骨齡評估系統發展綜述

劉潔琳，劉 杰

骨齡評估系統發展綜述

劉潔琳，劉 杰

（北京交通大學計算機與信息技術學院，北京 100044）

骨齡即骨骼年齡，是人體生物年齡的重要內容，它通過骨骼的生長﹑發育﹑成熟﹑衰老的規律來推斷年齡。骨齡評估能較準確地反映個體的生長發育水平和成熟程度，不僅可以確定兒童的生物年齡，還可以預測兒童的生長發育潛力及性成熟的趨勢，在診斷某些遺傳性和內分泌疾病方面也具有重大作用。通常人們通過左手手腕部X線片來評估骨齡，近年來隨著計算機輔助技術的不斷發展，骨齡評估由人工逐漸向計算機自動化轉變。本文主要介紹了計算機輔助骨齡評估系統的發展過程和其中的主要技術，總結了影響骨齡評估系統的主要因素，并展望其未來的發展。

手腕骨；骨齡；計算機輔助；骨齡評估

引言

1 骨齡評估概述

生物年齡是根據正常人體生理學和解剖學的發育狀態所推算出來的年齡，表示個體組織結構和生理功能的實際衰老程度。生物年齡可以通過身高﹑牙齡﹑骨齡等指標確定。骨齡即骨骼年齡，是人體生物年齡的重要內容，它通過骨骼的生長﹑發育﹑成熟﹑衰老的規律來推斷年齡。骨齡評估（Bone Age Assessment, BAA）能較準確地反映個體的生長發育水平和成熟程度，不僅可以確定兒童的生物年齡，還可以預測兒童的生長發育潛力及性成熟的趨勢，在診斷某些遺傳性和內分泌疾病方面也具有重大作用。骨齡受到許多因素的影響，如性別﹑種族﹑營養狀況﹑生活條件﹑社會環境等。通常人們通過左手手腕部X線片來評估骨齡，將評估結果與生活年齡相比，兩者間的差異可以反映出骨骼發育的異常。BAA操作簡單﹑輻射量低﹑可以通過多個骨化中心預測成熟度，近年來應用愈加廣泛。

臨床上用于骨齡評估的方法主要是Greulich Pyle（G-P）圖譜法和Tanner Whitehouse（TW）計分法。G-P圖譜法由Todd (1937)首創[1]，經Grealic和Pyle多次修改而成的手腕部骨齡成熟的系列性X線圖譜，包括男子31張標準片，年齡范圍0～19歲；女子27張標準片，年齡范圍0～18歲。該圖譜為男女各設置一套X線片，每張X線片代表一個年齡標準骨齡。男初生兒～1歲6個月期間，每3個月有一個標準；1歲6個月～5歲和11歲～16歲期間，基本上是每半年一個標準；此外，都是一歲年齡一張標準片。女性骨齡標準片與男性類似。評價時只需將未知X線片與圖譜對照，找出其中最相近者，即可確定未知片的骨齡。G-P圖譜法簡便明確，在國際上廣泛使用。

TW計分法創建于1962年[2]，Tanner等人以英國人普通家庭經濟條件兒童少年為對象，依據各骨成熟過程中的形態變化，將手腕骨的成熟狀況分為9個等級，制定出判定骨齡的計分方法，稱TW1。1972年修訂成TW2標準，TW2與TW1的不同之處在于各骨齡等級和性別的計分方面。TW2方法[3]共有20個感興趣區（Regions of interest, ROIs），每個ROI包括骺﹑干骺端﹑骨干3個部分，并根據成熟程度劃分成不同的等級（A,B,C,D,…I）。此外，男性和女性采用不同的權重計分。2000年進一步修改完成TW3標準。

在我國，人們大多使用CHN計分法評估骨齡。1988年，原國家體委科教司負責組成了“中國人骨發育研究”課題組，研究制定中國人手腕骨發育評價標準。1992年，仿照TW計分法的研究方法和標準，制訂出CHN計分法。2005年，研制的中華05計分法——2005《中國青少年兒童手腕骨成熟度及評價方法》[4]，取代之前的CHN計分法，在全國范圍內使用。計分法分期具有明確的量化概念，判定結果較準確，重復性較強。但需提前掌握相關知識，操作較為繁瑣。

