骨龄是衡量青少年发育成熟度的最佳指标,在临床医学、体育赛事和司法鉴定等领域有着广泛的应用。但传统的骨龄评估方法严重依赖于医生的主观意见,存在不稳定、耗时长和效率低等局限性。随着深度学习的蓬勃发展,越来越多的技术被应用于医学图像处理领域,利用卷积神经网络来处理手骨X光图像,完成自动骨龄评估,对提升骨龄评估效率、缓解医疗资源压力具有重大的现实意义。现有的自动骨龄评估方法大多基于整张手骨图像来计算骨龄,其评估过程的可解释性较差,而且脱离了骨龄评估标准。对此,本文以TW3RUS骨龄评估标准为准则,开展了自动骨龄评估方法研究,以实现更为科学的骨龄评估技术。本文的主要工作如下:1.设计了一种基于手骨图像特点的关键骨骼检测算法,在复杂场景下精确检测手骨中的13处重要骨骼。首先,基于阈值分割方法,对手骨图像进行预处理以提取手部轮廓;其次,在YOLOv4算法的基础上,对其网络结构和损失函数进行调整和改进,设计了目标检测算法来检测13处骨骼;最后,对13处骨骼的位置分布特性进行分析,并提出了误检框去除算法以排除误检结果、提升准确率。实验结果表明,本文提出的关键骨骼检测算法实现了较高的检测性能。2.提出了一个简洁、高效的骨骼发育等级评定算法。首先,基于Xception结构设计了 Bone-Xception网络,通过对13处骨骼的发育等级进行类别划分,并在特征图中拼接骨骼类别特征,Bone-Xception可以对13处骨骼统一进行发育等级评定,分类器数目仅为相关研究的1/13,大幅度降低了系统开销;其次,在Focal Loss的基础上引入成对混淆损失,缓解了因类间相似度较高导致的网络过拟合问题。实验结果表明,本文提出的骨骼发育等级评定算法能够有效减小资源开销、提升分类性能。最终,本文实现了 4.73个月的平均骨龄评估误差。