者豐富的骨骼特征，為挖掘死者身份信息提供了更多可能[2]。

利用尸體骨骼影像特征進行個體識別的主要目的可以歸納為兩個方面：一是利用尸體影像學(xué)資料推斷性別、年齡、身高以及種族等法醫(yī)人類學(xué)信息[3]；二是對比生前和死后影像學(xué)資料中的骨骼特征，輔助進行無名尸體的個體識別[4]。

深度學(xué)習(xí)算法使圖像分類能力得到了指數(shù)級的提升，已成為人工智能最為活躍的研究領(lǐng)域之一[5]，且已成功引入臨床醫(yī)學(xué)領(lǐng)域，尤其是涉及以圖像為研究對象的領(lǐng)域，例如放射學(xué)、病理學(xué)和眼科學(xué)等。利用卷積神經(jīng)網(wǎng)絡(luò)自動進行皮膚癌[6]、乳腺癌[7-8]、眼底疾病[9-10]和肺結(jié)節(jié)檢測[11]的診斷，可達到與人類醫(yī)生相當(dāng)?shù)乃?。深度學(xué)習(xí)可自動學(xué)習(xí)抽象的知識表達，即把原始數(shù)據(jù)濃縮成某種知識，這種運算模式與人工觀察影像學(xué)資料進而得出人類學(xué)信息或者同一認定意見的執(zhí)行程序，在邏輯上高度契合。

本文以法醫(yī)影像學(xué)中常用于個體識別的骨骼部位為線索，綜述近年來利用法醫(yī)影像學(xué)資料推斷人類學(xué)信息和利用骨骼影像學(xué)特征進行個體識別的研究進展，著重闡述運用深度學(xué)習(xí)和圖像處理等計算機技術(shù)輔助法醫(yī)影像學(xué)進行個體識別的研究進展。

1 法醫(yī)人類學(xué)信息推斷

法醫(yī)人類學(xué)信息包含種族、性別、年齡和身高等個體特征。對這類個體特征進行推斷是對無名尸體進行個體識別的首要程序。骨骼形態(tài)穩(wěn)定，生前和死后形態(tài)變化較小，此外，醫(yī)學(xué)影像學(xué)技術(shù)為還原骨骼的真實形態(tài)提供了技術(shù)基礎(chǔ)。因此，利用骨骼影像學(xué)特征進行人類學(xué)信息推斷，成為法醫(yī)人類學(xué)的主要研究方向之一?，F(xiàn)階段大部分研究是基于臨床患者的影像學(xué)資料進行，主要集中在兩個方面：一是利用傳統(tǒng)數(shù)學(xué)中的回歸函數(shù)進行性別、年齡、身高與種族的推斷；二是借助計算機算法建立自動推斷系統(tǒng)。

1.1 計算機輔助骨齡推斷

骨齡自動評估在臨床醫(yī)學(xué)領(lǐng)域已被廣泛研究，其中計算機輔助技術(shù)應(yīng)用于骨齡自動評估的研究已從1980 年萌芽發(fā)展至今。MANSOURVAR 等[12]詳細介紹了骨齡自動評估系統(tǒng)的發(fā)展，從1989 年至2013 年，從半自動到全自動，共列出15 個計算機骨齡自動評估系統(tǒng)，并對圖像處理方法的優(yōu)勢與劣勢進行了詳細的介紹，為后續(xù)研究者繪制了一幅精彩的骨齡自動評估系統(tǒng)圖譜。這15 個計算機系統(tǒng)的圖像處理方法核心是圖像分割、圖像增強等技術(shù)[13]。活體骨齡評估通?；谝粡埢蚨鄰垐D像（影像學(xué)資料），目的是獲取骨齡的數(shù)值，符合深度學(xué)習(xí)端到端的訓(xùn)練模式，是深度學(xué)習(xí)的理想應(yīng)用領(lǐng)域之一。2017 年以來，國內(nèi)外相繼出現(xiàn)成功利用左手腕關(guān)節(jié)X 線片進行深度學(xué)習(xí)預(yù)測骨齡的研究報道，且效能都達到了與人工骨齡評估相當(dāng)?shù)乃健?/p>

