基于中华05骨龄标准的桡骨骨龄等级计算机评定系统的设计
2016-12-14朱翔宇欧阳斌罗冬梅
朱翔宇，欧阳斌，罗冬梅，刘 杰
基于中华05骨龄标准的桡骨骨龄等级计算机评定系统的设计
朱翔宇1，欧阳斌2，罗冬梅1，刘 杰2
以中华05骨龄标准为依据，基于骨龄图像的DICOM格式，设计和实现了桡骨骨龄80级～84级的计算机评定软件系统。系统自动对手腕部数字X光图像进行了预处理，采用区域生长法与最大类间方差法结合的方式实现了桡骨的有效分割，选取了灰度特征、纹理特征以及融合度作为骨龄特征参数，设计k近邻分类器对骨龄特征数据进行等级分类，并且结合ITK、VTK和MFC设计了一款桡骨等级评定软件，实现了桡骨等级80至等级84的计算机评定。实验结果说明，该系统的平均准确率达到85.2%，具有可扩展性和易用性的特点，丰富了计算机评定骨龄系统的应用研究。
中华05；骨龄；计算机；图像处理
1 前言
骨龄是评价生物年龄的理想指标，广泛应用于医学、体育和司法鉴定等领域。在医学领域，骨龄主要用于内分泌和生长发育性疾病的诊治[6]以及脊柱矫正、下肢均衡等外科手术[20]。在体育领域，骨龄主要用于杜绝年龄造假现象，规范比赛秩序[3,13]；确定运动员发育水平，制定科学的训练手段[18,19]；作为运动员选材的指标，选拔体育运动人才[16]。在司法鉴定领域，骨龄主要用于鉴定犯罪嫌疑人或者死者的年龄，为判刑提供参考[9]。
评定骨龄必须依赖于一个科学客观的评定方法，骨龄评定方法在一百多年的发展历程中，大致经历了重点位置观察法、计测法[35]、图谱法[24,29]、计分法[26]和计算机评定法[22,34,38]等方法的演变，由人工评定到计算机辅助评分，并向计算机自动测量、处理和分析的方向发展。
传统的骨龄评定方法主要是人工评判，其中重点位置观察法和计测法是最早的骨龄评定方法，由于标准化困难，已经被淘汰。目前常用的方法是图谱法和计分法，需要专业人员经过培训，熟练掌握骨的生长发育规律和评判规则后评定骨龄。传统的骨龄评定方法具有两大缺点，一是主观性强，不同评判者对同一骨龄X片评定结果不一样，同一评判者不同时间两次评定同一张骨龄X线片的结果也不一样；二是评定具有复杂性，整个评定过程比较繁琐，指标多，耗时长，需要经过严格训练有专业知识背景的人使用，而且久不读片容易生疏。
20世纪50年代起，数字技术不断发展和应用，有些研究者开始尝试让计算机具有类似人类视觉系统的功能来理解图像，客观地评定骨龄[37]。经过半个世纪的不懈努力，国外研究者已经在图像分割、特征提取等骨龄识别的研究中取得一些有价值的成果[23,25,40]。进入21世纪，国内计算机评定骨龄的相关研究不断发展，但是，距离实现一个成熟而实用的骨龄计算机评定系统还有差距，总结如下[2,8,12,14-15]：1)样本量小。采用小样本难以涵盖骨骼变化的所有情况，而且小样本会使计算机出现过学习现象。2)图像质量差。中国研究者使用的骨龄图像存在干扰信息多，分辨率低等问题，难以达到生物医学工程要求。国际上使用DICOM图像格式，DICOM是医学图像文件格式，像素可达到4 000以上，分辨率高，包含的信息量大，更有利于计算机自动识别。3)骨龄知识欠缺。研究者不是专业的骨龄判读人员，难以准确理解骨龄等级的意义。4)依据旧版骨龄标准。中国现行的骨龄国家标准是中华05，而目前国内骨龄计算机评定系统的研究依据中国20世纪80年代标准CHN或英国标准TW3，限制了骨龄评定的准确性。
基于中国骨龄计算机评定系统研究所面临的挑战，本文依据CHN05骨龄标准，总结以往经验，使用数字骨龄X线片的DICOM图像，选择权重大，背景丰富，等级变化复杂的桡骨作为研究对象，探讨桡骨的计算机特征，研制桡骨骨龄80～84级骨发育特征计算机提取与识别系统，为将来计算机评定骨龄系统的研制奠定基础。
