计算机辅助法医影像学骨骼个体识别的研究进展

李媛，赵欢，梁伟波，邓振华，张林

四川大学华西基础医学与法医学院，四川 成都610041

尸体个体识别通常是比对生前和死后的鉴定资料进行同一认定，通常包括指纹、牙齿和DNA 等。但因尸体高度腐败无法进行DNA 鉴定，且指纹和牙齿没有可供比对的生前资料时，需要法医工作者找寻其他方法或手段解决尸体的个体识别问题。骨骼的形态稳定，且在影像学资料中易于观察，备受法医工作者的青睐，基于尸体骨骼影像学特征进行个体识别已经广泛应用于法医学实践中。近十年来，虚拟解剖技术在全球范围盛行，众多国家将尸体全身CT 检查作为法医病理学尸体解剖前的常规程序[1]，这些尸体影像学资料客观地保留了死者丰富的骨骼特征，为挖掘死者身份信息提供了更多可能[2]。

利用尸体骨骼影像特征进行个体识别的主要目的可以归纳为两个方面：一是利用尸体影像学资料推断性别、年龄、身高以及种族等法医人类学信息[3]；二是对比生前和死后影像学资料中的骨骼特征，辅助进行无名尸体的个体识别[4]。

深度学习算法使图像分类能力得到了指数级的提升，已成为人工智能最为活跃的研究领域之一[5]，且已成功引入临床医学领域，尤其是涉及以图像为研究对象的领域，例如放射学、病理学和眼科学等。利用卷积神经网络自动进行皮肤癌[6]、乳腺癌[7-8]、眼底疾病[9-10]和肺结节检测[11]的诊断，可达到与人类医生相当的水平。深度学习可自动学习抽象的知识表达，即把原始数据浓缩成某种知识，这种运算模式与人工观察影像学资料进而得出人类学信息或者同一认定意见的执行程序，在逻辑上高度契合。

本文以法医影像学中常用于个体识别的骨骼部位为线索，综述近年来利用法医影像学资料推断人类学信息和利用骨骼影像学特征进行个体识别的研究进展，着重阐述运用深度学习和图像处理等计算机技术辅助法医影像学进行个体识别的研究进展。

1 法医人类学信息推断

法医人类学信息包含种族、性别、年龄和身高等个体特征。对这类个体特征进行推断是对无名尸体进行个体识别的首要程序。骨骼形态稳定，生前和死后形态变化较小，此外，医学影像学技术为还原骨骼的真实形态提供了技术基础。因此，利用骨骼影像学特征进行人类学信息推断，成为法医人类学的主要研究方向之一。现阶段大部分研究是基于临床患者的影像学资料进行，主要集中在两个方面：一是利用传统数学中的回归函数进行性别、年龄、身高与种族的推断；二是借助计算机算法建立自动推断系统。

1.1 计算机辅助骨龄推断

骨龄自动评估在临床医学领域已被广泛研究，其中计算机辅助技术应用于骨龄自动评估的研究已从1980 年萌芽发展至今。MANSOURVAR 等[12]详细介绍了骨龄自动评估系统的发展，从1989 年至2013 年，从半自动到全自动，共列出15 个计算机骨龄自动评估系统，并对图像处理方法的优势与劣势进行了详细的介绍，为后续研究者绘制了一幅精彩的骨龄自动评估系统图谱。这15 个计算机系统的图像处理方法核心是图像分割、图像增强等技术[13]。活体骨龄评估通常基于一张或多张图像（影像学资料），目的是获取骨龄的数值，符合深度学习端到端的训练模式，是深度学习的理想应用领域之一。2017 年以来，国内外相继出现成功利用左手腕关节X 线片进行深度学习预测骨龄的研究报道，且效能都达到了与人工骨龄评估相当的水平。

2017 年，意大利学者SPAMPINATO 等[14]首次将深度学习算法应用于骨龄自动评估领域，同时创建了3 种基于ImageNet 迁移学习的模型和1 种基于从零开始训练专门针对手部X 线片类图像的深度学习算法CNN-Bone net，输出为连续的骨龄值。结果显示，CNNBone net模型的输出年龄与专业人员人工读片获得的结果之间的平均绝对误差（mean absolute error，MAE）仅为0.79 岁。该方法对所涉及的4 个种族、不同年龄段和性别的样本均有较好的评估效果。该研究还提出，虽然迁移学习同样能达到较高的准确性，但专门以骨龄预测为目的的从零训练算法效果更优。