2017 年，意大利學(xué)者SPAMPINATO 等[14]首次將深度學(xué)習(xí)算法應(yīng)用于骨齡自動評估領(lǐng)域，同時創(chuàng)建了3 種基于ImageNet 遷移學(xué)習(xí)的模型和1 種基于從零開始訓(xùn)練專門針對手部X 線片類圖像的深度學(xué)習(xí)算法CNN-Bone net，輸出為連續(xù)的骨齡值。結(jié)果顯示，CNNBone net模型的輸出年齡與專業(yè)人員人工讀片獲得的結(jié)果之間的平均絕對誤差（mean absolute error，MAE）僅為0.79 歲。該方法對所涉及的4 個種族、不同年齡段和性別的樣本均有較好的評估效果。該研究還提出，雖然遷移學(xué)習(xí)同樣能達到較高的準確性，但專門以骨齡預(yù)測為目的的從零訓(xùn)練算法效果更優(yōu)。

2017 年，LEE 等[15]也開展了基于遷移學(xué)習(xí)和從零訓(xùn)練搭建骨齡自動評估模型。但不同于SPAMPINATO等的研究，他們首先基于圖像增強技術(shù)分割出骨骼區(qū)域作為感興趣區(qū)，以感興趣區(qū)作為輸入搭建模型完成分類，輸出的是1 000 個預(yù)測分類（即骨齡值）。結(jié)果表明，誤差為1 歲以內(nèi)的在女性樣本中占90.4%、在男性樣本中占94.2%。該研究發(fā)現(xiàn)，遷移學(xué)習(xí)的分類結(jié)果要稍優(yōu)于從零訓(xùn)練算法模型。

2017 年，韓國學(xué)者KIM 等[16]基于18 940 張左手X 線片搭建深度學(xué)習(xí)模型，并對其作為專家輔助工具的效果進行了評估。結(jié)果顯示，當(dāng)使用該模型輔助專家進行閱片時，專家評估骨齡的準確率提高了10%，直觀地說明了該模型能夠提供有效的輔助作用。

2018 年，斯坦福大學(xué)放射科LARSON 等[17]利用12 611 張左手X 線片，通過微調(diào)建立了深度殘差網(wǎng)絡(luò)模型，輸出0 到228（19×12）個月的概率分布（即228 個分類）；并利用手腕部X 線片Digital Hand Atlas 公開數(shù)據(jù)集，對該模型以及2009 年THODBERG 等[18]創(chuàng)建的BoneXpert 全自動骨齡評估模型分別進行了測試，將兩者的結(jié)果分別與人工閱片結(jié)果進行比較。結(jié)果顯示，BoneXpert 全自動骨齡評估模型的MAE 為0.73 歲，深度殘差網(wǎng)絡(luò)模型的MAE 為0.61 歲。該研究第一次利用Digital Hand Atlas 公開數(shù)據(jù)集作為測試集評估兩種不同模型的性能，科學(xué)證實了深度學(xué)習(xí)模型用于骨齡推斷的優(yōu)勢。

2018 年，美國學(xué)者MUTASA 等[19]從零訓(xùn)練搭建了專門針對手部X 線片類圖像的骨齡評估模型。該模型包含14 層隱層，取得了目前最佳的骨齡預(yù)測結(jié)果：與真實年齡相比，MAE 為0.54 歲。該研究結(jié)果表明，基于從零訓(xùn)練的模型效果要優(yōu)于基于遷移學(xué)習(xí)的模型效果。2018 年，中國科學(xué)院深圳先進技術(shù)研究院王永燦等[20]利用450 張青少年左手橈骨和尺骨末端X 線片搭建骨齡評估系統(tǒng)。同前述LEE 等的研究，該作者基于目標檢測模型Fast R-CNN，將尺骨和橈骨末端定位后獨立裁剪出來作為模型輸入，然后將骨齡成熟度人工評定結(jié)果作為輸入標簽，分別基于ZFnet和VGGnet 模型對裁剪區(qū)域進行多種方式的遷移訓(xùn)練，找到效果最佳的網(wǎng)絡(luò)模型。結(jié)果顯示，尺骨骨齡階段識別精度為90%，橈骨為92%。該研究實現(xiàn)了利用深度學(xué)習(xí)自動評估尺橈骨骨成熟階段，為分割感興趣區(qū)進行目標檢測提供了參考。