2 骨齡評估系統的發展

2.1 模糊集技術

20世紀80年代，出現了第一個BAA系統[5]。該系統由Sankar和Robert設計研發完成，他們將模糊集理論應用于手腕骨的邊緣檢測中。他們通過模糊函數和對比增強器分割出骨塊邊緣，還根據模糊性指數和熵的模糊集提出了灰度級的自動閾值算法。

2.2 基于模型的技術

1989年，David與Alan共同開發了基于模型的手腕骨自動分割系統[6]，并將其命名為HANDX。該系統能夠自動地查找﹑分割﹑測量手腕骨X線片中的骨塊。在預處理階段，系統通過模型參數和基于模型的邊界檢測方法，將背景區域與骨塊分離。分割時，依據邊界點的位置逐步逼近骨塊的輪廓邊緣。最后，測量骨塊輪廓相對于坐標軸的長度與寬度。HANDX系統具有較好的魯棒性和較快的運行速度，但是它需要先驗知識來構建模型。

2.3 CACAS系統

1992年，Tanner和Gibbons提出來計算機輔助骨齡評分系統（Computer- Assisted Skeletal Age Scores, CACAS）[7]。該系統基于每個骨塊的9張原型圖像，用來代表9個成熟階段，即每個階段由一個圖像模板定義。輸入的X線片通過手動放大每個骨塊，找到兩三個最為相似的模板。接著系統自動計算每個模板的相關系數，該系數是與模板的相似度。CACAS系統。根據系數計算出對應的成熟階段。CACAS系統使得骨齡評定的穩定性大大提升，受到兒童社區的高度評價。

2.4 動態閾值技術

1993年，Pietka等人通過指骨和腕骨的分析技術結合圖像處理技術完成對骨齡的評估[8]。他們使用左手手腕部的垂直正位X線片，將未曝光的背景區域移除，根據閾值圖像計算平均灰度值。分析閾值圖像中手的形狀，確定腕骨感興趣區即CROI（Carpal ROI）。通過固定閾值將手從背景中分離出來，確定大致的CROI。然后采用動態閾值的方法，使用可變大小的窗口來區分骨骼和軟組織。接著使用數學形態學的方法去除與CROI邊界相交的骨塊，如橈骨﹑尺骨和掌骨。分離在CROI內的骨塊，提取特征對其進行描述。該BAA系統選用二維的特征用于分析，對每個骨塊均選取8個特征進行描述，選擇時去除一些區分度較低的特征降低特征的空間維度。通過選好的腕骨參數，能夠進一步分析得到骨齡。該BAA系統顯示了多維特征對于骨齡分析的重要性，其中面積﹑周長和腕骨骨塊的個數是最為重要的特征。這些參數與指骨參數一起用于骨齡的評定。

2.5 傅里葉分析技術

1995年，Drayer和Cox設計了一款計算機輔助BAA系統[9]，該系統通過傅里葉分析TW2標準中的橈骨﹑尺骨和指骨完成骨齡的評估。分割時，掃描整幅圖像，通過模板匹配的方式定位每個骨塊。然后，計算機得出各骨塊的成熟階段，對每個骨塊進行評分，從而得出手腕骨整體的評分，計算出骨齡。該系統用于對荷蘭女孩的骨齡評估，評估結果與傳統的專家評估相近。

2.6 點分布模型技術

1996年，Al-Taani等人使用點分布模型（Point Distribution Models, PDM）技術對骨齡進行評估[10]。該方法大致分為兩個階段，訓練階段和分類階段。訓練時，建立每一類別的所有骨塊的模型，并允許一定程度的形變。分類時，所有模型與輸入圖像進行對比，該圖像的類別就是與其最接近的模型的類別。當模型與輸入圖像匹配時，他們通過最小距離分類器作為匹配程度的描述。系統通過兩個實驗對分無名指的兩個骨塊進行分類（第三末節指骨和中節指骨）來測試性能。第一個實驗直接將點分布模型應用于末節指骨，而第二個實驗將點分布模型應用于骨骺部分。實驗結果顯示，第二個實驗達到更好的分類效果。

2.7 貝葉斯技術

1997年，Mahmoodi等人通過基于知識的自動視覺系統來評估骨齡[11]?；谥R的活動形狀模型（Active Shape Model, ASM）用于相鄰輪廓的分割和指骨模型的建立。首先，通過分水嶺算法確定合適的閾值確定手部的輪廓。在確定輪廓后，提取相關特征如手指凸度和凹度。利用上述特征，通過峰谷檢測算法確定出標記點從而定位手指。此外，這些標記點構建的矩形窗口可以定位出指骨，再通過骨塊形狀的先驗知識結合ASM完成分割。最后，統計模型的形狀參數和紋理參數經過貝葉斯和回歸處理，完成對骨齡的評估。

