一文帶你瞭解傳統手工特徵的骨齡評估方法的發展歷史

摘要：基於傳統手工特徵的骨齡評估方法主要包括預處理、關鍵區域檢測、手骨分割、特徵提取、測量五個步驟。

基於傳統手工特徵的骨齡評估方法主要包括預處理、關鍵區域檢測、手骨分割、特徵提取、測量五個步驟，見圖1，如下爲該類方法的發展歷史介紹。

圖1 前人基於手工特徵的骨齡評估方法的主要技術路線

1989年，Michael和Nelson共同開發了世界上第一套基於模型的半自動化手骨測量系統，並將其命名爲HANDX。該系統包含了三個主要模塊：預處理、分割和測量。首先構造直方圖模型用於加強圖像，使用高斯分佈函數將圖像大體分爲三類：背景，軟組織和骨骼；而後，採用自適應輪廓逼近算法逐步勾勒出每塊骨骼的形狀；最後，經過找到每塊骨骼的長軸和短軸來計算測量值。HANDX系統須要基於手的位置做爲先驗知識輸入到系統中，並未進行大規模的數據測試。

1991年，Pietka等人提出了一種基於測量指骨長度來估計骨齡的簡便方法。經過對二值化後的圖像縮小範圍，肯定大體的指骨及其骨骺感興趣區（phalangeal ROI，PROI）並對圖像進行旋轉，得到大體PROI垂直正位X光片，使用Sobel梯度算子進行邊緣檢測，根據經驗選擇合適的閾值，從而得到指骨及其骨骺的邊緣圖。而後根據中指位於圖像最頂端的特性，找出中指的近端指骨、中端指骨和遠端指骨並測量他們的長度。經過查閱中指的標準指骨長度表，對應給出大體估計的骨齡。該方法與影像科醫生的人工讀片相比，測量指骨長度的偏差更小，但總共只測試了50例樣本，且指骨長度自己只能用於大體估計骨齡，沒法進行精確估測。

1994年，Tanner和Gibbons提出了一種基於TW2計分法的骨齡評分計算機輔助系統（Computer-Assisted Skeletal Age Scores,，CASAS）。該系統手動對TW2標準中的每塊骨頭進行放大，而後與其不一樣成熟等級的X光標準模版進行對比，選取其中最爲類似的2-3幅模板圖，通過快速傅立葉變換後計算與原圖的相關係數，從而根據每塊骨頭的相關係數狀況綜合計分，計算得出TW2標準產生的骨齡評分。CASAS系統的圖像處理步驟簡潔，可重複性高。但其仍須要大量的人工干預。

1996年，約旦的AI-Taani等人使用了120幅標準年齡組圖像的點分佈模型（Point Distribution Models, PDM）對圖像進行了不一樣年齡的分類。對於圖中每塊骨頭，使用鼠標手動選擇它的邊界點，提取骨骼輪廓。而後創建每年齡組全部骨頭的模型。當輸入新圖像時，讓全部年齡組的模型圖與輸入圖像進行對比，採用最小距離分類器將輸入圖像匹配到其最接近的模型組。該方法在中指的遠端指骨和中節骨骺兩處進行了分類匹配測試，實驗結果顯示在遠端指骨處的成功率爲70.5％，中節骨骺的成功率爲73.7％。該方法的主要缺點是需手動選擇邊界點。

2000年，Mahmoodi等人利用主動形狀模型（Active Shape Model, ASM）和基於知識的方法進行了骨齡評估。該系統首先應用分水嶺算法來肯定每塊骨骼的大體輪廓位置，而後結合ASM模型和手骨形態的先驗知識，使用分佈在骨骼邊緣上的固定數量的點來提取骨骼的形狀。這些點進一步被用於找出近端指骨的骨骺和幹骺端骨之間的寬度比例，這一比例與生物學年齡之間具備很高的相關性。所以，基於輸出的近端指骨的骨骺和幹骺端之間的寬度估測骨齡。這種方法能夠提供較精確的結果，但須要較長的計算處理時間來分析檢測可變形的形狀，此外還須要大量的訓練和測試樣本，整個過程比較複雜。

2003年，Niemeijer等人利用ASM模型和訓練神經網絡，結合TW2方法中骨頭的形狀和紋理特徵，實現了骨齡自動評估。首先，他們先獲得了TW標準裏全部發育等級中感興趣區ROI的平均圖像；而後對待測圖像使用ASM模型，肯定待測圖像中ROI區域的形狀和位置；將找到的待測圖像中ROI區域與TW標準中ROI平均圖像對比，計算其相關係數，得到5個相關係數值；選擇最高相關係數值的發育等級做爲骨齡匹配的模版。同時，這5個相關係數也可做爲特徵輸入訓練神經網絡（Neural Network，NN）來預測骨齡。對比測試顯示，一階神經網絡的結果更好。爲了提升預測骨齡的準確率，可從ASM模型中提取額外的紋理特徵，輸入後期的神經網絡。