同年，西安交通大學(xué)胡婷鴻等[21]利用維吾爾族青少年左手腕關(guān)節(jié)X 線片，基于遷移學(xué)習(xí)搭建骨齡評估模型，其訓(xùn)練集和驗證集樣本共計331例。結(jié)果顯示，測試集誤差為1.0 歲以內(nèi)的在男性樣本中占79.5%，在女性樣本中占71.2%。該結(jié)果與國外研究結(jié)果（準確率＞90%）存在一定的差距，可能與訓(xùn)練集數(shù)量較少有關(guān)。

2017 年8 月，北美放射學(xué)會（Radiological Society of North America，RSNA）開始組織兒童手腕骨骨齡評估算法競賽，目的是構(gòu)建高精度骨齡評估系統(tǒng)。截至2018 年10 月，已有來自全球32 個研究團隊參加比賽[22]。該競賽使用統(tǒng)一的左手部X 線片作為訓(xùn)練、驗證和測試材料，保證了結(jié)果的可比較性。其中，訓(xùn)練集和驗證集樣本共計1 425 張，測試集200 張。2017 年的比賽中，取得最好結(jié)果的是LEMIGU 團隊，MAE 為4.265 個月，一致性相關(guān)系數(shù)為0.991。

上述研究結(jié)果表明，深度學(xué)習(xí)已經(jīng)成功應(yīng)用于骨齡鑒定領(lǐng)域，且獲得的準確率優(yōu)于人工閱片，提示深度學(xué)習(xí)無論是端到端自動評估骨齡還是作為輔助鑒定工具都具有巨大的潛力。值得注意的是，未成年人的骨齡推斷是臨床研究領(lǐng)域的熱點，上述研究均為利用活體未成年人影像學(xué)資料進行骨齡鑒定的研究，但這并不妨礙其為基于尸體骨骼進行死者年齡推斷的研究提供新的思路。

1.2 計算機輔助性別推斷

性別推斷同樣是無名尸體個體識別的重要程序。既往研究[23]結(jié)果表明，最可靠的性別推斷部位是成人骨盆、顱骨（含下頜骨）以及股骨上段。但是這些研究都是依靠法醫(yī)人類學(xué)專家先確定特征，然后進行人工測量或者依靠軟件進行測量，存在很大的組間和組內(nèi)差異。同時，性別推斷研究均集中在數(shù)學(xué)方程的建立，致力于創(chuàng)建將特定特征作為自變量、性別作為因變量的方程。部分學(xué)者試圖利用計算機圖像處理技術(shù)進行性別推斷研究，最具有代表性的是橢圓傅里葉分析（elliptical Fourier analysis，EFA）[24]。

橢圓傅里葉分析可用于描述鏈編碼的任意封閉的輪廓曲線，對于任意形狀的封閉曲線，均可用橢圓傅里葉級數(shù)來逼近。利用橢圓傅里葉分析能夠?qū)⑿螤钐卣鬓D(zhuǎn)化成可定量的指標，被廣泛應(yīng)用于圖像輪廓的描述和形狀分析[25-26]。傅里葉分析屬于對形態(tài)的定量分析，在很大程度上能替代人工經(jīng)驗得出的結(jié)果，比如性狀的分類、分級等，在法醫(yī)人類學(xué)領(lǐng)域非常有價值[27]。在進行傅里葉分析之前，需對影像學(xué)資料進行大量預(yù)處理，例如尋找合適的封閉圖像。

有學(xué)者[28]利用傳統(tǒng)的機器學(xué)習(xí)方法開展基于顱骨進行性別判斷的研究，分類準確率為96%。但是傳統(tǒng)的機器學(xué)習(xí)仍然需要研究者先確定所利用的性別差異特征。

早在2002 年，SCHMITTBUHL 等[29]利用69 名男性和48 名女性的左側(cè)下頜骨X 線片，僅基于下頜骨形態(tài)利用傅里葉分析進行了性別推斷，準確率在男性群體為84.1%，在女性群體為81.2%。CAPLE 等[30]對全顱骨左側(cè)X 線片呈現(xiàn)的閉合顱骨形態(tài)進行了傅里葉分析，準確率為86%，高于SCHMITTBUHL 等的研究，可能是因為該研究包含更廣的顱骨形態(tài)。意大利法醫(yī)人類學(xué)家CAVALLI 等[31]利用顱骨側(cè)位片（CT 掃描定位圖），將顱骨整個外輪廓作為人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練特征進行性別判斷，準確率為87%。該人工神經(jīng)網(wǎng)絡(luò)與CAPLE 等的傅里葉分析研究結(jié)果相比，準確率并未有很大改善。