2.8 主動形狀模型技術

2003年，Niemeijer等人通過形狀和紋理信息，實現了自動評估骨齡[12]。他們通過Cootes和Taylor[13]提出的主動形狀模型（Active Shape Model, ASM）技術分割骨塊。首先，依據TW2標準，對全部階段建立平均形狀模型。再建立一個ASM用于確定待測ROI中骨塊的形狀和位置，使用普魯克分析與平均形狀對齊。接著，計算待測ROI與平均模型內骨塊周圍固定區域的相關程度，該過程得到5個相關值，選擇最大的值確定待測圖像的骨齡階段。此外，這5個值用作特征作為輸入訓練神經網絡（Neural Network, NN）或線性判別分類器（Linear Discriminant, LD）預測匹配骨齡階段。結果表明，一階神經網絡的結果更好。加大ASM提取的特征數，可以提高預測骨齡階段的準確率。

2.9 活動輪廓技術

2003年，Luis Garcia等人通過活動輪廓的方法實現自動檢測骨塊的輪廓[14]。首先，通過活動輪廓（SNAKES）分割出ROI，確定ROI內骨塊的輪廓，再通過SNAKES完成分割。他們還提出一個新的截斷技術來防止SNAKES被外力牽引遠離骨塊的輪廓邊緣。結果表明該算法的性能取決于圖像的分辨率，過低的分辨率使算法無法正常運作。

2.10 梯度向量流SNAKES技術

2004年，Lin等人提出采用梯度向量流（Gradient Vector Flow, GVF）與SNAKES相結合的方法完成手腕骨圖像分割來并提取一系列手腕骨特征[15]。分割前，通過各向異性非線性擴散濾波器進行預處理，來提高信噪比。采用基于GVF模型的方法檢測手腕骨骨塊的輪廓邊緣，其步驟如下：（1）輸入圖像；（2）各向異性擴散濾波；（3）邊緣圖計算；（4）GVF圖計算；（5）初始化手腕骨邊緣；（6）迭代SNAKES模型逼近手腕骨邊緣，完成分割。該算法分割效果較好，可以拓展應用于其他骨結構，甚至其他類型的醫學圖像中。

2.11 高斯查分算子濾波器技術

2007年，Giordano等人[16]設計了一款全自動評估骨齡的系統。首先，通過圖像處理技術提出骨骺/干骺端ROI即EMROIs。EMROIs內的骨塊通過高斯查分算子（Difference of Gaussian, DoG）濾波器提取，并使用直方圖處理技術選擇自適應閾值進行增強。接著，參照TW2標準提取相應的骨塊特征。該系統并不局限于X線片才能獲取的特征，因此應用范圍更廣。但是，僅僅依靠對于EMROIs的分析并不足以評估骨齡，未來的研究工作則是對手腕骨骨塊的自動提取和分類。

2.12 支持向量機神經網絡技術

2007年，Hsieh等人提出了基于指骨幾何特征和腕骨模糊信息的自動骨齡評估系統[17]。系統通過分析手部圖像的幾何特征實現自動評估。分割時，提取圖像的生理和形態學信息。從指骨ROI和腕骨ROI中提取特征，分別用于對指骨和腕骨骨齡的預測。預測時，采用反向傳播算法，徑向基函數和支持向量機（Support Vector Machine, SVM）神經網絡（Neural Network, NN）來評估指骨骨齡。10歲之前，腕骨特征是骨成熟度的重要參數之一；10歲之后，指骨特征則變得更為重要。因此該系統結合指骨和腕骨特征共同評估骨齡。實驗結果表明，當兒童小于9歲時腕骨信息是主要用于骨齡評估的特征。然而，采用基于指骨的SVM方法時，評估 結果仍保持穩定的正確率則表明指骨特征與腕骨相比具有更廣泛的有效性。

2.13 Bone Xpert 技術

2009年，Thodberg等人設計開發了一款名為Bone Xpert的全自動BAA系統[18]。該系統由3層架構組成。第一層用于重建骨塊邊緣，第二層計算每個骨塊的骨齡，第三層將各骨骨齡轉換成整體骨齡。系統對3000幅手腕部X線片訓練建模，使用形狀﹑強度﹑紋理信息共同用于骨齡的預測。因此系統運行時不需先驗知識和人工干預，并且具有較高的準確度。

