一文带你了解传统手工特征的骨龄评估方法的发展历史
摘要：基于传统手工特征的骨龄评估方法主要包括预处理、关键区域检测、手骨分割、特征提取、测量五个步骤。
基于传统手工特征的骨龄评估方法主要包括预处理、关键区域检测、手骨分割、特征提取、测量五个步骤，见图1，以下为该类方法的发展历史介绍。
图1 前人基于手工特征的骨龄评估方法的主要技术路线
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系统，并将其命名为HANDX。该系统包含了三个主要模块：预处理、分割和测量。首先构造直方图模型用于增强图像，使用高斯分布函数将图像大致分为三类：背景，软组织和骨骼；然后，采用自适应轮廓逼近算法逐步勾勒出每块骨骼的形状；最后，通过找到每块骨骼的长轴和短轴来计算测量值。HANDX系统需要基于手的位置作为先验知识输入到系统中，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估计骨龄的简便方法。通过对二值化后的图像缩小范围，确定大致的指骨及其骨骺感兴趣区（phalangeal ROI，PROI）并对图像进行旋转，获得大致PROI垂直正位X光片，使用Sobel梯度算子进行边缘检测，根据经验选择合适的阈值，从而获得指骨及其骨骺的边缘图。然后根据中指位于图像最顶端的特性，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。通过查阅中指的标准指骨长度表，对应给出大致估计的骨龄。该方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，且指骨长度本身只能用于大致估计骨龄，无法进行精确估测。
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系统（Computer-Assisted Skeletal Age Scores,，CASAS）。该系统手动对TW2标准中的每块骨头进行放大，然后与其不同成熟等级的X光标准模版进行对比，选取其中最为相似的2-3幅模板图，经过快速傅立叶变换后计算与原图的相关系数，从而根据每块骨头的相关系数情况综合计分，计算得出TW2标准产生的骨龄评分。CASAS系统的图像处理步骤简洁，可重复性高。但其仍需要大量的人工干预。
1996年，约旦的AI-Taani等人使用了120幅标准年龄组图像的点分布模型（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，使用鼠标手动选择它的边界点，提取骨骼轮廓。然后建立每一年龄组所有骨头的模型。当输入新图像时，让所有年龄组的模型图与输入图像进行对比，采用最小距离分类器将输入图像匹配到其最接近的模型组。该方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，实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％。该方法的主要缺点是需手动选择边界点。
2000年，Mahmoodi等人利用主动形状模型（Active Shape Model, ASM）和基于知识的方法进行了骨龄评估。该系统首先应用分水岭算法来确定每块骨骼的大致轮廓位置，然后结合ASM模型和手骨形态的先验知识，使用分布在骨骼边缘上的固定数量的点来提取骨骼的形状。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有很高的相关性。因此，基于输出的近端指骨的骨骺和干骺端之间的宽度估测骨龄。这种方法可以提供较精确的结果，但需要较长的计算处理时间来分析检测可变形的形状，此外还需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，结合TW2方法中骨头的形状和纹理特征，实现了骨龄自动评估。首先，他们先得到了TW标准里所有发育等级中感兴趣区ROI的平均图像；然后对待测图像使用ASM模型，确定待测图像中ROI区域的形状和位置；将找到的待测图像中ROI区域与TW标准中ROI平均图像对比，计算其相关系数，获得5个相关系数值；选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征输入训练神经网络（Neural Network，NN）来预测骨龄。对比测试显示，一阶神经网络的结果更好。为了提高预测骨龄的准确率，可从ASM模型中提取额外的纹理特征，输入后期的神经网络。