2017 年，LEE 等[15]也开展了基于迁移学习和从零训练搭建骨龄自动评估模型。但不同于SPAMPINATO等的研究，他们首先基于图像增强技术分割出骨骼区域作为感兴趣区，以感兴趣区作为输入搭建模型完成分类，输出的是1 000 个预测分类（即骨龄值）。结果表明，误差为1 岁以内的在女性样本中占90.4%、在男性样本中占94.2%。该研究发现，迁移学习的分类结果要稍优于从零训练算法模型。

2017 年，韩国学者KIM 等[16]基于18 940 张左手X 线片搭建深度学习模型，并对其作为专家辅助工具的效果进行了评估。结果显示，当使用该模型辅助专家进行阅片时，专家评估骨龄的准确率提高了10%，直观地说明了该模型能够提供有效的辅助作用。

2018 年，斯坦福大学放射科LARSON 等[17]利用12 611 张左手X 线片，通过微调建立了深度残差网络模型，输出0 到228（19×12）个月的概率分布（即228 个分类）；并利用手腕部X 线片Digital Hand Atlas 公开数据集，对该模型以及2009 年THODBERG 等[18]创建的BoneXpert 全自动骨龄评估模型分别进行了测试，将两者的结果分别与人工阅片结果进行比较。结果显示，BoneXpert 全自动骨龄评估模型的MAE 为0.73 岁，深度残差网络模型的MAE 为0.61 岁。该研究第一次利用Digital Hand Atlas 公开数据集作为测试集评估两种不同模型的性能，科学证实了深度学习模型用于骨龄推断的优势。

2018 年，美国学者MUTASA 等[19]从零训练搭建了专门针对手部X 线片类图像的骨龄评估模型。该模型包含14 层隐层，取得了目前最佳的骨龄预测结果：与真实年龄相比，MAE 为0.54 岁。该研究结果表明，基于从零训练的模型效果要优于基于迁移学习的模型效果。2018 年，中国科学院深圳先进技术研究院王永灿等[20]利用450 张青少年左手桡骨和尺骨末端X 线片搭建骨龄评估系统。同前述LEE 等的研究，该作者基于目标检测模型Fast R-CNN，将尺骨和桡骨末端定位后独立裁剪出来作为模型输入，然后将骨龄成熟度人工评定结果作为输入标签，分别基于ZFnet和VGGnet 模型对裁剪区域进行多种方式的迁移训练，找到效果最佳的网络模型。结果显示，尺骨骨龄阶段识别精度为90%，桡骨为92%。该研究实现了利用深度学习自动评估尺桡骨骨成熟阶段，为分割感兴趣区进行目标检测提供了参考。

同年，西安交通大学胡婷鸿等[21]利用维吾尔族青少年左手腕关节X 线片，基于迁移学习搭建骨龄评估模型，其训练集和验证集样本共计331例。结果显示，测试集误差为1.0 岁以内的在男性样本中占79.5%，在女性样本中占71.2%。该结果与国外研究结果（准确率＞90%）存在一定的差距，可能与训练集数量较少有关。

2017 年8 月，北美放射学会（Radiological Society of North America，RSNA）开始组织儿童手腕骨骨龄评估算法竞赛，目的是构建高精度骨龄评估系统。截至2018 年10 月，已有来自全球32 个研究团队参加比赛[22]。该竞赛使用统一的左手部X 线片作为训练、验证和测试材料，保证了结果的可比较性。其中，训练集和验证集样本共计1 425 张，测试集200 张。2017 年的比赛中，取得最好结果的是LEMIGU 团队，MAE 为4.265 个月，一致性相关系数为0.991。

上述研究结果表明，深度学习已经成功应用于骨龄鉴定领域，且获得的准确率优于人工阅片，提示深度学习无论是端到端自动评估骨龄还是作为辅助鉴定工具都具有巨大的潜力。值得注意的是，未成年人的骨龄推断是临床研究领域的热点，上述研究均为利用活体未成年人影像学资料进行骨龄鉴定的研究，但这并不妨碍其为基于尸体骨骼进行死者年龄推断的研究提供新的思路。

1.2 计算机辅助性别推断

性别推断同样是无名尸体个体识别的重要程序。既往研究[23]结果表明，最可靠的性别推断部位是成人骨盆、颅骨（含下颌骨）以及股骨上段。但是这些研究都是依靠法医人类学专家先确定特征，然后进行人工测量或者依靠软件进行测量，存在很大的组间和组内差异。同时，性别推断研究均集中在数学方程的建立，致力于创建将特定特征作为自变量、性别作为因变量的方程。部分学者试图利用计算机图像处理技术进行性别推断研究，最具有代表性的是椭圆傅里叶分析（elliptical Fourier analysis，EFA）[24]。