2 研究对象与方法
2.1 研究对象
以250名骨龄15～19岁青少年的左手腕后前位数字X线片的DICOM图像为研究对象，所有图像均无性别、年龄标识。
2.2 手腕部数字X线片的图像采集、读取与分组
采用北京体育大学和航天部中兴医疗科技有限公司共同研发的低辐射SHJ-1手腕骨数字X光机，投射剂量50～60 kv、25 mA，曝光时间0.2～0.5 s，自动对焦拍摄包括手部掌骨、指骨、腕骨以及桡尺骨远侧骨干3～4 cm的正位12寸数码X线片，被试者左手掌面向下，四指自然张开，拇指和食指约成30°，中指与前臂成一直线，平放并贴紧拍摄平面，采集投射点正确，没有缺失骨骺，手部位置摆放正确的DICOM格式图像。
邀请两名由国家体育总局认证的骨龄评判师分别单独使用中华05计分法评定桡骨骨龄等级并记录，如果等级不一致，重新评定。根据评定结果，将研究对象分成80、81、82、83、84五个等级，每个等级50张图像。
2.3 手腕部数字X线片的图像预处理
由于原始的X线图像与放射科医生阅读的X线图像亮暗不一致，不符合医生的阅片习惯，且手腕骨的生长发育细节显示不够清晰，因此需要对原始图像进行灰度调整，增强图像的对比度，突出图像中的目标骨骼，为图像分割工作做准备。使用灰度变换函数实现图像灰度调整，如式(1)所示。
g(x,y)=T[f(x,y)]
(1)
其中，f(x,y)是输入图像，g(x,y)是处理后的图像，T是在点(x,y)邻域上定义的一种算子。图1(a)显示了一幅原始图像，经过反转变换后的图像如图1(b)所示。
图1 手腕骨的反转变换图像
手腕骨X线图像中除了桡骨之外，还包含指骨、掌骨、尺骨以及肌肉等组织，为了减少分割算法的运算量，提高分割效率，需要在桡骨分割之前，将桡骨的大致图像裁剪出来。采用鼠标左键单击的交互方式定位桡骨骨骺的大致位置，此时在图像中会出现一个以该点为中心，大小为260×160像素的外接矩形模板，模板内的灰度值设置为0，模板外的灰度值设置为1，最后将X光图像和外接矩形模板，根据式(2)进行掩模运算即可得到桡骨的待分割图像，如图2所示。
(2)
其中，D(x,y)是掩模运算后的图像数据，I(x,y)是原图像数据，M(x,y)是外接矩形模板数据。
2.4 手腕部数字X线片的桡骨分割
采用区域生长与最大类间方差法结合的方式来实现桡骨初步分割，运用数学形态学运算填充边缘的不平滑区域，从而得到最终的桡骨分割图像。算法流程如图3所示。
图4(a)显示了一幅待分割图像，通过最大类间方差法和区域生长得到初始的桡骨模板，如图4(b)，由于桡骨的骨密度存在差异，初始的桡骨模板边缘有一些细小空洞，为此需要进行形态学闭运算填充这些空洞，得到最终的桡骨模板，如图4(c)；将原图像与桡骨模板进行掩模运算就可得到桡骨分割图像，如图4(d)。
图2 图像的裁剪
图3 桡骨分割算法流程示意图
图4 基于区域生长和最大类间方差法的桡骨分割图
2.5 手腕部数字X线片的桡骨特征提取
特征提取是将人类自然语言所描述的桡骨8级特征进行数学描述的过程。本文选取的骨发育等级特征值为灰度特征、纹理特征以及融合率。
2.5.1 灰度特征
手腕部数字X线片图像中不同融合程度的桡骨生长板区域的灰度特征不同，当图像中的骨骺与骨干未融合时，桡骨生长板区域存在重影，表现为高亮区域，如图5(a)所示；融合过程中，该高亮区域逐渐减小直到消失或者变成一条致密线，即骺线，如图5(b)所示。针对图像中不同融合程度的桡骨生长板区域，其在灰度特征上存在差异，因此，选择灰度均值、灰度方差和灰度标准差作为桡骨特征提取指标。计算公式为：
