共计 3628 个字符，预计需要花费 10 分钟才能阅读完成。
摘要：基于传统手工特色的骨龄评估办法次要包含预处理、要害区域检测、手骨宰割、特征提取、测量五个步骤。
基于传统手工特色的骨龄评估办法次要包含预处理、要害区域检测、手骨宰割、特征提取、测量五个步骤，见图 1，以下为该类办法的倒退历史介绍。
图 1 前人基于手工特色的骨龄评估办法的次要技术路线
1989 年，Michael 和 Nelson 共同开发了世界上第一套基于模型的半自动化手骨测量零碎，并将其命名为 HANDX。该零碎蕴含了三个次要模块：预处理、宰割和测量。首先结构直方图模型用于加强图像，应用高斯分布函数将图像大抵分为三类：背景，软组织和骨骼；而后，采纳自适应轮廓迫近算法逐渐勾画出每块骨骼的形态；最初，通过找到每块骨骼的长轴和短轴来计算测量值。HANDX 零碎须要基于手的地位作为先验常识输出到零碎中，并未进行大规模的数据测试。
1991 年，Pietka 等人提出了一种基于测量指骨长度来预计骨龄的简便办法。通过对二值化后的图像放大范畴，确定大抵的指骨及其骨骺感兴趣区（phalangeal ROI，PROI）并对图像进行旋转，取得大抵 PROI 垂直正位 X 光片，应用 Sobel 梯度算子进行边缘检测，依据教训抉择适合的阈值，从而取得指骨及其骨骺的边缘图。而后依据中指位于图像最顶端的个性，找出中指的近端指骨、中端指骨和远端指骨并测量他们的长度。通过查阅中指的规范指骨长度表，对应给出大抵预计的骨龄。该办法与影像科医生的人工读片相比，测量指骨长度的误差更小，但总共只测试了 50 例样本，且指骨长度自身只能用于大抵预计骨龄，无奈进行准确估测。
1994 年，Tanner 和 Gibbons 提出了一种基于 TW2 计分法的骨龄评分计算机辅助零碎（Computer-Assisted Skeletal Age Scores,，CASAS）。该零碎手动对 TW2 规范中的每块骨头进行放大，而后与其不同成熟等级的 X 光规范模版进行比照，选取其中最为类似的 2 - 3 幅模板图，通过疾速傅立叶变换后计算与原图的相关系数，从而依据每块骨头的相关系数状况综合计分，计算得出 TW2 规范产生的骨龄评分。CASAS 零碎的图像处理步骤简洁，可重复性高。但其仍须要大量的人工干预。
1996 年，约旦的 AI-Taani 等人应用了 120 幅规范年龄组图像的点散布模型（Point Distribution Models, PDM）对图像进行了不同年龄的分类。对于图中每块骨头，应用鼠标手动抉择它的边界点，提取骨骼轮廓。而后建设每一年龄组所有骨头的模型。当输出新图像时，让所有年龄组的模型图与输出图像进行比照，采纳最小间隔分类器将输出图像匹配到其最靠近的模型组。该办法在中指的远端指骨和中节骨骺两处进行了分类匹配测试，试验结果显示在远端指骨处的成功率为 70.5%，中节骨骺的成功率为 73.7%。该办法的次要毛病是需手动抉择边界点。
2000 年，Mahmoodi 等人利用被动形态模型（Active Shape Model, ASM）和基于常识的办法进行了骨龄评估。该零碎首先利用分水岭算法来确定每块骨骼的大抵轮廓地位，而后联合 ASM 模型和手骨状态的先验常识，应用散布在骨骼边缘上的固定数量的点来提取骨骼的形态。这些点进一步被用于找出近端指骨的骨骺和干骺端骨之间的宽度比例，这一比例与生物学年龄之间具备很高的相关性。因而，基于输入的近端指骨的骨骺和干骺端之间的宽度估测骨龄。这种办法能够提供较准确的后果，但须要较长的计算解决工夫来剖析检测可变形的形态，此外还须要大量的训练和测试样本，整个过程比较复杂。
2003 年，Niemeijer 等人利用 ASM 模型和训练神经网络，联合 TW2 办法中骨头的形态和纹理特色，实现了骨龄主动评估。首先，他们先失去了 TW 规范里所有发育等级中感兴趣区 ROI 的均匀图像；而后看待测图像应用 ASM 模型，确定待测图像中 ROI 区域的形态和地位；将找到的待测图像中 ROI 区域与 TW 规范中 ROI 均匀图像比照，计算其相关系数，取得 5 个相关系数值；抉择最高相关系数值的发育等级作为骨龄匹配的模版。同时，这 5 个相关系数也可作为特色输出训练神经网络（Neural Network，NN）来预测骨龄。比照测试显示，一阶神经网络的后果更好。为了进步预测骨龄的准确率，可从 ASM 模型中提取额定的纹理特色，输出前期的神经网络。