椭圆傅里叶分析可用于描述链编码的任意封闭的轮廓曲线，对于任意形状的封闭曲线，均可用椭圆傅里叶级数来逼近。利用椭圆傅里叶分析能够将形状特征转化成可定量的指标，被广泛应用于图像轮廓的描述和形状分析[25-26]。傅里叶分析属于对形态的定量分析，在很大程度上能替代人工经验得出的结果，比如性状的分类、分级等，在法医人类学领域非常有价值[27]。在进行傅里叶分析之前，需对影像学资料进行大量预处理，例如寻找合适的封闭图像。

有学者[28]利用传统的机器学习方法开展基于颅骨进行性别判断的研究，分类准确率为96%。但是传统的机器学习仍然需要研究者先确定所利用的性别差异特征。

早在2002 年，SCHMITTBUHL 等[29]利用69 名男性和48 名女性的左侧下颌骨X 线片，仅基于下颌骨形态利用傅里叶分析进行了性别推断，准确率在男性群体为84.1%，在女性群体为81.2%。CAPLE 等[30]对全颅骨左侧X 线片呈现的闭合颅骨形态进行了傅里叶分析，准确率为86%，高于SCHMITTBUHL 等的研究，可能是因为该研究包含更广的颅骨形态。意大利法医人类学家CAVALLI 等[31]利用颅骨侧位片（CT 扫描定位图），将颅骨整个外轮廓作为人工神经网络的训练特征进行性别判断，准确率为87%。该人工神经网络与CAPLE 等的傅里叶分析研究结果相比，准确率并未有很大改善。

这些研究结果表明，无论是传统的机器学习还是傅里叶分析，均能在一定程度上避免主观差异，但性别推断的准确率较低（81.2%～87%）。

2019 年，BEWES 等[32]对临床1 000名患者的头颅薄层CT 进行三维重建后获取三维颅骨左面观的二维图像作为输入，基于迁移学习微调获得性别推断深度学习模型，准确率为90%（100 个测试集）。该模型实现了端到端的全自动性别判断，准确率较传统人工神经网络和傅里叶分析都有了较大的提升。但是该研究仅利用颅骨左面观的二维图像，且图像中包含大量颈椎信息，加上未纠正头部体位，模型的输入并不是严格意义上的左面观图像，还包含了大量颅骨正面图像信息，因此输入图像不严格，模型的可解释性相对较差。

除颅骨外，肱骨和骨盆也是法医人类学性别推断的常用资料之一。早在2000 年，TANAKA 等[33]便提出了利用椭圆傅里叶函数值分析肱骨近端轮廓大小和形状进而推断性别。在肱骨的二维轮廓图上定位54 个边界点，计算27 次谐波的效率，利用椭圆傅里叶函数值，以质心为原点生成了一组肱骨近端轮廓的期望点，性别推断准确率可达95.7%。2015 年，日本学者HAYASHIZAKI 等[34]利用傅里叶变换分析骨盆CT 图像中耻骨下线和坐骨大切迹区域线的形状进行性别推断，样本包括120 例尸骨，准确率为98.3%。这些研究结果表明，不同于下颌骨，傅里叶分析在基于肱骨和骨盆的性别推断上都取得了较高的准确率。

学者们也曾尝试基于人工神经网络利用髌骨和股骨进行性别推断。2007 年，MAHFOUZ 等[35]使用人工神经网络方法对髌骨进行性别判断研究，准确率为96%。2009 年，法国学者DU JARDIN 等[36]利用股骨上段样本展开了一系列研究。该研究测量了76 个法国人尸骨样本的股骨近端4 个非标准测量值（股骨粗隆-股骨干距离、大-小转子距离、大转子宽度、转子头距离），建立判别法、逻辑回归和神经网络3 种模型。结果显示，人工神经网络准确率最高，为93.4%。但该结果仍然低于TANAKA 等[33]的研究结果（准确率为95.7%）。

虽然不断有相关研究报道且准确性较高，但近十年间人工神经网络在性别推断中并未广泛开展研究，分析可能原因如下：（1）建立模型需要很高的数学基础；（2）该方法仍需要人工确定并手动测量与性别相关的特征；（3）模型不容易解释。法医人类学领域利用傅里叶分析方法也有近30 年，但是也并未大规模开展，可能是由于该方法需要寻找合适的封闭图像轮廓所致。