這些研究結(jié)果表明，無論是傳統(tǒng)的機器學(xué)習(xí)還是傅里葉分析，均能在一定程度上避免主觀差異，但性別推斷的準確率較低（81.2%～87%）。

2019 年，BEWES 等[32]對臨床1 000名患者的頭顱薄層CT 進行三維重建后獲取三維顱骨左面觀的二維圖像作為輸入，基于遷移學(xué)習(xí)微調(diào)獲得性別推斷深度學(xué)習(xí)模型，準確率為90%（100 個測試集）。該模型實現(xiàn)了端到端的全自動性別判斷，準確率較傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)和傅里葉分析都有了較大的提升。但是該研究僅利用顱骨左面觀的二維圖像，且圖像中包含大量頸椎信息，加上未糾正頭部體位，模型的輸入并不是嚴格意義上的左面觀圖像，還包含了大量顱骨正面圖像信息，因此輸入圖像不嚴格，模型的可解釋性相對較差。

除顱骨外，肱骨和骨盆也是法醫(yī)人類學(xué)性別推斷的常用資料之一。早在2000 年，TANAKA 等[33]便提出了利用橢圓傅里葉函數(shù)值分析肱骨近端輪廓大小和形狀進而推斷性別。在肱骨的二維輪廓圖上定位54 個邊界點，計算27 次諧波的效率，利用橢圓傅里葉函數(shù)值，以質(zhì)心為原點生成了一組肱骨近端輪廓的期望點，性別推斷準確率可達95.7%。2015 年，日本學(xué)者HAYASHIZAKI 等[34]利用傅里葉變換分析骨盆CT 圖像中恥骨下線和坐骨大切跡區(qū)域線的形狀進行性別推斷，樣本包括120 例尸骨，準確率為98.3%。這些研究結(jié)果表明，不同于下頜骨，傅里葉分析在基于肱骨和骨盆的性別推斷上都取得了較高的準確率。

學(xué)者們也曾嘗試基于人工神經(jīng)網(wǎng)絡(luò)利用髕骨和股骨進行性別推斷。2007 年，MAHFOUZ 等[35]使用人工神經(jīng)網(wǎng)絡(luò)方法對髕骨進行性別判斷研究，準確率為96%。2009 年，法國學(xué)者DU JARDIN 等[36]利用股骨上段樣本展開了一系列研究。該研究測量了76 個法國人尸骨樣本的股骨近端4 個非標準測量值（股骨粗隆-股骨干距離、大-小轉(zhuǎn)子距離、大轉(zhuǎn)子寬度、轉(zhuǎn)子頭距離），建立判別法、邏輯回歸和神經(jīng)網(wǎng)絡(luò)3 種模型。結(jié)果顯示，人工神經(jīng)網(wǎng)絡(luò)準確率最高，為93.4%。但該結(jié)果仍然低于TANAKA 等[33]的研究結(jié)果（準確率為95.7%）。

雖然不斷有相關(guān)研究報道且準確性較高，但近十年間人工神經(jīng)網(wǎng)絡(luò)在性別推斷中并未廣泛開展研究，分析可能原因如下：（1）建立模型需要很高的數(shù)學(xué)基礎(chǔ)；（2）該方法仍需要人工確定并手動測量與性別相關(guān)的特征；（3）模型不容易解釋。法醫(yī)人類學(xué)領(lǐng)域利用傅里葉分析方法也有近30 年，但是也并未大規(guī)模開展，可能是由于該方法需要尋找合適的封閉圖像輪廓所致。