图5 同融合程度的桡骨生长板区域
1.灰度均值，计算公式如式(3)所示。
(3)
灰度均值是桡骨生长板区域中所有灰度的灰度平均值，反映了该区域内图像的亮暗程度。其中，(x,y)属于桡骨生长板区域R内的像素点集，Value(x,y)表示该像素点的灰度值，N表示桡骨生长板区域的像素点总个数。
2.灰度方差，计算公式如式(4)所示。
(4)
灰度方差是桡骨生长板区域中的灰度值与灰度均值偏差的度量，反映了区域灰度变化的强烈程度。若区域灰度变化强烈，灰度方差大；反之，灰度方差小。
3.灰度标准差，计算公式如式(5)所示。
(5)
灰度标准差是灰度方差的算术平方根，同样反映了区域灰度变化的强烈程度。
2.5.2 纹理特征
采用灰度共生矩阵法分析图像纹理特征，从共生矩阵中提取出可以表征图像内容的统计量，包括能量、惯量、逆差距和熵。
1.能量，计算公式如式(6)所示。
(6)
能量是图像纹理灰度分布均匀的度量，反映了图像灰度变化的均匀程度和纹理粗细程度。均匀区的能量值大，非均匀区的能量值小。
2.惯量，计算公式如式(7)所示。
(7)
惯量又称反差，由于是给P(d,θ)(i,j)加权，强调大灰度变化的作用，因此该特征对非均匀区的局部对比度敏感。非均匀区的惯量值大，均匀区的惯量值小。
3.逆差距，计算公式如式(8)所示。
(8)
逆差距又称局部平稳，是图像纹理局部变化的度量，能表征纹理的规则程度。若纹理规则，逆差距值大；反之，逆差距值小。
4.熵，计算公式如式(9)所示。
(9)
熵是图像内容随机性的度量，反映了图像中纹理的复杂程度或非均匀程度。纹理越复杂，F4越大；反之亦然。
2.5.3 融合率
通过骨骺与骨干融合的解剖学特点可知，骺软骨板是否骨化是衡量骨骺与骨干融合的主要因素。骺软骨板骨化，则骨骺与骨干融合；反之，则未融合。在X光图像中，骺软骨板的影像表现为一条黑色暗带，灰度值相对较小，如图6(a)所示。逐列扫描桡骨生长板图像的灰度值作列灰度变化曲线发现：若扫描当前列中包含黑色暗带，则该列灰度变化曲线中会出现一个明显的灰度波谷，如图6(b)所示；反之，则该列灰度变化曲线中的灰度变化比较平缓，如图6(c)所示。
图6 桡骨生长板的灰度变化曲线图
根据桡骨生长板图像灰度变化的特点，本文将融合率作为新的骨龄特征，以进一步描述骨骺与骨干的融合程度。其提取方法是统计图像中连续出现灰度波谷的列数以及灰度总列数，代入计算公式(10)即可得到。其中，Col表示桡骨生长板图像中连续出现灰度波谷的列数，ColSum表示桡骨生长板图像的总列数。判断灰度波谷的算法流程如图7所示。
图7 灰度波谷判定算法流程图
(10)
根据中华05骨龄标准8级表述，Rec在一定程度上反映了骨骺与骨干的融合程度。Rec与桡骨骨龄等级的关系如表1所示。
表1 Rec与桡骨骨龄等级的关系对照表
2.6 手腕部数字X线片的桡骨等级评定
本系统选择欧氏距离作为距离度量、多数表决作为分类决策规则，构建了一个近邻分类器应用于桡骨等级评定，等级评定流程如图8所示。
图8 基于k近邻的桡骨等级评定流程图
2.7 统计分析
使用SPSS 19.0统计软件对数据进行分析处理，采用ROC曲线检验本系统的灵敏度、特异性和准确率(曲线下面积)。ROC曲线下面积为0.5～0.7表示准确率较低，0.7～0.9表示准确率中等，0.9以上表示准确率较高。
3 研究结果
3.1 系统的集成环境搭建与设计
本系统运行于Windows 7操作平台，结合ITK、VTK和MFC，使用C++语言，通过VS2010编程实现。其中，采用MFC完成系统界面的设计，采用ITK和VTK作为开发平台，ITK用来读取医学图像，并对读取的图像进行处理，VTK用来显示ITK处理后的医学图像。
