AI辅助下医生对骨龄评估的效能提升

目的:比较放射科医师在人工智能(artificial intelligence,AI)骨龄评价系统辅助前后对儿童左手X线摄影的骨龄评估效能。方法:回顾性分析在我院就诊的300例患儿左手X线平片。骨龄评测采用中华-05骨龄评定标准,两位低年资医师(医师1及医师2)分别在有无AI辅助下分别记录左手各骨质的骨龄发育等级,并记录时间。以两位高年资放射医师分别在有无AI系统辅助下评估结果的均值为参考标准,计算骨龄测评的准确率、均方根误差(root mean square error,RMSE)、测评时间。结果:无AI辅助下,医师1及医师2分析差值在6个月及12个月诊断准确率分别为77.3%和83%、88.7%和93.7%,RMSE值分别为9和8。在AI辅助下,医师1及医师2分析差值在6个月及12个月诊断准确率分别为88.7%和90.3%、97%和97.3%,RMSE值分别为6和6;差异均具有统计学意义。无AI辅助下,实验组医师和标准组医师,平均评测耗时分别为124.79 s和89.13 s;有AI辅助下实验组医师和标准组医师,平均评测耗时分别为86.10 s和63.87 s,在AI辅助下平均评测耗时均有较大幅度减少(P=0.000)。结论:AI辅助骨龄评价系统可显著提高医师工作效率,减少阅片时间。

基于改进残差网络的骨龄评估方法

为了更细节地提取手部X图像特征,提出了一种基于改进残差网络的骨龄评估方法。基于TW3方法,结合轻量高效注意模块改进残差网络,提高细小颗粒特征的提取准确率。实验结果表明,该方法在西安某三甲医院提供的数据集上,男、女性的平均绝对误差(MAE)分别是0.4228岁和0.4341岁,在1岁误差范围内,男、女性的准确率分别达到93.82%和93.16%,明显地提高了骨龄评估的准确率。

基于深度学习的MRI骨龄评估研究进展

骨龄作为年龄认定的重要依据之一,是法医学的重点研究内容。现有主流骨龄评估方法多基于骨关节X线片,虽已达到较高的准确性,但此类方法主要基于人工阅片,耗时、依赖经验,且非诊疗目的的放射性检查当下备受争议。磁共振成像(magnetic resonance imaging,MRI)是无辐射的三维断层图像,具有优越的骺板软骨成像能力,可清晰显示骨骺生长发育情况,将骨骼MRI用于骨龄评估已成为解决辐射风险的可行策略。同时,随着深度学习的不断进步与发展,使其在图像分析和大数据处理方面的优势逐渐显现。因此,将深度学习与骨骼MRI有机融合进行骨龄评估已成为近年来法医骨龄评估领域新的研究前沿和热点。基于此,通过综述近年来国内外基于深度学习的MRI骨龄评估研究,系统总结了基于深度学习及骨骼MRI的骨龄评估新技术、新方法,以期为骨龄评估研究提供新的思路与参考。

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。

X线骨龄评估方法研究进展与展望

骨龄评估的传统方法主要包括计数法、图谱法及计分法等,近年来又有一些学者不断提出其他新的方法。利用骨骼X线片影像学特征推断骨龄是当前法医学工作者进行骨龄评估的主要手段。但是,将此骨龄推断结论作为"证据"直接提供给司法审判机关,因其存在着一定的误差尚值得商榷。因此,为了提高骨龄鉴定结论的精确度,还需进行更多方法学的研究。经参阅国内、外大量相关文献,现就X线片骨龄评估方法的研究与进展进行综述。

基于智能计算的自动骨龄评估及其与TW3法比较

目的寻找新的算法以提高自动化骨龄评估(ABAA)的准确性和实用性。方法建立基于目标的兴趣区(ROD。按照Tanner-Whitehouse(TW3)法将ROI分为RUS(包括尺桡骨及掌指骨)ROI及腕骨ROI。按离子群优化(PSO)法,每个兴趣区提取5项特征(包括大小、形态及融合或比邻状态)输入人工神经网络(ANN)分类器,ANN建立在前馈的多层网络基础上,并以反向传播算法规则训练ANN以分别处理RUS及腕骨特征。约1046份左手及腕的数字X线片被随机分成两部分,一半用以训练ANN,另一半用以ABAA,而之前全部采用TW3法有两名小儿内分泌专家人工判读骨龄。结果不同专家判读的骨龄间比较提示:RUS骨龄的标准差大于腕骨骨龄(4.40和2.42),但二者的变异系数(CV)均为4.0,且均有很高的一致率(95.5%及94.2%),不同判读者间RUS及腕骨骨龄均无显著性差异(P>0.05)。通过比较ABAA与人工判读骨龄的比较发现,RUS骨龄的标准差大于腕骨骨龄。但腕骨骨龄<9岁及RUS骨龄≥9岁者CV很接近,分别为3.0和3.1,而对RUS骨龄<9岁者CV较大,为3.5。本研究中不管是RUS骨龄还是腕骨骨龄,ABAA与人工判读相比均有很高的一致率(97.0%、93.8%与96.5%)并且无显著性差异(P>0.05)。结论PSO对图像分割与特征的提取更为有效和准确。该ANN经训练后能更全面地处理影像特征信息,准确判断骨龄。基于智能算法的ABAA系统成功地应用于骨龄0～18岁所有病例。

