骨龄评估系统发展综述

刘洁琳，刘 杰

骨龄评估系统发展综述

刘洁琳，刘 杰

（北京交通大学计算机与信息技术学院，北京 100044）

骨龄即骨骼年龄，是人体生物年龄的重要内容，它通过骨骼的生长﹑发育﹑成熟﹑衰老的规律来推断年龄。骨龄评估能较准确地反映个体的生长发育水平和成熟程度，不仅可以确定儿童的生物年龄，还可以预测儿童的生长发育潜力及性成熟的趋势，在诊断某些遗传性和内分泌疾病方面也具有重大作用。通常人们通过左手手腕部X线片来评估骨龄，近年来随着计算机辅助技术的不断发展，骨龄评估由人工逐渐向计算机自动化转变。本文主要介绍了计算机辅助骨龄评估系统的发展过程和其中的主要技术，总结了影响骨龄评估系统的主要因素，并展望其未来的发展。

手腕骨；骨龄；计算机辅助；骨龄评估

引言

1 骨龄评估概述

生物年龄是根据正常人体生理学和解剖学的发育状态所推算出来的年龄，表示个体组织结构和生理功能的实际衰老程度。生物年龄可以通过身高﹑牙龄﹑骨龄等指标确定。骨龄即骨骼年龄，是人体生物年龄的重要内容，它通过骨骼的生长﹑发育﹑成熟﹑衰老的规律来推断年龄。骨龄评估（Bone Age Assessment, BAA）能较准确地反映个体的生长发育水平和成熟程度，不仅可以确定儿童的生物年龄，还可以预测儿童的生长发育潜力及性成熟的趋势，在诊断某些遗传性和内分泌疾病方面也具有重大作用。骨龄受到许多因素的影响，如性别﹑种族﹑营养状况﹑生活条件﹑社会环境等。通常人们通过左手手腕部X线片来评估骨龄，将评估结果与生活年龄相比，两者间的差异可以反映出骨骼发育的异常。BAA操作简单﹑辐射量低﹑可以通过多个骨化中心预测成熟度，近年来应用愈加广泛。

临床上用于骨龄评估的方法主要是Greulich Pyle（G-P）图谱法和Tanner Whitehouse（TW）计分法。G-P图谱法由Todd (1937)首创[1]，经Grealic和Pyle多次修改而成的手腕部骨龄成熟的系列性X线图谱，包括男子31张标准片，年龄范围0～19岁；女子27张标准片，年龄范围0～18岁。该图谱为男女各设置一套X线片，每张X线片代表一个年龄标准骨龄。男初生儿～1岁6个月期间，每3个月有一个标准；1岁6个月～5岁和11岁～16岁期间，基本上是每半年一个标准；此外，都是一岁年龄一张标准片。女性骨龄标准片与男性类似。评价时只需将未知X线片与图谱对照，找出其中最相近者，即可确定未知片的骨龄。G-P图谱法简便明确，在国际上广泛使用。

TW计分法创建于1962年[2]，Tanner等人以英国人普通家庭经济条件儿童少年为对象，依据各骨成熟过程中的形态变化，将手腕骨的成熟状况分为9个等级，制定出判定骨龄的计分方法，称TW1。1972年修订成TW2标准，TW2与TW1的不同之处在于各骨龄等级和性别的计分方面。TW2方法[3]共有20个感兴趣区（Regions of interest, ROIs），每个ROI包括骺﹑干骺端﹑骨干3个部分，并根据成熟程度划分成不同的等级（A,B,C,D,…I）。此外，男性和女性采用不同的权重计分。2000年进一步修改完成TW3标准。

在我国，人们大多使用CHN计分法评估骨龄。1988年，原国家体委科教司负责组成了“中国人骨发育研究”课题组，研究制定中国人手腕骨发育评价标准。1992年，仿照TW计分法的研究方法和标准，制订出CHN计分法。2005年，研制的中华05计分法——2005《中国青少年儿童手腕骨成熟度及评价方法》[4]，取代之前的CHN计分法，在全国范围内使用。计分法分期具有明确的量化概念，判定结果较准确，重复性较强。但需提前掌握相关知识，操作较为繁琐。