不同于傳統(tǒng)的機器學(xué)習(xí)[5]，深度學(xué)習(xí)能夠主動從數(shù)據(jù)中學(xué)習(xí)多層特征，避免耗時的人工特征選擇與提取工程。但深度學(xué)習(xí)需要大量標準的圖像作為輸入，以確保網(wǎng)絡(luò)所學(xué)習(xí)的特征全部來源于特定骨骼（例如僅包含顱骨）特征，從而提高深度學(xué)習(xí)網(wǎng)絡(luò)在法醫(yī)學(xué)鑒定中的適用性。性別推斷屬于典型的二分類任務(wù)，是計算機視覺領(lǐng)域典型的分類問題，因此非常適合利用深度學(xué)習(xí)來輔助解決。期望未來利用深度學(xué)習(xí)進行性別判斷，實現(xiàn)端到端的自動判別，獲得較高的準確率。

2 計算機輔助骨骼影像進行法醫(yī)學(xué)個體識別的研究

由于骨骼具有復(fù)雜多樣的形態(tài)學(xué)征象，在人群中具有高度的個體特異性，且現(xiàn)代醫(yī)學(xué)影像學(xué)提供的眾多圖像后處理技術(shù)為生前死后骨骼資料的對比提供了技術(shù)基礎(chǔ)，有眾多研究投入到挖掘人體骨骼個體識別的潛力和可靠性等領(lǐng)域。這些研究涉及人體多種骨骼結(jié)構(gòu)，例如牙齒、額竇和胸部骨骼等。法醫(yī)影像學(xué)利用骨骼進行個體識別的研究主要集中在3 個方面：一是主觀對比研究，報道案例驗證性結(jié)果；二是利用傳統(tǒng)圖像處理技術(shù)對骨骼圖像進行對比，例如圖像互信息與傅里葉分析等；三是利用計算機分類算法進行判別，將生前和死后的影像學(xué)資料對比作為二分類任務(wù)，借助函數(shù)進行判別。

2.1 牙齒

借助圖像處理技術(shù)或者計算機算法對牙齒的影像學(xué)資料進行比對，最終實現(xiàn)系統(tǒng)自動匹配，是目前牙齒個體識別的研究熱點。

利用圖像處理技術(shù)輔助牙齒個體識別，主要包括3 個常規(guī)程序：牙齒定位、牙齒特征提取和匹配[37]。牙齒定位的目的是獲取獨立的單顆牙齒，盡量減少其他背景信息的干擾。利用牙齒形態(tài)學(xué)特征進行個體識別的研究，主要集中在牙齒分割和匹配問題。常用的分割技術(shù)包括基于閾值分割、基于區(qū)域分割、基于邊緣分割和小波變換。為了克服牙齒輪廓模糊、畸形牙等問題，多項研究提出了眾多專門針對牙齒的分割技術(shù)。但這些分割技術(shù)都是半自動分割方法，需要人工提前標注[38-39]。特征提取和匹配算法包括尺度不變特征變換互信息、混合差分算法和基于細菌菌落優(yōu)化算法[37-41]。

2012 年深度學(xué)習(xí)興起之后，出現(xiàn)了大量關(guān)于利用深度學(xué)習(xí)進行牙齒分割而專門用于牙齒疾病診斷的臨床研究[42-43]。2017 年，日本學(xué)者MIKI 等[44]通過遷移學(xué)習(xí)的方法實現(xiàn)了對AlexNet 網(wǎng)絡(luò)的微調(diào)，搭建了牙齒自動分類的深度學(xué)習(xí)模型。該模型基于42 例牙齒錐形束CT 資料實現(xiàn)微調(diào)，用其中10 例測試模型性能。但是結(jié)果并不理想，牙齒分類的準確率僅為77.1%。圖像預(yù)處理階段利用全卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)牙齒的自動分割和單顆牙齒的提取，但是這種牙齒自動檢測的算法準確率為77.4%，說明全卷積神經(jīng)網(wǎng)絡(luò)無法實現(xiàn)牙齒的精準分割。分析原因在于，該研究只利用少量的樣本來調(diào)整全卷積神經(jīng)網(wǎng)絡(luò)無法讓網(wǎng)絡(luò)學(xué)習(xí)到真正有價值的牙齒特征。因此，需要更多的圖像進行遷移訓(xùn)練或者從零訓(xùn)練，進而建立一個專門進行牙齒分割和判別的深度網(wǎng)絡(luò)模型。