基于深度学习的智能骨龄评估

儿童和青少年的骨龄表明了他们的生长发育情况。传统的骨龄评估方法是医生通过肉眼观察全左手的X光片中多块特定骨头的成熟程度,其精确性很依赖医生的主观判断能力,且评估较为费时。目前已经有基于全手掌骨图像且利用深度卷积神经网络进行骨龄自动评估的方法。为了提高骨龄识别的精度,文中提出从每个全手掌骨中分割出用于骨龄评估的14块特定骨头,然后对每块骨头训练出AlexNet卷积神经网络模型以进行骨成熟等级评估。另外,考虑到骨头发育是个连续过程,不同于传统的骨成熟等级判定,利用网络所输出的两个最可能等级的分类概率来计算骨头的加权得分。测试结果表明,该方法的平均骨龄误差为0.456岁,误差在1.0岁以内的准确率达到94.64%,显著优于基于全手掌骨图像的骨龄自动评估方法。

儿童青少年骨龄评估的现状与展望

骨龄对于评价儿童青少年的生长发育情况、疾病诊断、临床治疗的监测都有重要的意义,该文较全面地介绍了骨龄评估的传统方法、新近方法与常用方法,并对骨龄评估方法的发展趋势予以展望,同时分析了不同骨龄评价方法间的差异。经参阅国内外大量相关文献,现就骨龄评估方法的研究与进展进行综述。

两种骨龄评估方法的比较性研究

目的:通过对超声骨龄测试及X线骨龄读片两种骨龄评估方法的比较,探讨临床更优的骨龄评测方法。方法:选取荆州市3～13岁儿童106例为研究对象,相同患儿在同1d内用X线骨龄片、超声2种方法测定骨龄(2种方法各检测2次),比较2种方法评估骨龄及其可靠性有无差异。结果:骨龄片、超声2种方法评估骨龄的不确定度有统计学差异(P<0.05),2种方法评估骨龄在总体上无统计学差异(P>0.05)。结论:超声骨龄测试克服了传统人工骨龄读片的人为误差,提高了骨龄评估结果的可靠性,提高了骨龄评估速度,同时安全性更高,值得临床推广。

基于深度学习的儿童手骨X光图像骨龄评估方法

目的提出一种基于深度学习的端到端儿童手骨X光图像骨龄评估框架,以实现高精度全自动骨龄评估。方法由手骨分割网络和骨龄回归网络组成模型,手骨分割网络采用Mask-RCNN分割出手骨区域,分割后的手骨区域直接输入回归网络进行骨龄评估。其中,回归网络以Xception为基础模型进行改进,在Xception输出后接入卷积块注意模块,以从通道和空间两个独立的维度细化特征映射,来获取更有效的特征;同时,将图像和性别信息作为网络的双输入,通过增加性别信息平衡不同性别的手骨发育差异。在RSNA儿童骨龄挑战数据集上评估模型。结果预测骨龄的平均绝对误差为4.96个月,超过6个研究团队所用骨龄评估方法的精确度。结论通过分割手骨区域、嵌入卷积块注意模块并关联性别信息,能提高骨龄评估的精确度,可应用于实际临床评估。

基于改进双线性网络的腕骨区域骨龄评估方法

目前,基于深度学习的骨龄分类方法一般采用全手图像作为输入,或者通过标注额外的边界框或关键点来挖掘局部信息。针对全手图像骨龄评估方法容易丢失局部细节信息的问题,提出一种利用腕骨区域特征的骨龄评估方法,该方法将手腕骨的腕关节区域图像作为研究对象,在仅使用单区域图像标注的前提下,利用细粒度识别模型中局部关注和判别细微差异的能力进行骨龄评估。为了提高骨龄评估的精确度,对细粒度识别网络B-CNN(Bilinear CNN)进行改进,在其基础特征提取网络中加入融合了残差结构和注意力机制的特征学习网络,并且根据骨龄预测值的分布特点改进损失函数。经过数据实验,与AlexNet,ResNet和DenseNet等图像分类模型进行比较,结果表明笔者方法有效地提升了模型识别的能力。与现有的全手图像和额外标注的方法相比,笔者方法在仅使用单区域标注的情况下,提高了骨龄评估的准确率。