2 骨龄评估系统的发展

2.1 模糊集技术

20世纪80年代，出现了第一个BAA系统[5]。该系统由Sankar和Robert设计研发完成，他们将模糊集理论应用于手腕骨的边缘检测中。他们通过模糊函数和对比增强器分割出骨块边缘，还根据模糊性指数和熵的模糊集提出了灰度级的自动阈值算法。

2.2 基于模型的技术

1989年，David与Alan共同开发了基于模型的手腕骨自动分割系统[6]，并将其命名为HANDX。该系统能够自动地查找﹑分割﹑测量手腕骨X线片中的骨块。在预处理阶段，系统通过模型参数和基于模型的边界检测方法，将背景区域与骨块分离。分割时，依据边界点的位置逐步逼近骨块的轮廓边缘。最后，测量骨块轮廓相对于坐标轴的长度与宽度。HANDX系统具有较好的鲁棒性和较快的运行速度，但是它需要先验知识来构建模型。

2.3 CACAS系统

1992年，Tanner和Gibbons提出来计算机辅助骨龄评分系统（Computer- Assisted Skeletal Age Scores, CACAS）[7]。该系统基于每个骨块的9张原型图像，用来代表9个成熟阶段，即每个阶段由一个图像模板定义。输入的X线片通过手动放大每个骨块，找到两三个最为相似的模板。接着系统自动计算每个模板的相关系数，该系数是与模板的相似度。CACAS系统。根据系数计算出对应的成熟阶段。CACAS系统使得骨龄评定的稳定性大大提升，受到儿童社区的高度评价。

2.4 动态阈值技术

1993年，Pietka等人通过指骨和腕骨的分析技术结合图像处理技术完成对骨龄的评估[8]。他们使用左手手腕部的垂直正位X线片，将未曝光的背景区域移除，根据阈值图像计算平均灰度值。分析阈值图像中手的形状，确定腕骨感兴趣区即CROI（Carpal ROI）。通过固定阈值将手从背景中分离出来，确定大致的CROI。然后采用动态阈值的方法，使用可变大小的窗口来区分骨骼和软组织。接着使用数学形态学的方法去除与CROI边界相交的骨块，如桡骨﹑尺骨和掌骨。分离在CROI内的骨块，提取特征对其进行描述。该BAA系统选用二维的特征用于分析，对每个骨块均选取8个特征进行描述，选择时去除一些区分度较低的特征降低特征的空间维度。通过选好的腕骨参数，能够进一步分析得到骨龄。该BAA系统显示了多维特征对于骨龄分析的重要性，其中面积﹑周长和腕骨骨块的个数是最为重要的特征。这些参数与指骨参数一起用于骨龄的评定。

2.5 傅里叶分析技术

1995年，Drayer和Cox设计了一款计算机辅助BAA系统[9]，该系统通过傅里叶分析TW2标准中的桡骨﹑尺骨和指骨完成骨龄的评估。分割时，扫描整幅图像，通过模板匹配的方式定位每个骨块。然后，计算机得出各骨块的成熟阶段，对每个骨块进行评分，从而得出手腕骨整体的评分，计算出骨龄。该系统用于对荷兰女孩的骨龄评估，评估结果与传统的专家评估相近。

2.6 点分布模型技术

1996年，Al-Taani等人使用点分布模型（Point Distribution Models, PDM）技术对骨龄进行评估[10]。该方法大致分为两个阶段，训练阶段和分类阶段。训练时，建立每一类别的所有骨块的模型，并允许一定程度的形变。分类时，所有模型与输入图像进行对比，该图像的类别就是与其最接近的模型的类别。当模型与输入图像匹配时，他们通过最小距离分类器作为匹配程度的描述。系统通过两个实验对分无名指的两个骨块进行分类（第三末节指骨和中节指骨）来测试性能。第一个实验直接将点分布模型应用于末节指骨，而第二个实验将点分布模型应用于骨骺部分。实验结果显示，第二个实验达到更好的分类效果。

2.7 贝叶斯技术

1997年，Mahmoodi等人通过基于知识的自动视觉系统来评估骨龄[11]。基于知识的活动形状模型（Active Shape Model, ASM）用于相邻轮廓的分割和指骨模型的建立。首先，通过分水岭算法确定合适的阈值确定手部的轮廓。在确定轮廓后，提取相关特征如手指凸度和凹度。利用上述特征，通过峰谷检测算法确定出标记点从而定位手指。此外，这些标记点构建的矩形窗口可以定位出指骨，再通过骨块形状的先验知识结合ASM完成分割。最后，统计模型的形状参数和纹理参数经过贝叶斯和回归处理，完成对骨龄的评估。

