基于形态学的深度学习骨龄预测模型

林重汕; 林晓明; 王爽; 王洋; 王正东

doi:10.12263/newIT.2024.04.003

您当前的位置：

首页 >

文章列表页 >

基于形态学的深度学习骨龄预测模型

研究论文 | 更新时间：2025-05-15

- 基于形态学的深度学习骨龄预测模型
- Age-Based Morphological Prediction Strategy for Bone Age Prediction
- 新一代信息技术 2024年7卷第4期页码：11-15
- 作者机构：
  
  1.东华理工大学，江西南昌 330031
  2.广东联创工程研究生院，广东佛山 528300
- 作者简介：
  
  林重汕（2000—），男，硕士研究生在读，研究方向为深度学习。E-mail：461237345@qq.com
  林晓明（1989—），男，工程师，研究方向为医学人工智能。E-mail： xiaominglin@gidichina.org
  王爽（1994—），女，助理工程师，研究方向为医学图像处理。
  王洋（1989—），男，副高级工程师，研究方向为医学人工智能。
  王正东（1998—），男，助理工程师，研究方向为医学人工智能。
- 基金信息：
  
  广东省科技创新战略专项基金(2018FS05020102)
- DOI：10.12263/newIT.2024.04.003
  中图分类号： TP30
- 录用日期：2025-02-21，
  
  纸质出版日期：2024-04-15
- 稿件说明：
移动端阅览
林重汕, 林晓明, 王爽, 等. 基于形态学的深度学习骨龄预测模型[J]. 新一代信息技术, 2024, 7(4): 11-15

LIN Chong-shan, LIN Xiao-ming, WANG Shuang, et al. Age-based Morphological Prediction Strategy for Bone Age Prediction[J]. New Generation of Information Technology, 2024, 7(4): 11-15
林重汕, 林晓明, 王爽, 等. 基于形态学的深度学习骨龄预测模型[J]. 新一代信息技术, 2024, 7(4): 11-15 DOI： 10.12263/newIT.2024.04.003.

LIN Chong-shan, LIN Xiao-ming, WANG Shuang, et al. Age-based Morphological Prediction Strategy for Bone Age Prediction[J]. New Generation of Information Technology, 2024, 7(4): 11-15 DOI： 10.12263/newIT.2024.04.003.

摘要

骨龄评估是识别青少年生长障碍的常见临床实践。手骨中的感兴趣区域（Region Of Interest，ROI）因年龄而异，但大多数深度学习模型是基于全年龄段进行训练，特征选择不明确，缺乏临床认知分析。本研究基于不同年龄组的ROI形态特征，结合临床年龄组划分和G-P（Greulich-Pyle）图谱，提出了一种基于分段年龄的形态学预测策略（Age-based Morphological Prediction Strategy

AMPS），该策略主要由2个阶段组成。在第1阶段中训练了基线模型，获得初始化权重；在第2阶段中本文根据临床上各骨龄阶段的形态特征划分年龄区间，并结合基线模型的权重训练了4个分段模型。然后，分段模型根据初评估的骨龄完成预测。此外，本文还引入了数据平衡损失（DB-loss），以缓解不同骨龄组之间的数据不平衡问题。该方法分别在公共数据集和本地医院提供的临床数据集中验证了AMPS的有效性。实验结果表明，公共数据集的平均绝对误差（Mean Absolute Error

MAE）为5.46个月（0.45岁），临床数据集的MAE为6.39个月（0.53岁）。结果显示本文所提出的AMPS，其性能与临床医生相当，在实际场景中具有应用价值。

Abstract

Bone age assessment is a common clinical practice for identifying growth disorders in adolescents. While regions of interest (ROI) in hand radiographs vary with age

most deep learning models are trained based on all age groups

with ambiguous feature selection and a deficiency in clinical cognitive analysis. This study proposes an age-based morphological prediction strategy (AMPS)

which combines the morphological features of ROI among different age groups and integrates clinical age group divisions and the Greulich-Pyle (G-P) atlas. AMPS comprises two stages: a baseline model trained in stage 1 to obtain initial weights

and four segmented models trained in stage 2 based on age intervals defined by morphological characteristics in different clinical bone age stages

using the baseline model weights. The segmented models then refine the bone age prediction. A data balancing loss (DB-loss) is introduced to mitigate data imbalance across age groups. AMPS is validated on the public dataset and the clinical datasets provided by a local hospital

achieving mean absolute errors (MAE) of 5.46 months (0.45 years) and 6.39 months (0.53 years)

respectively. These results demonstrate that AMPS achieves performance comparable to clinicians and holds practical clinical value.