融合双重注意力网络的儿童骨龄评估方法

骨龄评估是一种检测儿童内分泌与生长发育异常的常用方法,但深度学习方法中低质量手部X射线图像降低最终评估精度。针对该问题,提出一种增加手部X射线图像感兴趣区域面积的对齐网络,该网络以Swin Transformer结构作为主干网络学习图像手部相似性并取得仿射系数,且在训练过程中无须进行大规模手部标注。在骨龄评估网络中,针对高效通道注意力和空间注意力机制改进,提出双池化高效通道注意力和非对称卷积空间注意力方法,将这两种方法以双重注意力形式与Xception网络相结合提出DA-Xception。在RSNA数据集上进行测试,该骨龄评估方法达到5.37个月的平均绝对误差,相较于其他深度学习方法可更充分提取特征,优化评估结果。

基于深度学习的手骨X射线图像骨龄评估

骨龄评估是研究儿童内分泌、遗传因子和生长障碍的常用临床手段,传统骨龄评估方法耗时较长,易受评估者主观因素影响产生误差,而现有自动提取临床特征的骨龄评估方法精度低且泛化能力差。提出一种基于深度学习的端到端手骨X射线图像自动骨龄评估方法。去除Inception ResNet V2网络的Softmax层优化结构,在Inception模块中增加非对称卷积核提高特征图分类精度,引入残差连接结构避免梯度消失或爆炸问题,同时采用均方误差损失函数对骨龄评估回归性能进行评价,并使用分层K折交叉验证法保证数据集样本分类均衡。实验结果表明,与采用BoNet网络的骨龄评估方法相比,该方法评估的骨龄与真实骨龄平均绝对误差减少0.4230岁,骨龄预测精度更高。

骨龄评估系统发展综述

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。

基于卷积神经网络的X图像骨龄评估方法

针对传统方法中骨骺评估区域多、评估结果对医生的依赖性强、评估准确率低等问题,在TW3-C法基础上提出一种改进的骨龄评估方法。根据中国儿童骨骼发育特点,利用卷积神经网络对评估区域进行精减和分类,将传统的13个骨骼评估区域精减至10个,并改进等级计分法。试验结果显示,在1岁误差范围内,该方法将骨龄的预测值准确率提升至男性94.42%、女性93.64%,平均绝对误差为男性0.414 3岁、女性0.428 6岁,与典型的骨龄评估方法相比,准确率得到显著提高。

中华05法和G-P图谱法在儿童青少年骨龄评估中的效果对比研究

目的:比较中华05法和G-P图谱法在儿童青少年骨龄评估中的效果。方法:选取2020年4月—12月新余市妇幼保健院收治的儿童青少年患者81例为研究对象,全部患儿均接受左手X线骨龄片拍摄,并分别开展中华05法和G-P图谱法评估,分析中华05法和G-P图谱法评估儿童青少年骨龄的可行性。结果:Pearson分析显示男生与女性的中华05法和G-P图谱法相关系数为0.895~0.990;中华05法、G-P图谱法和生活年龄具备的相关系数r为0.490~0.844;中华05法测量的骨龄与儿童青少年的生活年龄的符合性高于生活G-P图谱法。结论:中华05法和G-P图谱法应用于儿童青少年骨龄评估并不具备较高的一致性,需与其他发育指标结合应用,对儿童青少年的发育状态实施评估,相较之下,中华05法与儿童青少年的生活年龄更为接近。

基于NTS深度神经网络的青少年骨龄评估方法

手骨骨龄作为人类的生物学年龄,可以准确反映生物个体的发育水平及其成熟度。青少年的骨龄评估结果可对其生长发育情况及身高预测提供理论依据。本文提出一种基于细粒度图像分类原理的深度卷积神经网络模型。该模型在青少年手骨图像识别的过程中可自动定位信息丰富区域并提取其局部特征,然后,将提取到的这些局部特征与图像的全局特征融合在一起,利用融合后的特征进行骨龄分类。

MRI技术在青少年骨龄评估中的应用

在医学领域,骨龄评估是判断个体生长发育状况的重要手段。传统的X线检查虽然在一定程度上能够满足需求,但其辐射风险及二维成像的局限性,使临床医生寻求更为安全、精准的评估方法成为必然。MRI(磁共振成像)技术凭借其无辐射、高分辨率和三维成像的独特优势,正逐步成为评估青少年骨龄的一种方法。

基于深度学习的人工智能技术与骨龄评估的研究现状

骨龄能够客观反映人体生长情况,准确评估体格发育水平,骨龄评估在儿童青少年的生长发育、疾病诊断、临床治疗效果监测中发挥重要作用。近年来人工智能技术不断发展,将人工智能技术应用于骨龄评估领域,有望实现骨龄评估自动化,目前骨龄评估的人工智能技术主要基于深度学习(DL)算法进行,虽已有较多关于DL与骨龄评估的研究,但大部分仍处于实验阶段。现就目前应用于骨龄评估的基于DL的人工智能技术的研究与进展进行综述,以期为相关工作人员提供参考及研究思路。