2.8 主动形状模型技术

2003年，Niemeijer等人通过形状和纹理信息，实现了自动评估骨龄[12]。他们通过Cootes和Taylor[13]提出的主动形状模型（Active Shape Model, ASM）技术分割骨块。首先，依据TW2标准，对全部阶段建立平均形状模型。再建立一个ASM用于确定待测ROI中骨块的形状和位置，使用普鲁克分析与平均形状对齐。接着，计算待测ROI与平均模型内骨块周围固定区域的相关程度，该过程得到5个相关值，选择最大的值确定待测图像的骨龄阶段。此外，这5个值用作特征作为输入训练神经网络（Neural Network, NN）或线性判别分类器（Linear Discriminant, LD）预测匹配骨龄阶段。结果表明，一阶神经网络的结果更好。加大ASM提取的特征数，可以提高预测骨龄阶段的准确率。

2.9 活动轮廓技术

2003年，Luis Garcia等人通过活动轮廓的方法实现自动检测骨块的轮廓[14]。首先，通过活动轮廓（SNAKES）分割出ROI，确定ROI内骨块的轮廓，再通过SNAKES完成分割。他们还提出一个新的截断技术来防止SNAKES被外力牵引远离骨块的轮廓边缘。结果表明该算法的性能取决于图像的分辨率，过低的分辨率使算法无法正常运作。

2.10 梯度向量流SNAKES技术

2004年，Lin等人提出采用梯度向量流（Gradient Vector Flow, GVF）与SNAKES相结合的方法完成手腕骨图像分割来并提取一系列手腕骨特征[15]。分割前，通过各向异性非线性扩散滤波器进行预处理，来提高信噪比。采用基于GVF模型的方法检测手腕骨骨块的轮廓边缘，其步骤如下：（1）输入图像；（2）各向异性扩散滤波；（3）边缘图计算；（4）GVF图计算；（5）初始化手腕骨边缘；（6）迭代SNAKES模型逼近手腕骨边缘，完成分割。该算法分割效果较好，可以拓展应用于其他骨结构，甚至其他类型的医学图像中。

2.11 高斯查分算子滤波器技术

2007年，Giordano等人[16]设计了一款全自动评估骨龄的系统。首先，通过图像处理技术提出骨骺/干骺端ROI即EMROIs。EMROIs内的骨块通过高斯查分算子（Difference of Gaussian, DoG）滤波器提取，并使用直方图处理技术选择自适应阈值进行增强。接着，参照TW2标准提取相应的骨块特征。该系统并不局限于X线片才能获取的特征，因此应用范围更广。但是，仅仅依靠对于EMROIs的分析并不足以评估骨龄，未来的研究工作则是对手腕骨骨块的自动提取和分类。

2.12 支持向量机神经网络技术

2007年，Hsieh等人提出了基于指骨几何特征和腕骨模糊信息的自动骨龄评估系统[17]。系统通过分析手部图像的几何特征实现自动评估。分割时，提取图像的生理和形态学信息。从指骨ROI和腕骨ROI中提取特征，分别用于对指骨和腕骨骨龄的预测。预测时，采用反向传播算法，径向基函数和支持向量机（Support Vector Machine, SVM）神经网络（Neural Network, NN）来评估指骨骨龄。10岁之前，腕骨特征是骨成熟度的重要参数之一；10岁之后，指骨特征则变得更为重要。因此该系统结合指骨和腕骨特征共同评估骨龄。实验结果表明，当儿童小于9岁时腕骨信息是主要用于骨龄评估的特征。然而，采用基于指骨的SVM方法时，评估 结果仍保持稳定的正确率则表明指骨特征与腕骨相比具有更广泛的有效性。

2.13 Bone Xpert 技术

2009年，Thodberg等人设计开发了一款名为Bone Xpert的全自动BAA系统[18]。该系统由3层架构组成。第一层用于重建骨块边缘，第二层计算每个骨块的骨龄，第三层将各骨骨龄转换成整体骨龄。系统对3000幅手腕部X线片训练建模，使用形状﹑强度﹑纹理信息共同用于骨龄的预测。因此系统运行时不需先验知识和人工干预，并且具有较高的准确度。