2.14 基于統計外觀模型的技術

2009年，Adeshina等人比較不同的手腕部模型對骨齡評估的影響，選擇最為有效的區域建立模型預測骨齡[19]。他們分析了基于170張正常兒童青少年的手腕部X線片，發現采用聯合模型得到的結果更好。經過多次實驗，他們選擇13塊橈﹑尺﹑指骨（RUS）的復合體和它們的8個組合模型達到最好的評估結果。

2.15 基于相關原型的SVM分類算法

2013年，Harmsen等人設計開發了一款半自動BAA系統完成手腕骨骨齡評估[20]。系統包括5個部分：（1）提取14個骨骺ROI；（2）在保留原有特征的基礎上對每個ROI進行圖像檢索；（3）使用特征訓練分類器模型；（4）通過交叉檢驗的方法評估分類器的性能；（5）將分類器應用于待測圖像。對每一類別，采用SVM結合原型圖像的交叉相關的方法進行分類，其中原型圖像通過隨機選取各類別的手部圖像得到。該系統的優點在于具有較好的魯棒性和普遍性，因為系統所有的先驗知識來自于參考數據庫而非所需建模的圖像處理算法。與其他算法相比，該系統不需要諸如GP法和TW法對骨齡級別描述的語義圖，它是完全基于圖像庫帶有注釋的數據。此外，使用相關原型減少了應用時一只手所需的對比次數，大大提高了分類器的性能。

2.16 基于回歸投票的形狀模型算法

2013年，Lindner等人提出了基于隨機森林(RandomForests, RF)回歸投票的方法來搜索模型特征點的最優位置，實現具有魯棒性和準確性的形狀模型的匹配[21]。將RF回歸投票應用于全自動形狀模型匹配（Fully Automatic Shape Model Matching, FASMM）系統的手腕骨分割中。該算法的優點有：（1）綜合模型特征點周圍多個區域的投票；（2）結合決策樹多個獨立的投票；（3）采用從粗到精的分割策略。實驗證明，該系統與其他見刊的BAA系統分割結果相比達到最高的準確度。同時，基于RF回歸投票的FASMM不僅可以應用于手腕骨分割，還可以用于近端股骨和膝關節骨塊的分割中，且均達到很好的分割效果。

2.17 廣義霍夫變換算法

2014年，Hahmann等人提出了有區分力的廣義霍夫變換（Discriminative Generalized Hough Transform, DGHT）的算法用于左手手腕部X線片中骨骺區域的定位[22]。通過有區分力的訓練算法建立形狀模型，并使用廣義霍夫變換算法得到正﹑負模型點的權重。算法整體框架包含多層次的算法，如通過兩次縮放減少搜索區域；使用專門訓練的DGHT形狀模型。此外，與標準方法相比，他們創新性的提出了標記點聯合算法。將標記點與解剖學中的形狀約束相結合達到12個骨骺ROI的全局最優定位。系統的數據庫包含3～19歲的青少年兒童的412幅左手手腕骨X線片，基于數據庫系統分割準確率高達98.1%。

2.18 基于尺度不變特征變換的技術

2015年，Kashif等人提出了尺度不變特征變換（Scale Invariant Feature Transform, SIFT）結合SVM技術，實現骨齡評估[23]。首先，將數據庫中的數據分為30個類別代表0～18歲，接著從左手手腕部X線片中提取14個骨骺ROI。使用大津法確定多級閾值，區分ROI內骨塊和組織。在骨塊的特殊點處提取SIFT特征，通過多分類SVM對其進行分類。通過5折交叉檢驗驗證系統在2個年齡段（0～18歲和2～17歲）的有效性。結果顯示，2個年齡段的平均誤差分別是0.67歲和0.68歲，2個年齡段的平均準確度為98.09%。

2.19 基于字典學習的技術

2016年，Sheshasaayee和Jasmine提出了有識別力的字典學習算法完成骨齡評估[24]。首先使用基于主成分分析（Principal Component Analysis，PCA）噪聲水平評估算法，消除X線片圖像的噪聲，提高圖像質量。接著，使用內核支持向量機(Kernel Support Vector Machine, KSVM)算法，通過圖像特征準確的分類圖像，得出待測圖像的相似性分數。使用有識別力的字典學習（Discriminative Dictionary Learning, DDL）算法根據相似性分數得出匹配結果。DDL算法具有較強的靈活度，在未來的研究中可以探索更多基于DDL框架的理論創新，應用情景。