软件界面的设计采用一档多视的模式，在单个文档窗口中包含与多个视图类相对应的视图对象，以满足用户对不同视图的需求。
界面分成主控制区、手腕骨X光图像显示区、桡骨分割图像显示区和扩展区4个区域。实现显示调节图像、图像分割、等级评定和系统扩展等功能。
3.2 系统的功能概述
桡骨骨龄8级评价系统由图像读取模块、图像显示模块、图像交互模块、图像分割模块、等级评定模块等多个功能模块组成，其整体设计框图如图9所示，主要功能有：
1.读入并显示DICOM数据：从数据库或者文件读入被测者的骨龄图像，并对读入的图片进行渲染。
2.调整图像大小及对比度：滑动鼠标滚轮可以放大、缩小图像；按住鼠标左键，然后移动鼠标可以调节图像的窗位、窗宽；同时按下鼠标左键和
图9 系统整体设计框图
3.分割桡骨：采用鼠标左键单击的交互方式定位桡骨骨骺的大致位置，系统自动计算定位点的坐标和像素值并分割桡骨骨骺部分。
4.提取特征：采用鼠标左键单击的交互方式,完成特征提取与计算，并显示特征值。
5.分割位置编辑和特征值更新：用户对系统自动分割的桡骨骨骺部分进行检查和确认，如果不满意，通过交互编辑方式，按住鼠标左键建立一个包含桡骨骨骺的矩形框，系统重新分割，同时更新分割区域的特征值。
6.评定等级：采用鼠标左键单击的交互方式,计算桡骨骨龄等级。
7.测量结果输出：系统将测量结果保存为XML文件或EXCEL文件。
3.3 执行流程
采用计算机实现骨骼等级评定，存在两个主要问题：一是，如何对待测图像中的目标骨骼进行有效分割；二是，如何将骨骼各等级描述准确地翻译成计算机语言进行特征提取。因此，目标骨骼的等级计算机评定流程如图10所示。
图10 目标骨骼的等级计算机评定流程图
Figure 10. The Flow Diagram of Bone's Automatic Rating
系统首先从文件或者数据库读入一个被测者的骨龄图像数据；用户用鼠标左键单击的交互方式定位桡骨骨骺大致位置，单击结合区分割按钮，系统分割桡骨；用户通过交互界面调整图像大小和对比度，如果对系统分割的桡骨骨骺不满意，可以建立矩形框，自行定位桡骨骨骺；用户单击特征计算按钮，系统根据分割后得到的桡骨骨骺，完成特征提取，并显示特征数据；用户单击骨龄评估按钮，系统计算桡骨骨龄等级；测量项目的结果保存到数据库。图像的交互模块是自动评价骨龄等级的有效补充，提高了有效分割目标骨骼和特征提取的精确度。
4 结果分析
选取样本以外手腕部数字X线片DICOM图像，由两名骨龄评判师使用中华05评定桡骨等级，从中选出80、81、82、83、84等级各40张，使用本系统再评定一次桡骨等级，将人工评判结果作为金标准，采用ROC曲线检验每个等级的灵敏度、特异性和准确率，结果如表2和图11所示。
表2 桡骨骨龄80～84级ROC曲线结果
目前世界上没有得到广泛认可的骨龄计算机评价系统，但是关于骨龄计算机评价系统的研究各国均有报道，报道中所选择的手腕骨评价部位不一，采用的数字图像处理技术也不相同。近年来国外研究者提出各种的图像处理技术得到的骨龄评定系统的准确率范围为63%～94%[21,27,28,30-33,36,39]，仅见一例报道的准确率为99%[39]，但是未见有重复性的验证报道。大部分国外研究者提出的方法需要人工标记，且由于种族、生活环境等差异，并不适合我国儿童青少年的发育状况。
我国的骨龄计算机评价系统起步较晚，仍处在研究阶段，图像分割的技术成果较为成熟，分割准确率达到86.7%和93.3%[4,5,10,17],基于CHN骨龄标准的计算机评价系统准确率分别报道为71.4%、84.5%和91.0%[1,11,7]。