2.14 基于统计外观模型的技术

2009年，Adeshina等人比较不同的手腕部模型对骨龄评估的影响，选择最为有效的区域建立模型预测骨龄[19]。他们分析了基于170张正常儿童青少年的手腕部X线片，发现采用联合模型得到的结果更好。经过多次实验，他们选择13块桡﹑尺﹑指骨（RUS）的复合体和它们的8个组合模型达到最好的评估结果。

2.15 基于相关原型的SVM分类算法

2013年，Harmsen等人设计开发了一款半自动BAA系统完成手腕骨骨龄评估[20]。系统包括5个部分：（1）提取14个骨骺ROI；（2）在保留原有特征的基础上对每个ROI进行图像检索；（3）使用特征训练分类器模型；（4）通过交叉检验的方法评估分类器的性能；（5）将分类器应用于待测图像。对每一类别，采用SVM结合原型图像的交叉相关的方法进行分类，其中原型图像通过随机选取各类别的手部图像得到。该系统的优点在于具有较好的鲁棒性和普遍性，因为系统所有的先验知识来自于参考数据库而非所需建模的图像处理算法。与其他算法相比，该系统不需要诸如GP法和TW法对骨龄级别描述的语义图，它是完全基于图像库带有注释的数据。此外，使用相关原型减少了应用时一只手所需的对比次数，大大提高了分类器的性能。

2.16 基于回归投票的形状模型算法

2013年，Lindner等人提出了基于随机森林(RandomForests, RF)回归投票的方法来搜索模型特征点的最优位置，实现具有鲁棒性和准确性的形状模型的匹配[21]。将RF回归投票应用于全自动形状模型匹配（Fully Automatic Shape Model Matching, FASMM）系统的手腕骨分割中。该算法的优点有：（1）综合模型特征点周围多个区域的投票；（2）结合决策树多个独立的投票；（3）采用从粗到精的分割策略。实验证明，该系统与其他见刊的BAA系统分割结果相比达到最高的准确度。同时，基于RF回归投票的FASMM不仅可以应用于手腕骨分割，还可以用于近端股骨和膝关节骨块的分割中，且均达到很好的分割效果。

2.17 广义霍夫变换算法

2014年，Hahmann等人提出了有区分力的广义霍夫变换（Discriminative Generalized Hough Transform, DGHT）的算法用于左手手腕部X线片中骨骺区域的定位[22]。通过有区分力的训练算法建立形状模型，并使用广义霍夫变换算法得到正﹑负模型点的权重。算法整体框架包含多层次的算法，如通过两次缩放减少搜索区域；使用专门训练的DGHT形状模型。此外，与标准方法相比，他们创新性的提出了标记点联合算法。将标记点与解剖学中的形状约束相结合达到12个骨骺ROI的全局最优定位。系统的数据库包含3～19岁的青少年儿童的412幅左手手腕骨X线片，基于数据库系统分割准确率高达98.1%。

2.18 基于尺度不变特征变换的技术

2015年，Kashif等人提出了尺度不变特征变换（Scale Invariant Feature Transform, SIFT）结合SVM技术，实现骨龄评估[23]。首先，将数据库中的数据分为30个类别代表0～18岁，接着从左手手腕部X线片中提取14个骨骺ROI。使用大津法确定多级阈值，区分ROI内骨块和组织。在骨块的特殊点处提取SIFT特征，通过多分类SVM对其进行分类。通过5折交叉检验验证系统在2个年龄段（0～18岁和2～17岁）的有效性。结果显示，2个年龄段的平均误差分别是0.67岁和0.68岁，2个年龄段的平均准确度为98.09%。

2.19 基于字典学习的技术

2016年，Sheshasaayee和Jasmine提出了有识别力的字典学习算法完成骨龄评估[24]。首先使用基于主成分分析（Principal Component Analysis，PCA）噪声水平评估算法，消除X线片图像的噪声，提高图像质量。接着，使用内核支持向量机(Kernel Support Vector Machine, KSVM)算法，通过图像特征准确的分类图像，得出待测图像的相似性分数。使用有识别力的字典学习（Discriminative Dictionary Learning, DDL）算法根据相似性分数得出匹配结果。DDL算法具有较强的灵活度，在未来的研究中可以探索更多基于DDL框架的理论创新，应用情景。

