人体器官的生长发育具有阶段性,常被用于生物年龄的检测。儿童青少年的年龄评估最普遍的方法是使用手腕骨来检测其生物年龄,手骨的形态反映了儿童青少年个体生长发育水平和成熟程度。骨龄评估(Bone Age Assessment,BAA)在法医学、运动学和儿科放射学等领域具有广泛应用,临床医生根据骨骼年龄与实际年龄之间的差异可以诊断和治疗儿童青少年发育不良,内分泌异常,遗传性疾病以及规划骨骼矫正手术等。目前,传统的人工判读方法是BAA采取的首要方法,但是传统方法存在诊断过程复杂、主观性强、随机误差大、专业技能要求高等问题。为了克服传统方法的局限性,计算机辅助技术下的BAA系统成为研究热点。但是目前大多数的骨龄自动评估研究存在数据样本小,样本年龄覆盖不全,检测结果不稳定的问题,机器骨龄自动评估系统未被大量使用。针对目前骨龄自动评估系统存在的问题,本课题基于国内某儿童医院左手手腕骨X射线图像样本数据集和国外开源数据集,结合Stacking集成学习算法和深度卷积神经网络(Deep Convolutional Neural Networks,DCNNs)构建骨龄自动评估模型。课题的主要研究包括:(1)提出了基于特征提取的DBSCAN-U-Net手骨图像分割方法。首先通过特征点检测定位手形区域,然后采用基于密度的带噪声的空间聚类算法(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)对手骨进行粗分割,去掉大部分的背景噪声。将粗分割后的图像输入U-Net网络进行训练和预测,通过后处理提取出完整手形,实现手骨图像的精细分割。实验结果表明,与只使用U-Net网络分割手骨图像的方法相比,该方法的分割精度更高。(2)提出了基于Stacking集成神经网络构建骨龄自动评估模型的方法。使用迁移学习在常用的BAA模型中选择性能最优的5个DCNN作为基础模型,Softmax回归作为次级模型,基于Stacking集成学习策略构建BAA模型。对损失函数进行改进,优化不均衡样本带来的预测误差。实验结果表明,基于Stacking集成神经网络的骨龄评估模型性能比单个DCNN构建的模型提高了7%-15%,在两个骨龄X射线样本数据集上的MAE分别为5.42,6.15,RMSE分别为7.81,8.94。而且经过手骨图像分割搭建的BAA模型比没有经过分割的样本训练的模型预测准确率提高了25%。(3)基于训练好的骨龄自动评估模型,设计并开发智能骨龄评估系统(Intelligent Bone Age Assessment System,IBAAS),搭建了服务器、客户端访问平台。系统可以通过用户输入的手腕部X射线图像自动预测骨龄,增加了模型的临床应用价值。IBAAS所采用的手骨图像分割方法可以提高分割的准确率,为后续骨龄自动评估模型的构建提供可靠的预处理样本,可以有效提高模型的预测准确率。IBAAS基于Stacking集成神经网络构建的BAA模型可以对儿童青少年的骨龄进行较为准确的预测,与单一的DCNN模型相比,虽然集成神经网络的时间复杂度更高,但是模型的泛化能力更强,预测精度更高。基于该模型开发的IBAAS可以作为临床检测的辅助工具,为放射科医师提供临床决策支持。