2007年，Gertych等人提出一种基于手骨关键区域特征的骨龄评估方法。通过对关键指骨骨骺和腕骨的分割来提取关键特征。共提取了尺寸、形状等11组特征，之后输入模糊分类器（Fuzzy Classifier）进行骨龄评估。该工作的主要贡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，包括了来自亚洲人、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法的骨龄诊断结果。
另外，Aifeng Zhang等人提出了一种基于知识的全自动腕骨分割和特征提取的骨龄评估方法。在评估0至7岁儿童的骨龄时，腕骨起到了非常关键的作用。然而腕骨因其数量不确定、与周围组织对比不强等原因，一直是手骨分割的难点。该方法首先应用了动态阈值法定位腕骨的大致位置，然后采用了一种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区域仍包括腕骨、部分桡骨、尺骨和掌骨，所以接下来利用腕骨位置、形状及生长特点等先验知识，完成了进一步的腕骨识别。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征，输入模糊分类器（Fuzzy Classifier）进行训练，分别输出两块骨头各自的匹配骨龄。系统的最终骨龄是钩状骨和头状骨预测骨龄的逻辑平均值。该方法在2至7岁儿童中的腕骨分割准确率为100%，但在2岁以下的腕骨分割中，因其腕骨与背景对比度较差，分割准确率只有80%。
同一年，Hsieh等人对仅基于腕骨的骨龄预测方法进行了补充，提出了一种结合指骨几何特征和腕骨模糊信息的骨龄自动评估方法。该方法首先通过分析手的几何属性对整张X光片进行自动校准。然后分别从指骨ROI和腕骨ROI提取生理和形态特征，分别输入支持向量机（Support Vector Machine，SVM）和模糊分类器，预测指骨和腕骨骨龄。最后结合指骨和腕骨骨龄共同评估骨龄。该方法的评测结果显示，腕骨特征在0至9岁儿童的骨龄评估中起决定性作用。而在0至9岁儿童中仅采用基于指骨几何特征的SVM分类方法时，其预测结果与两者结合相比没有显著性差异，表明指骨的几何特征与腕骨相比，在预测骨龄时具有更好的年龄泛化性。
2012年，Lindner 等人在主动轮廓模型的基础上，提出了基于随机森林和约束局部模型的自动标定方法。实验结果表明：在保证形状模型训练样本数量的前提下，该方法具有较好的分割准确度。
迄今为止，最成功的商用全自动骨龄评测软件系统是BoneXpert。该系统自2009年起在欧洲被许可上市以来，已有数百家医院在使用其生成的报告，生成一份报告的费用约10欧元左右。该系统可以选择基于TW3计分法或G-P图谱法输出骨龄，整个处理过程分为三个阶段：首先通过主动外观模型(Active Appearance Model, AAM)算法自动分割出手骨和腕骨部位的15块骨头；然后在每块骨头上应用主成分分析法，根据形状、密度和纹理特征计算系统自定义的intrinsic age；最后根据每块骨头的intrinsic age，按照TW法或G-P法给出最终骨龄。该系统能够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，作者指出该系统尚无法处理图像质量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方法包括预处理、关键区域检测、手骨分割、特征提取、测量五个步骤。对于手骨分割步骤，由于设备等因素，手腕部X光片的对比存在偏差，并且由于手骨和软组织区域存在着一定重叠，导致手骨边缘模糊，也加大了分割的难度。更重要的是，手骨分割步骤，只是骨龄评估总框架中的一环，前人往往没有单独对手骨分割的效果进行评价，只通过最终的骨龄评估的准确度对系统进行总统评价。然而，一旦如特征提取等后续处理阶段以失败的手骨分割结果作为输入，那么最终评估的骨龄并不可靠。在为数不多的讨论手骨分割的工作中，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%。这意味着手骨分割的稳定性不高，直接影响了后续特征提取和骨龄评估的效果。
另外，传统手工特征种类繁多，且图像的成像对比等因素也在变化，导致不同特征对骨龄评估结果影响很大，如何选取合适的特征来评估骨龄也是一个难点。
本文分享自华为云社区《基于传统手工特征的骨龄评估方法 》，原文作者：医疗人工智能 。
