基于深度学习的CHN骨龄智能评估方法研究

骨龄评估在儿童生长发育过程监测中有着至关重要的作用,特别是在诊断内分泌和代谢紊乱方面。骨龄评估的方法有很多种,其中中国人手腕骨发育标准(Chinese Wrist Bone Development Standard,CHN)是国内最常用的骨龄评估方法之一。在浙江省校园公益行提供的大量手腕骨X线片(其中部分由骨龄专家按照要求根据CHN法对相关的骨骺做过评估)的数据集下,设计了一种基于深度学习的CHN骨龄智能评估方法。首先,按照CHN法的要求采用YOLOv8模型对手腕骨X线片中14块骨骺作为兴趣区域(Region of Interest,ROI)进行提取;然后设计了一个基于深度学习的模型对ROI的骨骺成熟度进行评估及加权计算得到骨龄值。所提方法不仅超越了传统的骨骺年龄预测回归任务,还专注于CHN中14块骨骺的发育状况,并将这些与常规的CHN法专家评估方法相结合来评估骨龄,使评估结果更具可解释性和可靠性。实验结果证明,所提出的基于深度学习的CHN骨龄智能评估方法精度较高,可以辅助临床应用。

优化参考图谱发育指征的CHN智能骨龄评估方法研究

骨龄(BA)是评估儿童生长发育是否正常的重要指标之一。中国人手腕骨发育标准-CHN计分法是目前中国儿童生长发育中骨龄评估(BAA)最常用的方法之一。但是在CHN计分法中,某些参照骨图谱的发育指征跨度较大,导致专家依据个人经验主观判断它的发育分期而影响评估准确度。在利用深度学习对该类图谱的发育分期进行评估时,会导致它的评估结果产生随机性。该文基于专家评估过的2万余张儿童手腕部X线片,在CHN计分法的基础上,在相邻发育分期间隔跨度较大的参照骨标准图谱之间勾绘新的成熟度指征,产生细化图谱,并利用层次分析法为其分配对应的成熟度得分,提高骨龄评价的准确率。该文在AlexNet网络的基础上融合Harris特征和卷积注意力模块,对各参照骨的发育分期进行评估。在自制的年龄分布为5-11岁的数据集上,采用优化后的CHN法得到的骨龄在容忍度为0.5岁和1岁时的准确率分别达到了94.6%和99.13%。实验结果表明所提方法可以更加精细地分辨儿童手腕骨发育程度,大幅提高骨龄评估的准确率,辅助临床应用。