不同于传统的机器学习[5]，深度学习能够主动从数据中学习多层特征，避免耗时的人工特征选择与提取工程。但深度学习需要大量标准的图像作为输入，以确保网络所学习的特征全部来源于特定骨骼（例如仅包含颅骨）特征，从而提高深度学习网络在法医学鉴定中的适用性。性别推断属于典型的二分类任务，是计算机视觉领域典型的分类问题，因此非常适合利用深度学习来辅助解决。期望未来利用深度学习进行性别判断，实现端到端的自动判别，获得较高的准确率。

2 计算机辅助骨骼影像进行法医学个体识别的研究

由于骨骼具有复杂多样的形态学征象，在人群中具有高度的个体特异性，且现代医学影像学提供的众多图像后处理技术为生前死后骨骼资料的对比提供了技术基础，有众多研究投入到挖掘人体骨骼个体识别的潜力和可靠性等领域。这些研究涉及人体多种骨骼结构，例如牙齿、额窦和胸部骨骼等。法医影像学利用骨骼进行个体识别的研究主要集中在3 个方面：一是主观对比研究，报道案例验证性结果；二是利用传统图像处理技术对骨骼图像进行对比，例如图像互信息与傅里叶分析等；三是利用计算机分类算法进行判别，将生前和死后的影像学资料对比作为二分类任务，借助函数进行判别。

2.1 牙齿

借助图像处理技术或者计算机算法对牙齿的影像学资料进行比对，最终实现系统自动匹配，是目前牙齿个体识别的研究热点。

利用图像处理技术辅助牙齿个体识别，主要包括3 个常规程序：牙齿定位、牙齿特征提取和匹配[37]。牙齿定位的目的是获取独立的单颗牙齿，尽量减少其他背景信息的干扰。利用牙齿形态学特征进行个体识别的研究，主要集中在牙齿分割和匹配问题。常用的分割技术包括基于阈值分割、基于区域分割、基于边缘分割和小波变换。为了克服牙齿轮廓模糊、畸形牙等问题，多项研究提出了众多专门针对牙齿的分割技术。但这些分割技术都是半自动分割方法，需要人工提前标注[38-39]。特征提取和匹配算法包括尺度不变特征变换互信息、混合差分算法和基于细菌菌落优化算法[37-41]。

2012 年深度学习兴起之后，出现了大量关于利用深度学习进行牙齿分割而专门用于牙齿疾病诊断的临床研究[42-43]。2017 年，日本学者MIKI 等[44]通过迁移学习的方法实现了对AlexNet 网络的微调，搭建了牙齿自动分类的深度学习模型。该模型基于42 例牙齿锥形束CT 资料实现微调，用其中10 例测试模型性能。但是结果并不理想，牙齿分类的准确率仅为77.1%。图像预处理阶段利用全卷积神经网络实现牙齿的自动分割和单颗牙齿的提取，但是这种牙齿自动检测的算法准确率为77.4%，说明全卷积神经网络无法实现牙齿的精准分割。分析原因在于，该研究只利用少量的样本来调整全卷积神经网络无法让网络学习到真正有价值的牙齿特征。因此，需要更多的图像进行迁移训练或者从零训练，进而建立一个专门进行牙齿分割和判别的深度网络模型。

2018 年，ZHANG 等[45]基于牙根尖X 线片，利用深度学习算法，将牙齿的正确分类类比为一个32 类的计算机多分类任务进行研究。该研究利用800张图像训练网络，200 张图像测试网络性能。为克服因训练图像数量少而产生的过拟合问题，提出利用标签树对每颗牙齿进行多个标签分解的新方法，解决了数据不足的问题。同时，该研究并不是直接训练一个32 类分类任务的深度网络模型，而是利用级联网络结构对32 个牙齿位置进行自动识别分类。该研究还基于测试集做了图像检索任务用于评估模型性能，召回率是94.8%，表明在200 个测试样本中，190 个样本得到了成功匹配。