2.20 基于深度學習的技術

2016年，Spampinato等人提出了幾種深度學習的方法來自動評估骨齡，實驗結果顯示手動和自動評價的平均差異約0.8年[25]。此外，這是第一個在公共數據集上﹑對所有年齡段﹑種族和性別的數據都進行測試，源代碼開源可用，為未來的研究工作提供了堅實的基礎。首先，他們對現有的訓練好的的卷積神經網絡（如OverFeat，GoogLeNet和OxfordNet）在1400張X線片上進行測試，結果表明即使是根據普遍圖像訓練的深度學習算法，也可以應對所有可能情況自動地評估骨齡。他們研究開發可定制的CNN-BoNet-方法，該方法對全部種族﹑年齡段﹑性別的樣本均具有較好的有效性和魯棒性。BoNet包含5個卷積層，在最后一個卷積層之上有一個形變層處理非剛性物體變形，還有一個完全連接層連接一個輸出神經元。

3 BAA系統評估

BAA系統的評估要基于其結果的有效性和準確度，此外運行速度也是一個重要的評估指標?；旧?，BAA包括以下幾個階段：（1）圖像預處理；（2）ROI分割；（3）特征提??；（4）特征選擇；（5）分類。每個階段使用的技術均對整體系統的效率產生影響。同樣，ROI或骨化中心的選擇是影響系統運行速度和準確率的重要因素。在不同骨齡階段，骨化中心的預測值不同，研究應該集中于骨化中心最能描述不同骨齡等級的特征。

4 總結

一些影響BAA性能的因素，同時也影響著BAA的未來發展趨勢。未來研究應該更加針對以下BAA系統的過程和參數。

(1) 圖像采集：采集手部圖像時，需要注意其合適的位置﹑方向和曝光。

(2) 預處理：噪聲和背景的去除﹑圖像增強。

(3) ROI選擇：根據質量﹑密度﹑大小﹑形狀﹑平滑度﹑變換厚度等特點選擇ROI

(4) 分割：圖像轉換技術，邊緣檢測，骨輪廓確定，ROI標記，目標定位。

(5) 特征提取和選擇：識別ROI的參數﹑特征識別的參數；去除無關特征，強調重要特征。

(6) 分類：特征分析，確定特征權重；分類器選擇，分類器分析；匹配結果分析，降低錯誤分類，提高成功率。

BAA系統對骨齡客觀化的評估受到人們更多的注意，同時越來越多的學者投身于自動BAA系統的研發。隨著圖像處理技術不斷地發展，越來越多的新技術應用于BAA系統中，希望未來的研究能夠不斷地完善BAA系統，提高骨齡評估的準確性，擴大系統應用的廣泛性。

[1] Greulich P.Radiographic atlas of skeletal development of hand and wrist, 2nd edition[M].California: Stanford University Press, 1959.

[2] Tanner J M, Whitehouse RH, Cameron N, et a1.Assessment of skeletal maturity and prediction of adult height (TW2 method)[M].London: Acad press, 1983: 50-88.

[3] Tanner J M, Heal Y M J, Goldstein H, et a1.Assessment of skeletal maturity[M].London: Harcourt Publishers Limited, 2001: 9-22.

[4] 張紹巖.中國人手腕部骨齡標準--中華05及其應用[M].北京:科學出版社, 2015:25-75.

[5] Sankar K P, Robert A K.On Edge Detection of X-Ray Images using Fuzzy Sets[J].IEEE T Pattern Anal, 1983, 5(1): 69-77.

[6] David J M, Alan C N.Handx: A Model-Based System for Automatic Segmentation of Bones from Digital Hand Radiographs[J].IEEE Trans Med Imaging, 1989, 8(1): 64-69.

[7] Tanner J M, Gibbons R D.Automatic bone age measurement using computerized image analysis[J].J Ped Endocrinol, 1994, 7(2): 141-145.

[8] Pietka E, Kaabi L, Kuo M L, et al.Feature extraction in carpalbone analysis[J].IEEE Trans Med Imaging, 1993, 12(1): 44-49.

[9] Drayer N M, Cox L A.Assessment of bone ages by the Tanner-Whitehouse method using a computer-aided system[J].Acta Paediatric Suppl, 1995, 406(s406): 77-80.