2018 年，ZHANG 等[45]基于牙根尖X 線片，利用深度學(xué)習(xí)算法，將牙齒的正確分類類比為一個32 類的計算機多分類任務(wù)進行研究。該研究利用800張圖像訓(xùn)練網(wǎng)絡(luò)，200 張圖像測試網(wǎng)絡(luò)性能。為克服因訓(xùn)練圖像數(shù)量少而產(chǎn)生的過擬合問題，提出利用標簽樹對每顆牙齒進行多個標簽分解的新方法，解決了數(shù)據(jù)不足的問題。同時，該研究并不是直接訓(xùn)練一個32 類分類任務(wù)的深度網(wǎng)絡(luò)模型，而是利用級聯(lián)網(wǎng)絡(luò)結(jié)構(gòu)對32 個牙齒位置進行自動識別分類。該研究還基于測試集做了圖像檢索任務(wù)用于評估模型性能，召回率是94.8%，表明在200 個測試樣本中，190 個樣本得到了成功匹配。

綜上，利用深度學(xué)習(xí)算法對牙齒進行同一認定的研究已嶄露頭角，但需要通過更多牙齒數(shù)據(jù)樣本來建立更加強大的算法，提高牙齒匹配的準確率。

2.2 額竇

額竇通常于20 歲后停止發(fā)育，在人群中形態(tài)各異，并且額竇位于顱骨內(nèi)，往往形態(tài)保存完整[46-47]。利用額竇進行個體識別的研究和報道較為成熟，其在人群中的唯一性已得到法醫(yī)學(xué)界的廣泛認可[48-49]?；陬~竇豐富的形態(tài)學(xué)特征，學(xué)者們建立了多套識別編碼[50-52]，并對其在不同類型影像學(xué)資料中的可遷移性進行了相關(guān)研究，額竇X 線片編碼同樣適用于額竇CT 冠狀面[53-55]。但是這些系統(tǒng)都是通過人工編碼測量的方式建立起來[56]。CHRISTENSEN[57]于2005 年首次借助計算機軟件系統(tǒng)對額竇進行了定量分析，利用橢圓傅里葉分析研究了503 個樣本的資料（其中305 人擁有生前和死后的頭部X 線片），得到每一個額竇的傅里葉級數(shù)，并利用級數(shù)資料計算似然率，即兩張X 線片來自同一個體與來自不同個體的概率比值。結(jié)果顯示，當(dāng)諧波次數(shù)為20 時描述的額竇輪廓得到了最大的似然率，為21.22。

2013 年以前，對額竇的研究往往都停留在二維圖像上，即使利用CT 影像學(xué)資料，也是基于CT 的二維橫斷面或者冠狀面[58]。之后，醫(yī)學(xué)影像學(xué)三維數(shù)據(jù)處理軟件平臺的發(fā)展，推動了法醫(yī)學(xué)者利用額竇三維形態(tài)多樣性進行同一認定的研究。

2013 年，KIM 等[59]分析了韓國人體模型數(shù)據(jù)庫中150 例尸體頭部CT 資料，利用Mimics 軟件對額竇進行三維重建后分析額竇的三維形態(tài)多樣性。該研究提出并分析了三維額竇的15 個形態(tài)特征指標，并與既往研究進行詳細的對比，發(fā)現(xiàn)三維立體額竇可提供更多的對比特征。

2015年，COSSELLU等[60]利用Mimics軟件對150例頭部錐形線束計算機體層成像（cone beam computed tomography，CBCT）檢查案例進行額竇三維重建，分析了額竇的形態(tài)多樣性。研究發(fā)現(xiàn)，由于兩側(cè)額竇獨立發(fā)育，呈現(xiàn)出額竇發(fā)育的多樣性，所有樣本中兩側(cè)額竇獨立發(fā)育的有21 例，兩側(cè)額竇相互融合的有67 例，只有一側(cè)額竇的有9 例，擁有中間額竇的有53 例。同時，該研究發(fā)現(xiàn)額竇最大冠狀徑、最長矢狀徑、最長橫斷徑和額竇體積具有較強的個體差異，可利用這4 個定量指標進行個體識別。

