骨龄是衡量骨骼发育程度的数值,它是医学上诊断青少年内分泌疾病和预测人体身高的参考指标。根据骨骼不同发育阶段呈现的显著特征,可以实现骨龄大小的评测。目前大多数骨龄评测方式,是医生在医学骨龄评测标准下进行人工分析骨骼图像计算骨龄,具有过程繁琐、耗时长而且受医生主观影响的缺点。少数骨龄评测采用基于骨骼图像的计算机自动计算骨龄方式,但存在对医生评测过程和依据不可见且评测结果不可更改的缺陷。针对两种方式存在的问题,本文探索基于医学骨龄评测标准TW2(TannerWhitehouse)法的计算机骨龄辅助评测方式,研究骨龄评测中的骨龄评测流程、图像预处理、手骨分割、手骨特征提取和手骨分类等关键技术。其主要研究内容和成果如下:1.针对现有骨龄评测方法过程不可见和结果不可更改问题,提出基于TW2法的骨龄辅助评测架构。该架构依据TW2的骨龄评测流程,将骨龄评测分为手骨检测、医生手骨检测调整、手骨分类、医生手骨分类调整和骨龄计算等部分,使得骨龄评测依据和过程可见、评测结果可更改和评测准确率更高。2.针对骨龄评测中图像预处理、手骨检测和手骨分类等任务,研究基于TW2法和传统图像处理的骨龄辅助评测的方法。该方法根据手掌的灰度和连通域特征完成图像预处理,然后基于动态阈值和手掌解剖学模型实现手骨检测,之后支持向量机根据手骨的几何特征和灰度分布特征,完成手骨分类,最后基于TW2法中骨龄映射规则计算骨龄。经实测表明该方法相比于医生具更快的骨龄评测速度。3.针对骨龄评测中手骨检测和手骨分类等任务,研究基于TW2法和卷积神经网络的骨龄辅助评测方法。该方法首先基于Faster-RCNN网络,搭建手骨检测网络。然后根据Inception的思想,搭建手骨分类网络Inception-Bone并使用自己设计的加权交叉熵函数训练网络,最后根据所有手骨分类和TW2法骨龄映射规则计算骨龄。经实测对比,在评测误差方面要好于已经商用的BoneXpert系统且评测速度非常快,具有巨大的实际应用潜力。