本系统的平均准确率达到85.2%，稍稍低于以往研究，主要原因是骨龄评价方法离不开骨龄标准，目前国内外所报道的骨龄计算机评定方法依据不同的骨龄标准，导致计算机评定骨龄准确率不同。国外依据的TW计分法骨龄标准和国内依据的CHN骨龄标准的桡骨最多分10个等级，桡骨8级等级最多分开始融合、融合1/2和融合全，等级少，容易区分。我国现行的骨龄国家标准CHN05，在TW3基础上将骨骺的等级细化，比TW3 原有的等级更多，桡骨变成14个等级，CHN05的这种骨骺等级细化特点在国外也是没有的，因此增加了我国骨龄自动评价系统的研究难度。
本系统80级的准确率最高，82和83级的准确率最低。这是因为受到桡骨解剖学结构的限制。根据中华05骨龄标准对80～84级的描述，即80级为开始融合，81级融合1/4，82级融合1/2，83级融合3/4，84级融合全，本系统所提取的特征是骨骺与骨干之间的生长板钙化情况，骨骺与骨干刚开始融合时，生长板出现钙化点，此时钙化点呈白亮色，而其他没有钙化的部分为黑色，黑白分明，80级区分度明显；随着骨骺的生长，逐渐从四周包住骨干，此时骨骺与骨干在图像上出现重叠，重叠的部分骨密度增加，在图像上的颜色介于黑色和白色之间，随着生长板变细变小，颜色逐渐变白，与白亮色接近，干扰了计算机的评定，82和83级准确率降低。
图11 桡骨骨龄80～84级ROC曲线图
在研究方法上，本系统提出了一种基于现行骨龄国家标准中华05的桡骨等级评定方法，采用无年龄、性别、编号、光线等噪声干扰的DICOM图像，首先对手腕骨X光图像进行了预处理，包括图像灰度变换、图像裁剪操作，从而获得了桡骨的大致图像；然后根据桡骨图像的特征，对图像进行分块处理，采用区域生长法与最大类间方差法结合的方式实现了对手腕骨X光图像中桡骨的有效分割；选取了灰度均值、灰度方差、灰度标准差、能量、惯量、逆差距、熵以及融合度作为骨龄特征参数；设计k近邻分类器对骨龄特征数据进行等级分类实验，并且结合ITK、VTK和MFC设计了一款桡骨等级评定软件，实现了桡骨等级80至等级84的计算机评定。
但是骨龄的计算机识别是一项复杂的研究课题，本系统仍然具有局限性，首先中华05骨龄标准中桡骨包含14个等级，本文仅针对桡骨中华05骨龄80～84级进行评定，对于其余等级仍然有待研究。其次，计算机评定过程中需要用户单击鼠标左键交互方式完成图像分割、特征提取和骨龄评定，没有达到完全自动化。最后，82和83级准确率有待提高。
在今后研究中，骨龄专业人员可以先通过对桡骨的变化特征研究，寻找更多的桡骨发育特征，特征越多，越有利于计算机识别；在计算机技术方面，寻找计算机全自动识别和骨龄的图像处理技术是关键。随着计算机技术的迅猛发展和相关理论的不断完善，骨龄计算机评定系统必然向处理算法更优化，处理速度更快，图像分割、处理和识别更智能的方向发展。
5 结论
桡骨骨龄等级评定系统依据中华05骨龄标准基于手腕部数字X线片DICOM图像，实现了桡骨骨龄80～84级的计算机评定，准确率达到了80%以上，丰富了骨龄评定系统的应用研究。
[1]董娜,王瑶,聂磊,等.基于X光图像的骨龄评估系统设计与实现[J].计算技术与自动化,2010,29(1):67-71.
[2]付秀丽,宁刚,廖小丽.基于小波变换的手骨图像边缘提取办法[J].北京石油化工学院学报,2009,17(1):33-36.
[3]黄陈力子.中国儿童青少年乒乓球分龄赛运动员骨龄检测状况的研究[D].北京:北京体育大学,2015:5-13.
[4]黄飞,尤启房,杨晋吉.ASM的手骨提取方法研究[J].计算机工程与应用,2016,52(3):164-168.