2015 年，巴西學(xué)者BEAINI 等[61]利用軟件提取了20 例樣本的成對匹配額竇三維模型（即同一人的兩次采集額竇資料），并利用CloudCompare 軟件對額竇表面的三維圖像進行重疊匹配，依據(jù)重疊結(jié)果判斷額竇是否來自同一人。該研究發(fā)現(xiàn)，同一人兩次額竇資料的重疊結(jié)果為100%，正確匹配率為100%。但該研究并未開展不同個體之間的三維額竇重疊研究（即非匹配成對額竇的重疊），而且樣本量較少。

2019 年，意大利學(xué)者GIBELLI 等[62]開展了30對匹配額竇和200 對非匹配成對額竇的三維重疊研究，該研究基于ITK-SNAP 軟件對額竇進行分割獲取額竇三維模型，基于3D elaboration 軟件開展重疊研究，軟件自動計算兩額竇點與點之間距離的均方根（root mean square，RMS）。結(jié)果顯示，在匹配的成對樣本中，RMS 為（0.07～0.96）mm，平均RMS 為（0.35±0.23）mm。而在不匹配的成對樣本中，RMS 為0.96～10.29 mm，平均RMS 為（2.59±1.79）mm。后者的平均RMS 是前者的7 倍，且具有顯著性差異，能夠為法醫(yī)學(xué)個體識別提供一定的證據(jù)支撐。

目前三維額竇模型主要為半自動化方法，即依靠軟件人工操作分割出三維模型，仍需專業(yè)性人員操作且非常耗時，自動分割額竇再進行自動匹配重疊是研究者未來努力的方向之一。挖掘深度學(xué)習(xí)算法進行自動分割匹配有望提高識別的客觀性和準確率，并擺脫生前和死后額竇自動分割時背景噪聲的干擾，從而提高識別的準確性。

2.3 胸部骨骼

2006 年，MUNDORFF 等[63]通過對比生前、死后X線片第7 頸椎和第1 胸椎的棘突形狀，成功進行了個體識別，幾周后的DNA 結(jié)果同樣顯示為同一人。2011 年，STEPHAN 等[64]對12 具野外發(fā)現(xiàn)的尸骨拍攝X 線片，在1 460 例胸片中進行人工肉眼配對試驗。有經(jīng)驗的法醫(yī)人類學(xué)專家通過對比第3 頸椎至第4 胸椎的形態(tài)特征，正確配對率為90%。這些研究雖然在一定程度上提示胸部骨骼具有個體識別的價值，但都是基于人工的經(jīng)驗性判斷，主觀性較強。

為了充分挖掘胸部骨骼個體識別的潛力，澳大利亞學(xué)者STEPHAN 等開展了一系列胸部骨骼個體識別的客觀研究。2014 年，該團隊基于17 例同時有尸體鎖骨和生前胸片的樣本開展了鎖骨個體識別價值的探索[65]?；诟道锶~分析計算17例尸體鎖骨與409張胸片庫（包含尸體生前的17 張胸片）中每個鎖骨的相似度并對相似度進行排名。結(jié)果發(fā)現(xiàn)，75%的尸體鎖骨樣本對應(yīng)的生前胸片都可以在相似度排名前5%的胸片隊列中找到。之后該團隊繼續(xù)開展了更大規(guī)模的對比研究，基于7 361 張胸片，利用30 例尸體鎖骨，同樣基于傅里葉分析計算相似程度[66]。結(jié)果顯示，70%的尸體鎖骨樣本對應(yīng)的生前胸片都可以在相似度排名前10%的胸片隊列中找到。樣本增多后結(jié)果波動幅度較小，說明了該方法的可靠性，也顯示出鎖骨的個體識別價值。

