随着新兴技术的不断发展,我国正在大力推行医疗+人工智能的新型医疗模式。这种模式利用人工智能替代医疗过程中单一重复的人工劳动,在很大程度上节约了医疗资源。骨龄评估是通过确定骨骼生长过程中出现的特征来量化儿童和青少年骨骼生长发育程度。该工作简单但耗时,可以由人工智能技术很好的完成。因此,本文以图像处理与深度学习为技术手段,实现基于重点区域的骨龄评估质量提升研究。本文提出了一种传统图像处理与深度学习相结合的目标检测算法。研究采用RSNA骨龄公开数据集与内蒙古自治区人民医院的本地数据集。首先选用图像彩色直方图均衡化、二值化处理方法对手骨X光图像关键点进行定位,通过手部轮廓-关键点检测方法得到四块ROI-C（Region Of Interest-Collection）。然后采取YOLO（You Only Look Once）V4检测网络对ROI-C所组成的新数据集进行训练,检测得到中华05计分法中RUS-CHN法所关注的13块实际ROI（Region Of Interest）。最后,采用ResNeXt分类网络构建骨龄发育等级评估模型,对13块实际ROI进行等级评定,并对应骨龄发育预测曲线得到骨龄评估结果。该算法解决了单一使用传统图像处理方法时对于处理不同大小、形状、形态和密度的骨骼鲁棒性差和检测区域位置不精确的问题。同时,相较于直接采用深度学习进行目标检测,该算法有效减少了检测错误、检测重复等问题,提高了ROI检测准确率,降低了ROI等级分类误差,并最终实现误差7个月的骨龄准确评估。另外,本文创新性的提出将基于CHN图谱法的骨龄评估结果与基于中华05计分法的重点区域骨龄评估结果进行相互验证,增强评估结果一致性。研究采用HOG（Histograms of Oriented Gradient）+SVM（Support Vector Machines）目标检测算法,实现基于CHN图谱法的骨龄评估。以12岁女性为例,根据CHN法的参考图谱建立11岁、11.5岁、12岁、12.5岁、13岁手骨重点区域图像数据集,通过HOG+SVM目标检测算法,实现基于重点区域的骨龄评估。然后,将两种骨龄评估方法所得骨龄相互比照,验证评估结果的准确性。该方法可以有效降低骨龄评估的系统误差和随机误差,提高评估的可靠性与可验证性,并且增强了临床医生对深度学习实现骨龄评估结果的信任。