[5]胡永利,王巍,尹宝才.基于ASM模型的骨龄评价系统研究[J].中国图像图形学报,2003,8(1):33-40.
[6]金献江,罗越,吴慧平.促性腺激素释放激素类似物对特发性中枢性性早熟女童体质指数及骨代谢标志物水平的影响[J].中国全科医学,2016,19(9):1049-1051.
[7]李新华,赵娟,袁振宇,等.基于K-余弦曲率和WSVM的骨龄识别方法[J].计算机应用与软件,2015,32(8):158-160.
[8]李忠海,王凡.骨龄特征自动识别算法及系统设计[J].沈阳师范大学学报(自然科学版),2003,21(3):166-168.
[9]钱立王,国红,李富,等.CHN骨龄在司法鉴定中的应用价值[J].中国法医学杂志,2008,23(2):122-123.
[10]宋日刚.骨龄X射线图像的手骨兴趣区域定位研究[J].计算机应用与软件,2014,31(7):226-228.
[11]王亚辉,王子慎,魏华,等.基于支持向量机实现骨骺发育分级的自动化评估[J].法医学杂志,2014,30(6):422-424.
[12]王勇,刘勇,叶宁，等.基于自适应RSF模型的水平集桡骨分割方法研究[J].湖北体育科技,2010,29(6):687-689.
[13]严永伟.2011年(红双喜·新星杯)全国少儿乒乓球比赛运动员身份证查验和骨龄检测的调研[D].苏州:苏州大学,2011:4-10.
[14]杨莉.针对左手掌X光片的骨龄自动评价系统研究[D].昆明:云南师范大学,2011:5-8.
[15]杨莉,王运琼,胡蓉蓉等.骨龄自动评测系统中骨骼边缘提取方法研究[J].计算机应用与软件,2009,26 (5):266-270.
[16]杨若愚,沈勋章,蔡广.身高遗传学研究与运动员科学选材[J].体育科研,2013,34(6):69-70.
[17]尹光健.CASAS中的骨骼分割与定位研究[D].昆明:昆明理工大学,2005:17-40.
[18]翟波宇,胡好,纪广明,等.高原地区青少年骨龄特征及耐力性项目初级选材区间的研究[J].山东体育学院学报,2014,30(5):76-78.
[19]张绍岩,王姿欢,蒋竞雄.骨龄评价方法的发展及应用[J].中国妇幼卫生杂志,2012,3(6):345-347.
[20]朱泽章.青少年特发性脊柱侧凸病因学研究进展[J].医学研究生学报,2016,29(2):126-130.
[21]BOCCHI L,FERRARA F,VALLI G,etal.An artificial neural network architecture for skeletal age assessment[J].Proc Int Conf Image Process,2003,1(1):1077-1080.
[22]CHEN C,XIE W,FRANKE J,etal.Automatic X-ray landmark detection and shape segmentation via data-driven joint estimation of image displacements[J].Med Image Analysis,2014,18(3):487-499.
[23]GERTHCH A,ZHANG A,SAYRE J,etal.Bone age assessment of children using a digital hand atlas[J].Comput Med Imag Graph,2007,31(4):322-331.
[24]GREULICH W W,PYLE S I.Radiographic Atlas of Skeletal Development of Hand and Wrist,2nd Edition[M].Red Wood City:Stanford University Press,1959:23-25.
[25]HSIEH W C,JONG L T,TIU M C.Bone age estimation based on phalanx information with fuzzy constrain of carpals[J].Med Biol Eng Comput,2007,45(3):283-295.
[26]JEONG R K,YOUNG S L,JEESUK Y.Assessment of bone age in prepubertal healthy Korean children:comparison among the Korean standard bone age chart,Greulich-Pyle method,and Tanner-Whitehouse method[J].Korean J Radio Official J Korean Radio Soc,2015,16(1):201-205.
[27]JINWOO S,JOESPHINE K,MICHEAL D,etal.Expert system for automated bone age determination[J].Exp Systems Appl,2016,50(15):75-88.
[28]MICHAEL D,NELSON A.HANDX:A model-based system for automatic segmentation of bones from digital hand radiographs[J].IEEE Transact Med Imag,1989,8(1):64-69.