2017 年，日本學(xué)者ISHIGAMI 等[67]開展了對比生前胸片和死后胸部骨骼CT 資料輔助進行個體識別的研究。該團隊收集了27 例同時具有生前胸部X 線片和死后胸部CT 資料的樣本，對死后胸部CT 資料進行最大強度投影處理后僅顯示胸部骨骼，使用支持向量機來學(xué)習(xí)胸部X 線片與胸部骨骼圖像的相似性，并依據(jù)相似度結(jié)果自動排序，即每個胸部骨骼圖像都會有與27 張胸部X 線片相似程度的排序列表。結(jié)果顯示，16 例樣本死后胸部骨骼圖像的相似度列表里最靠前的10 張圖像中有其對應(yīng)的真實胸部X 線片（即與胸部骨骼圖像同屬同一人的胸部X 線片）。同年，日本學(xué)者MATSUNOBU 等[68]開展了利用歸一化互信息的方法對胸部骨骼進行相似度研究。通過對生前和死后胸部CT 圖像進行分割（CT 閾值設(shè)定為250 Hu），獲取三維胸部骨骼模型（僅包括椎骨和肋骨），分別計算了生前死后三維胸部骨骼的二維圖像之間的歸一化互信息值和生前死后三維胸部骨骼模型之間的歸一化互信息值。結(jié)果發(fā)現(xiàn)，同一人兩套圖像的歸一化互信息值均大于不同人兩套圖像的歸一化互信息值，18 例樣本全部成功匹配。但該研究的比對對象僅是胸部的肋骨和椎骨，而且經(jīng)過螺旋CT 容積漫游技術(shù)（volume roaming technology，VRT）處理，骨骼成像清晰，故匹配準確率較高。同時該方法需要死者生前的胸部薄層CT 資料，因此在法醫(yī)學(xué)實踐中應(yīng)用受限。而胸部X 線片較薄層CT 在臨床上應(yīng)用更為廣泛，因此，探索對比死后胸部薄層CT 與生前胸部X 線片進行個體識別的價值具有更大的應(yīng)用前景。

3 總結(jié)與展望

尸體影像學(xué)資料作為尸骨實體的有效替代材料，克服了尸骨樣本量少的研究缺陷，同時借助于影像平臺，可準確測量骨骼指標，優(yōu)于人工直接測量尸骨。用于醫(yī)療目的的影像學(xué)資料通常會保留較長時間，隨著尸體影像學(xué)檢查的普及，對比生前和死后影像學(xué)資料在無名尸體的個體識別工作中具有廣闊的應(yīng)用前景。因此，基于大數(shù)據(jù)平臺，借助計算機實現(xiàn)半自動或自動化的個體識別任務(wù)，是法醫(yī)影像學(xué)尸體骨骼個體識別的研究方向之一。

隨著死后CT 掃描的普及以及CT 后處理技術(shù)和三維可視化技術(shù)的發(fā)展，獲取尸體骨骼的三維模型變得更加容易。因骨骼的三維數(shù)據(jù)包含更豐富的特征，且可進行三維定量、可視化對比，據(jù)此開展一系列生前二維或三維圖像與死后三維圖像的對比研究可為法醫(yī)影像學(xué)骨骼個體識別提供更多的理論支持。

深度學(xué)習(xí)在醫(yī)學(xué)影像疾病診斷和圖像分割上取得了巨大進展。一方面，由于深層神經(jīng)網(wǎng)絡(luò)能夠?qū)⒌图壧卣鹘M合成抽象的高級特征，擁有強大的學(xué)習(xí)圖像特征能力。另一方面，醫(yī)學(xué)影像圖像用于深度學(xué)習(xí)研究具有先天的優(yōu)勢：（1）醫(yī)學(xué)影像圖像是由專門的醫(yī)學(xué)放射設(shè)備采集而來，具有較高的質(zhì)量；（2）醫(yī)學(xué)影像圖像均以DICOM 格式儲存，圖像規(guī)整，便于轉(zhuǎn)換圖像格式；（3）醫(yī)學(xué)影像圖像因以診斷疾病為目的，因此醫(yī)學(xué)人員的專業(yè)診斷信息可作為高質(zhì)量的標簽信息；（4）醫(yī)學(xué)影像圖像的黑、白、灰不同色階是深度學(xué)習(xí)網(wǎng)絡(luò)算法中各層網(wǎng)絡(luò)結(jié)構(gòu)對圖像特征識別的良好研究對象。因此，深度學(xué)習(xí)將是學(xué)習(xí)骨骼影像學(xué)資料的理想工具。利用該算法強大的學(xué)習(xí)能力，能夠充分學(xué)習(xí)骨骼特征，不僅可用于性別、年齡等法醫(yī)人類學(xué)顯著特征的挖掘，同時也將推進法醫(yī)影像圖像中的骨骼分割與對比識別工作，推動基于尸體骨骼的個體識別研究進入新的階段。