2007年，Gertych等人提出一種基於手骨關鍵區域特徵的骨齡評估方法。經過對關鍵指骨骨骺和腕骨的分割來提取關鍵特徵。共提取了尺寸、形狀等11組特徵，以後輸入模糊分類器（Fuzzy Classifier）進行骨齡評估。該工做的主要貢獻是提供了一個骨齡公開數據庫The Digital Hand Atlas Database，該數據庫收集了洛杉磯醫院19世紀90年代到2017年來的骨齡X線圖像，共1391張圖像，包括了來自亞洲人、非裔美洲人、西班牙人、高加索人四種人種的圖像，且提供了每張圖像基於GP法的骨齡診斷結果。

另外，Aifeng Zhang等人提出了一種基於知識的全自動腕骨分割和特徵提取的骨齡評估方法。在評估0至7歲兒童的骨齡時，腕骨起到了很是關鍵的做用。然而腕骨因其數量不肯定、與周圍組織對比不強等緣由，一直是手骨分割的難點。該方法首先應用了動態閾值法定位腕骨的大體位置，而後採用了一種Perona和Malik提出的各向異性擴散濾波器[38]進一步降噪，接着經過Canny邊緣檢測器進行邊緣檢測，找出腕骨ROI區域。此時的腕骨ROI區域仍包括腕骨、部分橈骨、尺骨和掌骨，因此接下來利用腕骨位置、形狀及生長特色等先驗知識，完成了進一步的腕骨識別。提取腕骨ROI中鉤狀骨和頭狀骨的直徑、離心率、實心率和三角形變等特徵，輸入模糊分類器（Fuzzy Classifier）進行訓練，分別輸出兩塊骨頭各自的匹配骨齡。系統的最終骨齡是鉤狀骨和頭狀骨預測骨齡的邏輯平均值。該方法在2至7歲兒童中的腕骨分割準確率爲100%，但在2歲如下的腕骨分割中，因其腕骨與背景對比度較差，分割準確率只有80%。

同一年，Hsieh等人對僅基於腕骨的骨齡預測方法進行了補充，提出了一種結合指骨幾何特徵和腕骨模糊信息的骨齡自動評估方法。該方法首先經過分析手的幾何屬性對整張X光片進行自動校準。而後分別從指骨ROI和腕骨ROI提取生理和形態特徵，分別輸入支持向量機（Support Vector Machine，SVM）和模糊分類器，預測指骨和腕骨骨齡。最後結合指骨和腕骨骨齡共同評估骨齡。該方法的評測結果顯示，腕骨特徵在0至9歲兒童的骨齡評估中起決定性做用。而在0至9歲兒童中僅採用基於指骨幾何特徵的SVM分類方法時，其預測結果與二者結合相比沒有顯著性差別，代表指骨的幾何特徵與腕骨相比，在預測骨齡時具備更好的年齡泛化性。

2012年，Lindner 等人在主動輪廓模型的基礎上，提出了基於隨機森林和約束局部模型的自動標定方法。實驗結果代表：在保證形狀模型訓練樣本數量的前提下，該方法具備較好的分割準確度。

迄今爲止，最成功的商用全自動骨齡評測軟件系統是BoneXpert。該系統自2009年起在歐洲被許可上市以來，已有數百家醫院在使用其生成的報告，生成一份報告的費用約10歐元左右。該系統能夠選擇基於TW3計分法或G-P圖譜法輸出骨齡，整個處理過程分爲三個階段：首先經過主動外觀模型(Active Appearance Model, AAM)算法自動分割出手骨和腕骨部位的15塊骨頭；而後在每塊骨頭上應用主成分分析法，根據形狀、密度和紋理特徵計算系統自定義的intrinsic age；最後根據每塊骨頭的intrinsic age，按照TW法或G-P法給出最終骨齡。該系統可以預測的男孩年齡段爲2.5至17歲，女孩年齡段爲2至15歲。另外，做者指出該系統尚沒法處理圖像質量較差或手骨有形變的X光片。

綜上，前人基於圖像處理的骨齡評估方法包括預處理、關鍵區域檢測、手骨分割、特徵提取、測量五個步驟。對於手骨分割步驟，因爲設備等因素，手腕部X光片的對比存在誤差，而且因爲手骨和軟組織區域存在着必定重疊，致使手骨邊緣模糊，也加大了分割的難度。更重要的是，手骨分割步驟，只是骨齡評估總框架中的一環，前人每每沒有單獨對手骨分割的效果進行評價，只經過最終的骨齡評估的準確度對系統進行總統評價。然而，一旦如特徵提取等後續處理階段以失敗的手骨分割結果做爲輸入，那麼最終評估的骨齡並不可靠。在爲數很少的討論手骨分割的工做中，對骨骺的檢測成功率爲86%，而對遠端指骨骨骺的檢測率只有50%。這意味着手骨分割的穩定性不高，直接影響了後續特徵提取和骨齡評估的效果。

另外，傳統手工特徵種類繁多，且圖像的成像對比等因素也在變化，致使不一樣特徵對骨齡評估結果影響很大，如何選取合適的特徵來評估骨齡也是一個難點。

本文分享自華爲雲社區《基於傳統手工特徵的骨齡評估方法 》，原文做者：醫療人工智能 。

 

點擊關注，第一時間瞭解華爲雲新鮮技術~