[29]PAXTON M L,LAMONT A C,STILLWELL A P.The reliability of the Greulich-Pyle method in bone age determination among Australian children[J].J Med Imag Radiat Oncol,2013,57(1):21-24.
[30]PIETKA E,GERTYCH A,POSPIECH S,etal.Computerassisted bone age assessment:Image preprocessing and epiphyseal/meta-physeal ROI extraction [J].IEEE Trans Med Imag,2001,20(8):715-729.
[31]PIETKA E,MCNITTGRAY M F,KUO M L,etal.Computer-assisted phalangeal analysis in skeletal age assessment[J].IEEE Transact Med Imag,1991,10(4):616-620.
[32]PIETKA E,MCNITTGRAY M F,KUO M L,etal.Feature extraction in carpal-bone analysis[J].IEEE Transact Med Imag,1993,12(1):44-49.
[33]RICK R V R,MAARTEN H L,THODBERG H H.Automatic determination of Greulich and Pyle bone age in healthy Dutch children[J].Pediatr Radiol,2009,39(6):591-597.
[34]SEMA A,FATIH B.Methods used in computer-assisted bone age assessment of children[J].J Adv Computer Networks,2014,2(1):14-16.
[35]STANLEY M G,CHRISTABEL G R.Communalities in the ossification centers of the hand and wrist[J].Am J Phys Anthropol,1959,17(4):319-323.[36]STEFANO D L,TATIANA M,VERA M,etal.A new formula for assessing skeletal age in growing infants and children by measuring carpals and epiphyses of radio and ulna[J].J Forensic Legal Med,2016,39(1):109-116.
[37]TANNER J M,WHITEHOUSE R H.Assessment of Skeletal Maturity and Prediction of Adult Height(TW2) Method[M].London:Academic Press,1975:14-16.
[38]THANGM F,MAHENDIRAN T V,THANUSHKODI K.Skeletal bone age assessment research directions[J].J Engineer Sci Techn Rev,2012,5(1):90-96.
[39]THODBERG H H,KREIBORG S,JUUL A,etal.The bonexpert method for automated determination of skeletal maturity[J].IEEE Transactions Med Image,2009,28(1):52-66.
[40]ZHANG A,GERTHCH A,LIU J B.Automatic bone age assessment for young children from newborn to 7-year-old using carpal bones[J].Comput Med Imag Graph,2007,31(5):299-310.
Design of Computerized Assessment System for Radius Bone Age Grades according to CHN05
ZHU Xiang-yu1,OU Yang-bin2,LUO Dong-mei1,LIU Jie2
Based on the CHN05 and the bone age images in DICOM format,this paper designs and implements computerized assessment system for radius bone age grades.Firstly,the system automatically preprocess the digital X-ray image of the hand and wrist,secondly,the system propose a radius segmentation algorithm based on region growth method integrated with OTSU method,thirdly the system select partial representative gray feature and texture feature and propose fusion rate as a new feature at first,which is used the parameter of bone age feature,and then a classification experiment for radius grade was implemented with K Nearest Neighbor classifier,a radius rating system platform is established based on ITK、VTK and MFC and implements to rate radius from 80grade to 84grade.The results show that the average accuracy of the system is85.2%,the system is characterized by the scalability,usability and automatic measurement,this paper enrich the computer application research of bone age evaluation system.
CHN05;boneage;computer;imageprocessing
1000-677X(2016)09-0059-07
10.16469/j.css.201609009
2016-05-24；
2016-08-26
北京体育大学校自主课题(2016BS012)。
朱翔宇(1988-)，女，内蒙古人，在读博士研究生，主要研究方向为儿童青少年生长发育与健康促进、骨龄与运动员科学选材，E-mail:116491992@qq.com；欧阳斌(1990-)，男，江西人，硕士，主要研究方向为计算机信息与技术；罗冬梅(1961-)，女，北京人，教授，博士，主要研究方向为儿童青少年生长发育与健康促进，Email:dmluo02@sina.com；刘杰(1963-)，男，北京人，教授，主要研究方向为计算机信息与技术。
1.北京体育大学 运动人体科学学院，北京100084；2.北京交通大学 计算机信息与技术实验室，北京 100044 1.Beijing Sport University,Beijing 100084,China;2.Beijing Jiaotong University,Beijing 100044,China.
G804.4
A