2.20 基于深度学习的技术

2016年，Spampinato等人提出了几种深度学习的方法来自动评估骨龄，实验结果显示手动和自动评价的平均差异约0.8年[25]。此外，这是第一个在公共数据集上﹑对所有年龄段﹑种族和性别的数据都进行测试，源代码开源可用，为未来的研究工作提供了坚实的基础。首先，他们对现有的训练好的的卷积神经网络（如OverFeat，GoogLeNet和OxfordNet）在1400张X线片上进行测试，结果表明即使是根据普遍图像训练的深度学习算法，也可以应对所有可能情况自动地评估骨龄。他们研究开发可定制的CNN-BoNet-方法，该方法对全部种族﹑年龄段﹑性别的样本均具有较好的有效性和鲁棒性。BoNet包含5个卷积层，在最后一个卷积层之上有一个形变层处理非刚性物体变形，还有一个完全连接层连接一个输出神经元。

3 BAA系统评估

BAA系统的评估要基于其结果的有效性和准确度，此外运行速度也是一个重要的评估指标。基本上，BAA包括以下几个阶段：（1）图像预处理；（2）ROI分割；（3）特征提取；（4）特征选择；（5）分类。每个阶段使用的技术均对整体系统的效率产生影响。同样，ROI或骨化中心的选择是影响系统运行速度和准确率的重要因素。在不同骨龄阶段，骨化中心的预测值不同，研究应该集中于骨化中心最能描述不同骨龄等级的特征。

4 总结

一些影响BAA性能的因素，同时也影响着BAA的未来发展趋势。未来研究应该更加针对以下BAA系统的过程和参数。

(1) 图像采集：采集手部图像时，需要注意其合适的位置﹑方向和曝光。

(2) 预处理：噪声和背景的去除﹑图像增强。

(3) ROI选择：根据质量﹑密度﹑大小﹑形状﹑平滑度﹑变换厚度等特点选择ROI

(4) 分割：图像转换技术，边缘检测，骨轮廓确定，ROI标记，目标定位。

(5) 特征提取和选择：识别ROI的参数﹑特征识别的参数；去除无关特征，强调重要特征。

(6) 分类：特征分析，确定特征权重；分类器选择，分类器分析；匹配结果分析，降低错误分类，提高成功率。

BAA系统对骨龄客观化的评估受到人们更多的注意，同时越来越多的学者投身于自动BAA系统的研发。随着图像处理技术不断地发展，越来越多的新技术应用于BAA系统中，希望未来的研究能够不断地完善BAA系统，提高骨龄评估的准确性，扩大系统应用的广泛性。

[1] Greulich P.Radiographic atlas of skeletal development of hand and wrist, 2nd edition[M].California: Stanford University Press, 1959.

[2] Tanner J M, Whitehouse RH, Cameron N, et a1.Assessment of skeletal maturity and prediction of adult height (TW2 method)[M].London: Acad press, 1983: 50-88.

[3] Tanner J M, Heal Y M J, Goldstein H, et a1.Assessment of skeletal maturity[M].London: Harcourt Publishers Limited, 2001: 9-22.

[4] 张绍岩.中国人手腕部骨龄标准--中华05及其应用[M].北京:科学出版社, 2015:25-75.

[5] Sankar K P, Robert A K.On Edge Detection of X-Ray Images using Fuzzy Sets[J].IEEE T Pattern Anal, 1983, 5(1): 69-77.

[6] David J M, Alan C N.Handx: A Model-Based System for Automatic Segmentation of Bones from Digital Hand Radiographs[J].IEEE Trans Med Imaging, 1989, 8(1): 64-69.

[7] Tanner J M, Gibbons R D.Automatic bone age measurement using computerized image analysis[J].J Ped Endocrinol, 1994, 7(2): 141-145.

[8] Pietka E, Kaabi L, Kuo M L, et al.Feature extraction in carpalbone analysis[J].IEEE Trans Med Imaging, 1993, 12(1): 44-49.

[9] Drayer N M, Cox L A.Assessment of bone ages by the Tanner-Whitehouse method using a computer-aided system[J].Acta Paediatric Suppl, 1995, 406(s406): 77-80.

[10] Al-Taani A T, Ricketts I W, Cairns A Y.Classification Of Hand Bones For Bone Age Assessment[J].ICECS, 1996, 2:1088-1091.