2007 年，Gertych 等人提出一种基于手骨要害区域特色的骨龄评估办法。通过对要害指骨骨骺和腕骨的宰割来提取要害特色。共提取了尺寸、形态等 11 组特色，之后输出含糊分类器（Fuzzy Classifier）进行骨龄评估。该工作的次要奉献是提供了一个骨龄公开数据库 The Digital Hand Atlas Database，该数据库收集了洛杉矶医院 19 世纪 90 年代到 2017 年来的骨龄 X 线图像，共 1391 张图像，包含了来自亚洲人、非裔美洲人、西班牙人、高加索人四种人种的图像，且提供了每张图像基于 GP 法的骨龄诊断后果。
另外，Aifeng Zhang 等人提出了一种基于常识的全自动腕骨宰割和特征提取的骨龄评估办法。在评估 0 至 7 岁儿童的骨龄时，腕骨起到了十分要害的作用。然而腕骨因其数量不确定、与四周组织比照不强等起因，始终是手骨宰割的难点。该办法首先利用了动静阈值法定位腕骨的大抵地位，而后采纳了一种 Perona 和 Malik 提出的各向异性扩散滤波器 [38] 进一步降噪，接着通过 Canny 边缘检测器进行边缘检测，找出腕骨 ROI 区域。此时的腕骨 ROI 区域仍包含腕骨、局部桡骨、尺骨和掌骨，所以接下来利用腕骨地位、形态及成长特点等先验常识，实现了进一步的腕骨辨认。提取腕骨 ROI 中钩状骨和头状骨的直径、离心率、实心率和三角形变等特色，输出含糊分类器（Fuzzy Classifier）进行训练，别离输入两块骨头各自的匹配骨龄。零碎的最终骨龄是钩状骨和头状骨预测骨龄的逻辑平均值。该办法在 2 至 7 岁儿童中的腕骨宰割准确率为 100%，但在 2 岁以下的腕骨宰割中，因其腕骨与背景对比度较差，宰割准确率只有 80%。
同一年，Hsieh 等人对仅基于腕骨的骨龄预测办法进行了补充，提出了一种联合指骨几何特色和腕骨含糊信息的骨龄主动评估办法。该办法首先通过剖析手的几何属性对整张 X 光片进行主动校准。而后别离从指骨 ROI 和腕骨 ROI 提取生理和状态特色，别离输出反对向量机（Support Vector Machine，SVM）和含糊分类器，预测指骨和腕骨骨龄。最初联合指骨和腕骨骨龄独特评估骨龄。该办法的评测结果显示，腕骨特色在 0 至 9 岁儿童的骨龄评估中起决定性作用。而在 0 至 9 岁儿童中仅采纳基于指骨几何特色的 SVM 分类办法时，其预测后果与两者联合相比没有显著性差别，表明指骨的几何特色与腕骨相比，在预测骨龄时具备更好的年龄泛化性。
2012 年，Lindner 等人在被动轮廓模型的根底上，提出了基于随机森林和束缚部分模型的主动标定办法。试验结果表明：在保障形态模型训练样本数量的前提下，该办法具备较好的宰割准确度。
迄今为止，最胜利的商用全自动骨龄评测软件系统是 BoneXpert。该零碎自 2009 年起在欧洲被许可上市以来，已有数百家医院在应用其生成的报告，生成一份报告的费用约 10 欧元左右。该零碎能够抉择基于 TW3 计分法或 G - P 图谱法输入骨龄，整个处理过程分为三个阶段：首先通过被动外观模型 (Active Appearance Model, AAM) 算法主动宰割出手骨和腕骨部位的 15 块骨头；而后在每块骨头上利用主成分分析法，依据形态、密度和纹理特色计算零碎自定义的 intrinsic age；最初依据每块骨头的 intrinsic age，依照 TW 法或 G - P 法给出最终骨龄。该零碎可能预测的男孩年龄段为 2.5 至 17 岁，女孩年龄段为 2 至 15 岁。另外，作者指出该零碎尚无奈解决图像品质较差或手骨有形变的 X 光片。
综上，前人基于图像处理的骨龄评估办法包含预处理、要害区域检测、手骨宰割、特征提取、测量五个步骤。对于手骨宰割步骤，因为设施等因素，手段部 X 光片的比照存在偏差，并且因为手骨和软组织区域存在着肯定重叠，导致手骨边缘含糊，也加大了宰割的难度。更重要的是，手骨宰割步骤，只是骨龄评估总框架中的一环，前人往往没有独自对手骨宰割的成果进行评估，只通过最终的骨龄评估的准确度对系统进行总统评估。然而，一旦如特征提取等后续解决阶段以失败的手骨宰割后果作为输出，那么最终评估的骨龄并不牢靠。在为数不多的探讨手骨宰割的工作中，对骨骺的检测成功率为 86%，而对远端指骨骨骺的检测率只有 50%。这意味着手骨宰割的稳定性不高，间接影响了后续特征提取和骨龄评估的成果。
另外，传统手工特色品种繁多，且图像的成像比照等因素也在变动，导致不同特色对骨龄评估后果影响很大，如何选取适合的特色来评估骨龄也是一个难点。
本文分享自华为云社区《基于传统手工特色的骨龄评估办法》，原文作者：医疗人工智能。
点击关注，第一工夫理解华为云陈腐技术~