关键词

Keywords

references

李金萍 . 骨龄评价与环境干预在儿童身高促进中的应用分析 [J ] . 临床医药文献电子杂志 , 2019 , 6 ( 73 ): 35 - 36 .

潘其乐 , 张洪 , 周慧康 , 等 . Greulich-Pyle图谱法、CHN法和中华05法评估儿童青少年骨龄的比较 [J ] . 中国组织工程研究 , 2021 , 25 ( 5 ): 662 - 667 .

谷静 , 孙启雷 , 张明选 . 基于TW3-C RUS法的骨龄评估方法研究 [J ] . 光电子·激光 , 2023 , 34 ( 5 ): 554 - 560 .

李居朋 , 王颖慧 , 李刚 . 医学图像关键点检测深度学习方法研究与挑战 [J ] . 电子学报 , 2022 , 50 ( 1 ): 226 - 237 .

武鹏 , 刘新顶 , 赵德利 , 等 . AI辅助下医生对骨龄评估的效能提升 [J ] . 重庆医科大学学报 , 2024 , 49 ( 1 ): 60 - 64 .

LIU B , ZHANG Y , CHU M C , et al . Bone age assessment based on rank-monotonicity enhanced ranking CNN [J ] . IEEE Access , 2019 , 7 : 120976 - 120983 .

张世杰 , 李睿 , 占梦军 , 等 . 基于深度学习区域融合的骨龄评价研究 [J ] . 现代计算机 , 2020 , 26 ( 9 ): 54 - 59, 68 .

丁维龙 , 余鋆 , 李涛 , 等 . 基于改进双线性网络的腕骨区域骨龄评估方法 [J ] . 浙江工业大学学报 , 2021 , 49 ( 5 ): 511 - 519 .

王俊峰 , 程勃超 , 刘彦 , 等 . 多尺度特征双线性融合的骨龄自动评估方法 [J ] . 传感器与微系统 , 2022 , 41 ( 5 ): 48 - 52 .

国威 , 郭金兴 , 陈广新 , 等 . 基于轻量化VGG16和注意力机制的骨龄预测研究 [J ] . 新一代信息技术 , 2023 ( 19 ): 15 - 20 .

张淑军 , 彭中 , 李辉 . SAU-Net:基于U-Net和自注意力机制的医学图像分割方法 [J ] . 电子学报 , 2022 , 50 ( 10 ): 2433 - 2442 .

董丽丽 , 丁畅 , 许文海 . 基于直方图均衡化图像增强的两种改进方法 [J ] . 电子学报 , 2018 , 46 ( 10 ): 2367 - 2375 .

OESTREICH A E . Hand bone age: A digital atlas of skeletal maturity [J ] . RadioGraphics , 2005 , 25 ( 4 ): 1074 .

THODBERG H H , KREIBORG S , JUUL A , et al . The BoneXpert method for automated determination of skeletal maturity [J ] . IEEE Transactions on Medical Imaging , 2009 , 28 ( 1 ): 52 - 66 .

GERTYCH A , ZHANG A F , SAYRE J , et al . Bone age assessment of children using a digital hand atlas [J ] . Computerized Medical Imaging and Graphics , 2007 , 31 ( 4/5 ): 322 - 331 .

LIN T Y , GOYAL P , GIRSHICK R , et al . Focal loss for dense object detection [J ] . IEEE Transactions on Pattern Analysis and Machine Intelligence , 2020 , 42 ( 2 ): 318 - 327 .

HALABI S S , PREVEDELLO L M , KALPATHY-CRAMER J , et al . The RSNA pediatric bone age machine learning challenge [J ] . Radiology , 2019 , 290 ( 2 ): 498 - 503 .

KING D G , STEVENTON D M , O’SULLIVAN M P , et al . Reproducibility of bone ages when performed by radiology registrars: An audit of Tanner and Whitehouse II versus Greulich and Pyle methods [J ] . The British Journal of Radiology , 1994 , 67 ( 801 ): 848 - 851 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

暂无数据