综上，利用深度学习算法对牙齿进行同一认定的研究已崭露头角，但需要通过更多牙齿数据样本来建立更加强大的算法，提高牙齿匹配的准确率。

2.2 额窦

额窦通常于20 岁后停止发育，在人群中形态各异，并且额窦位于颅骨内，往往形态保存完整[46-47]。利用额窦进行个体识别的研究和报道较为成熟，其在人群中的唯一性已得到法医学界的广泛认可[48-49]。基于额窦丰富的形态学特征，学者们建立了多套识别编码[50-52]，并对其在不同类型影像学资料中的可迁移性进行了相关研究，额窦X 线片编码同样适用于额窦CT 冠状面[53-55]。但是这些系统都是通过人工编码测量的方式建立起来[56]。CHRISTENSEN[57]于2005 年首次借助计算机软件系统对额窦进行了定量分析，利用椭圆傅里叶分析研究了503 个样本的资料（其中305 人拥有生前和死后的头部X 线片），得到每一个额窦的傅里叶级数，并利用级数资料计算似然率，即两张X 线片来自同一个体与来自不同个体的概率比值。结果显示，当谐波次数为20 时描述的额窦轮廓得到了最大的似然率，为21.22。

2013 年以前，对额窦的研究往往都停留在二维图像上，即使利用CT 影像学资料，也是基于CT 的二维横断面或者冠状面[58]。之后，医学影像学三维数据处理软件平台的发展，推动了法医学者利用额窦三维形态多样性进行同一认定的研究。

2013 年，KIM 等[59]分析了韩国人体模型数据库中150 例尸体头部CT 资料，利用Mimics 软件对额窦进行三维重建后分析额窦的三维形态多样性。该研究提出并分析了三维额窦的15 个形态特征指标，并与既往研究进行详细的对比，发现三维立体额窦可提供更多的对比特征。

2015年，COSSELLU等[60]利用Mimics软件对150例头部锥形线束计算机体层成像（cone beam computed tomography，CBCT）检查案例进行额窦三维重建，分析了额窦的形态多样性。研究发现，由于两侧额窦独立发育，呈现出额窦发育的多样性，所有样本中两侧额窦独立发育的有21 例，两侧额窦相互融合的有67 例，只有一侧额窦的有9 例，拥有中间额窦的有53 例。同时，该研究发现额窦最大冠状径、最长矢状径、最长横断径和额窦体积具有较强的个体差异，可利用这4 个定量指标进行个体识别。

2015 年，巴西学者BEAINI 等[61]利用软件提取了20 例样本的成对匹配额窦三维模型（即同一人的两次采集额窦资料），并利用CloudCompare 软件对额窦表面的三维图像进行重叠匹配，依据重叠结果判断额窦是否来自同一人。该研究发现，同一人两次额窦资料的重叠结果为100%，正确匹配率为100%。但该研究并未开展不同个体之间的三维额窦重叠研究（即非匹配成对额窦的重叠），而且样本量较少。

2019 年，意大利学者GIBELLI 等[62]开展了30对匹配额窦和200 对非匹配成对额窦的三维重叠研究，该研究基于ITK-SNAP 软件对额窦进行分割获取额窦三维模型，基于3D elaboration 软件开展重叠研究，软件自动计算两额窦点与点之间距离的均方根（root mean square，RMS）。结果显示，在匹配的成对样本中，RMS 为（0.07～0.96）mm，平均RMS 为（0.35±0.23）mm。而在不匹配的成对样本中，RMS 为0.96～10.29 mm，平均RMS 为（2.59±1.79）mm。后者的平均RMS 是前者的7 倍，且具有显著性差异，能够为法医学个体识别提供一定的证据支撑。

目前三维额窦模型主要为半自动化方法，即依靠软件人工操作分割出三维模型，仍需专业性人员操作且非常耗时，自动分割额窦再进行自动匹配重叠是研究者未来努力的方向之一。挖掘深度学习算法进行自动分割匹配有望提高识别的客观性和准确率，并摆脱生前和死后额窦自动分割时背景噪声的干扰，从而提高识别的准确性。

2.3 胸部骨骼

2006 年，MUNDORFF 等[63]通过对比生前、死后X线片第7 颈椎和第1 胸椎的棘突形状，成功进行了个体识别，几周后的DNA 结果同样显示为同一人。2011 年，STEPHAN 等[64]对12 具野外发现的尸骨拍摄X 线片，在1 460 例胸片中进行人工肉眼配对试验。有经验的法医人类学专家通过对比第3 颈椎至第4 胸椎的形态特征，正确配对率为90%。这些研究虽然在一定程度上提示胸部骨骼具有个体识别的价值，但都是基于人工的经验性判断，主观性较强。