[11] Mahmoodi S, Sharif B S, Chester E G, et al.Automated vision system for skeletal age assessment using knowledge based techniques[J].IEEE conference publication, 1997, 443: 809-813.

[12] Niemeijer M, Ginneken B, Maas C, et al.Assessing the skeletal age from a hand radiograph: Automating the Tanner-Whitehouse method[J].Proc Med Imaging, 2003, 5032:1197-1205.

[13] Cootes T F, Hill A, Taylor C J, et al.The Use of Active Shape Models for Locating Structures in Medical Images[J].Image Vision Comput, 1993, 12(6): 355-365.

[14] Luis R, Mart M, Arribas J I, et al.A fully automatic algorithm for contour detection of bones in hand radiographies using active contours[J].Proc IEEE Int Conf Image Process, 2003, 3: 421-424.

[15] Lin P, Zhang F, Yang Y, et al.Carpal Bone Feature Extraction Analysis in Skeletal Age Assessment Based on Deformable Model[J].J COMPUT SCI TECH, 2004, 4(3):152-156.

[16] Giordano D, Leonardi R, Maiorana F, et al.Epiphysis and Metaphysis Extraction and Classification by Adaptive Thresholding and DoG Filtering for Automated Skeletal Bone Age Analysis[J].Proc of the 29th Conference on IEEE Engineering in Medicine and Biology Society, 2007, 6551-6556.

[17] Hsieh C W, Jong T L, Chou Y H, et al.Computerized geometric features of carpal bone for bone age estimation[J].Chinese Med J, 2007, 120(9):767-770.

[18] Thodberg H, Kreiborg S, Juul A, et al.The Bone Xpert Method for Automated Determination of Skeletal Maturity[J].IEEE Trans Med Imaging, 2009, 28(1):52-66.

[19] Adeshina SA, Cootes TF, Adams JE.Evaluating different structures for predicting skeletal maturity using statistical appearance models[J].Skeletal Maturity, 2009.

[20] Harmsen M, Fischer B, Schramm H, et al.Support vector machine classification based on correlation prototypes applied to bone age assessment[J].IEEE T INF TECHNOL B, 2013, 17(1):190-197.

[21] Linder C, Thiagarajah S, Wilkinson JM, et al.Accurate Bone Segmentation in 2D Radiographs Using Fully Automatic Shape Model Matching Based On Regression-Voting[J].MICCAI, 2013, 16(2):181-189.

[22] Hahmann F, Deserno TM, Schramm H.Epiphyses Localization for Bone Age Assessment Using the Discriminative Generalized Hough Transform[J].Bildverarbeitung Für Die Medizin, 2014.

[23] Kashif M, Jonas S, Haak D, et al.Bone age assessment meets SIFT[J].Spie Med Imaging, 2015.

[24] Sheshasaayee A, Jasmine C.A Novel Pre-processing and Kernel Based Support Vector Machine Classifier with Discriminative Dictionary Learning for Bone Age Assessment[J].Res J Appl Sci Eng Tech, 2016, 12(9):933-946.

[25] Spampinato C, Palazzo S, Giordano D, et al.Deep Learning for Automated Skeletal Bone Age Assessment in X-Ray Images[J].Med Image AnaL, 2016, 36: 41-51.l

A Review of The Development of Bone Age Assessment System

Liu Jielin, Liu Jie
(Computer and Information Technology School, Beijing Jiaotong University, Beijing 100044)

Bone age, an important content of the biological age, describes skeletal growth, development and aging.Bone age measurement plays a signif i cant role in diagnosing hereditary diseases and growth disorders.Bone age assessment using a hand radiograph is an important clinical tool in the area of pediatrics.Recent years, with the continuous development of computer aided technology, bone age assessment gradually shift from artif i cial to computer automation.This paper mainly introduced the development process of computer aided bone age assessment system and its technology, summarizes the main factors that af f ect the bone age assessment system, and prospects the development of the future.

carpal bones; bone age; computer-aid; bone age assessment

TP911.73 [Document Code] A

10.11967/2017150202

TP911.73

A DOI：10.11967/ 2017150202

国家自然科学基金（81561836）

刘洁琳（1992-），女，医学图像处理

刘杰（1965-），男，教授，硕士生导师，医学图像处理，Email：14120464@bjtu.edu.cn