[10] Al-Taani A T, Ricketts I W, Cairns A Y.Classification Of Hand Bones For Bone Age Assessment[J].ICECS, 1996, 2:1088-1091.

[11] Mahmoodi S, Sharif B S, Chester E G, et al.Automated vision system for skeletal age assessment using knowledge based techniques[J].IEEE conference publication, 1997, 443: 809-813.

[12] Niemeijer M, Ginneken B, Maas C, et al.Assessing the skeletal age from a hand radiograph: Automating the Tanner-Whitehouse method[J].Proc Med Imaging, 2003, 5032:1197-1205.

[13] Cootes T F, Hill A, Taylor C J, et al.The Use of Active Shape Models for Locating Structures in Medical Images[J].Image Vision Comput, 1993, 12(6): 355-365.

[14] Luis R, Mart M, Arribas J I, et al.A fully automatic algorithm for contour detection of bones in hand radiographies using active contours[J].Proc IEEE Int Conf Image Process, 2003, 3: 421-424.

[15] Lin P, Zhang F, Yang Y, et al.Carpal Bone Feature Extraction Analysis in Skeletal Age Assessment Based on Deformable Model[J].J COMPUT SCI TECH, 2004, 4(3):152-156.

[16] Giordano D, Leonardi R, Maiorana F, et al.Epiphysis and Metaphysis Extraction and Classification by Adaptive Thresholding and DoG Filtering for Automated Skeletal Bone Age Analysis[J].Proc of the 29th Conference on IEEE Engineering in Medicine and Biology Society, 2007, 6551-6556.

[17] Hsieh C W, Jong T L, Chou Y H, et al.Computerized geometric features of carpal bone for bone age estimation[J].Chinese Med J, 2007, 120(9):767-770.

[18] Thodberg H, Kreiborg S, Juul A, et al.The Bone Xpert Method for Automated Determination of Skeletal Maturity[J].IEEE Trans Med Imaging, 2009, 28(1):52-66.

[19] Adeshina SA, Cootes TF, Adams JE.Evaluating different structures for predicting skeletal maturity using statistical appearance models[J].Skeletal Maturity, 2009.

[20] Harmsen M, Fischer B, Schramm H, et al.Support vector machine classification based on correlation prototypes applied to bone age assessment[J].IEEE T INF TECHNOL B, 2013, 17(1):190-197.

[21] Linder C, Thiagarajah S, Wilkinson JM, et al.Accurate Bone Segmentation in 2D Radiographs Using Fully Automatic Shape Model Matching Based On Regression-Voting[J].MICCAI, 2013, 16(2):181-189.

[22] Hahmann F, Deserno TM, Schramm H.Epiphyses Localization for Bone Age Assessment Using the Discriminative Generalized Hough Transform[J].Bildverarbeitung Für Die Medizin, 2014.

[23] Kashif M, Jonas S, Haak D, et al.Bone age assessment meets SIFT[J].Spie Med Imaging, 2015.

[24] Sheshasaayee A, Jasmine C.A Novel Pre-processing and Kernel Based Support Vector Machine Classifier with Discriminative Dictionary Learning for Bone Age Assessment[J].Res J Appl Sci Eng Tech, 2016, 12(9):933-946.

[25] Spampinato C, Palazzo S, Giordano D, et al.Deep Learning for Automated Skeletal Bone Age Assessment in X-Ray Images[J].Med Image AnaL, 2016, 36: 41-51.l

A Review of The Development of Bone Age Assessment System

Liu Jielin, Liu Jie
(Computer and Information Technology School, Beijing Jiaotong University, Beijing 100044)

Bone age, an important content of the biological age, describes skeletal growth, development and aging.Bone age measurement plays a signif i cant role in diagnosing hereditary diseases and growth disorders.Bone age assessment using a hand radiograph is an important clinical tool in the area of pediatrics.Recent years, with the continuous development of computer aided technology, bone age assessment gradually shift from artif i cial to computer automation.This paper mainly introduced the development process of computer aided bone age assessment system and its technology, summarizes the main factors that af f ect the bone age assessment system, and prospects the development of the future.

carpal bones; bone age; computer-aid; bone age assessment

TP911.73 [Document Code] A

10.11967/2017150202

TP911.73

A DOI：10.11967/ 2017150202

國家自然科學基金（81561836）

劉潔琳（1992-），女，醫學圖像處理

劉杰（1965-），男，教授，碩士生導師，醫學圖像處理，Email：14120464@bjtu.edu.cn