为了充分挖掘胸部骨骼个体识别的潜力，澳大利亚学者STEPHAN 等开展了一系列胸部骨骼个体识别的客观研究。2014 年，该团队基于17 例同时有尸体锁骨和生前胸片的样本开展了锁骨个体识别价值的探索[65]。基于傅里叶分析计算17例尸体锁骨与409张胸片库（包含尸体生前的17 张胸片）中每个锁骨的相似度并对相似度进行排名。结果发现，75%的尸体锁骨样本对应的生前胸片都可以在相似度排名前5%的胸片队列中找到。之后该团队继续开展了更大规模的对比研究，基于7 361 张胸片，利用30 例尸体锁骨，同样基于傅里叶分析计算相似程度[66]。结果显示，70%的尸体锁骨样本对应的生前胸片都可以在相似度排名前10%的胸片队列中找到。样本增多后结果波动幅度较小，说明了该方法的可靠性，也显示出锁骨的个体识别价值。

2017 年，日本学者ISHIGAMI 等[67]开展了对比生前胸片和死后胸部骨骼CT 资料辅助进行个体识别的研究。该团队收集了27 例同时具有生前胸部X 线片和死后胸部CT 资料的样本，对死后胸部CT 资料进行最大强度投影处理后仅显示胸部骨骼，使用支持向量机来学习胸部X 线片与胸部骨骼图像的相似性，并依据相似度结果自动排序，即每个胸部骨骼图像都会有与27 张胸部X 线片相似程度的排序列表。结果显示，16 例样本死后胸部骨骼图像的相似度列表里最靠前的10 张图像中有其对应的真实胸部X 线片（即与胸部骨骼图像同属同一人的胸部X 线片）。同年，日本学者MATSUNOBU 等[68]开展了利用归一化互信息的方法对胸部骨骼进行相似度研究。通过对生前和死后胸部CT 图像进行分割（CT 阈值设定为250 Hu），获取三维胸部骨骼模型（仅包括椎骨和肋骨），分别计算了生前死后三维胸部骨骼的二维图像之间的归一化互信息值和生前死后三维胸部骨骼模型之间的归一化互信息值。结果发现，同一人两套图像的归一化互信息值均大于不同人两套图像的归一化互信息值，18 例样本全部成功匹配。但该研究的比对对象仅是胸部的肋骨和椎骨，而且经过螺旋CT 容积漫游技术（volume roaming technology，VRT）处理，骨骼成像清晰，故匹配准确率较高。同时该方法需要死者生前的胸部薄层CT 资料，因此在法医学实践中应用受限。而胸部X 线片较薄层CT 在临床上应用更为广泛，因此，探索对比死后胸部薄层CT 与生前胸部X 线片进行个体识别的价值具有更大的应用前景。

3 总结与展望

尸体影像学资料作为尸骨实体的有效替代材料，克服了尸骨样本量少的研究缺陷，同时借助于影像平台，可准确测量骨骼指标，优于人工直接测量尸骨。用于医疗目的的影像学资料通常会保留较长时间，随着尸体影像学检查的普及，对比生前和死后影像学资料在无名尸体的个体识别工作中具有广阔的应用前景。因此，基于大数据平台，借助计算机实现半自动或自动化的个体识别任务，是法医影像学尸体骨骼个体识别的研究方向之一。

随着死后CT 扫描的普及以及CT 后处理技术和三维可视化技术的发展，获取尸体骨骼的三维模型变得更加容易。因骨骼的三维数据包含更丰富的特征，且可进行三维定量、可视化对比，据此开展一系列生前二维或三维图像与死后三维图像的对比研究可为法医影像学骨骼个体识别提供更多的理论支持。

深度学习在医学影像疾病诊断和图像分割上取得了巨大进展。一方面，由于深层神经网络能够将低级特征组合成抽象的高级特征，拥有强大的学习图像特征能力。另一方面，医学影像图像用于深度学习研究具有先天的优势：（1）医学影像图像是由专门的医学放射设备采集而来，具有较高的质量；（2）医学影像图像均以DICOM 格式储存，图像规整，便于转换图像格式；（3）医学影像图像因以诊断疾病为目的，因此医学人员的专业诊断信息可作为高质量的标签信息；（4）医学影像图像的黑、白、灰不同色阶是深度学习网络算法中各层网络结构对图像特征识别的良好研究对象。因此，深度学习将是学习骨骼影像学资料的理想工具。利用该算法强大的学习能力，能够充分学习骨骼特征，不仅可用于性别、年龄等法医人类学显著特征的挖掘，同时也将推进法医影像图像中的骨骼分割与对比识别工作，推动基于尸体骨骼的个体识别研究进入新的阶段。