研究目的:手腕部骨龄是评估儿童青少年生长发育的金标准。手腕骨骨龄的判读方法一直以来采用人工判读,判读过程主观性强、耗时费力,因此自动判读算法研究成为热点。纵观整个骨龄自动判读领域的研究发展过程,研究者是随着样本数量、采用图像处理和识别模型的具体技术、精度要求、研究出发点等多种因素,在"使用更多的人类骨龄判读先验经验,进行数学建模"和"完全抛弃先验经验,完全使用机器智能"两个极端之间徘徊,并随着图像识别领域技术的改进,呈现螺旋式发展。目前自动骨龄判读系统与专家判读结果相比平均错误率已低于0.6岁。但随着机器学习,特别是深度学习算法的发展,大量学者仍然在尝试应用新方法进一步提高自动判读算法的准确度。研究方法:本研究基于中国应用最广泛的"中华05 RUS-CHN"人工记分法骨龄判读标准,以多种图像处理算法、卷积神经网络、学习迁移等理论为基础,研究了多项生理学先验经验、多种机器学习算法、以及算法调优手段对判读平均误差(MAE,机器判读:专家判读)的影响。基于研究结果完成了一套自动骨龄判读模型的工程实现,该模型判读骨龄和专家判读骨龄相比平均误差仅为0.460岁。基于人工骨龄判读的先验经验,本研究主要包括三方面重要算法的研究:1重要骨化中心识别算法、2各骨化中心发育水平评价算法、3根据骨化中心发育水平的骨龄计算算法。主要取得的理论研究成果如下所示:(1)为了准确有效的从手腕骨X光片中提取各个骨化中心(ROI,中华05RUS-CHN标准规定为13块),本研究提出了一种基于手腕部生理结构拟合和Gabor纹理分析的骨化中心提取算法。首先,针对手骨和软组织分割的难点,提出了基于两者边缘纹理和灰度特征的"骨-软组织分割算法"。然后,基于手腕部骨生理结构,提出了手腕部骨结构的骨架拟合算法。最后,提出了基于Gabor纹理分析,并结合小波滤波的多参数骨化中心识别算法。并得到了骨化中心识别分割算法的代码实现。该算法在排除拍摄异常的x光片(模糊、遮挡等)识别比率达到972/980=99.2%,后续的研究和改进可以针对算法的效率、以及极端情况下的阈值灵活调整进行。(2)在骨化中心发育水平评价的自动算法研究中,针对骨化中心发育等级的标准模糊性,本研究对比了稀疏表示分类(SRC)、卷积神经网络(CNN)分类方法在骨化中心发育等级分类问题上的效果,同时,针对骨龄图片数据集的稀缺性问题,基于卷积神经网络的迁移学习(CNN-TL)理论,创新性的提出了骨发育水平分类器的新训练方法。最终得到13块重要骨的"骨发育中心发育等级分类器",准确率有显著性提高。并发现如下规律:尺骨、桡骨在中华-05判读标准中,发育等级进行了比TW3更为细致的骨发育等级划分,更为细致的骨发育等划分虽然提高了骨发育的分辨率,然后也在客观上造成了尺骨、桡骨的等级区分更不明显,导致自动识别率降低,尺骨桡骨出现特殊的生理性变异情况也比较多,这两块骨个体间变异比较大,又是会给算法判读造成困难。中节指骨V经常会出现短指骨的发育情况,人工判读时经常会使用中节指骨III的等级来替代。这些特殊的生理变异都对判读的准确度造成了一定影响。(3)鉴于由骨化中心发育水平计算骨龄的传统记分法的操作复杂性,本研究提出了基于传统记分方法的浮点化改良算法,以及生理发育异常骨的替代算法。比较无改进骨龄计算方法,自动判读骨龄和专家骨龄的平均误差降低了0.005岁。研究结果:综上所述,本研究通过Gabor纹理分析、多项式拟合、小波滤波等图像处理算法提出了骨化中心识别分割算法;同时综合运用卷积神经网络(CNN)、迁移学习(Transfer Learning)等算法和理论,完成了骨化中心发育水平评价算法;并对传统计分法骨龄计算进行了发育异常骨的替换,使用上述多种方法降低了自动识别算法的平均误差率。平均误差(MAE)0.46岁,均方误差(MSE)0.451岁。