一种具有空间配置和注意力机制的卷积神经网络，用于Tanner-Whitehouse 3型骨龄评估

《Biomedical Signal Processing and Control》：A convolutional neural networks with spatial configuration and attention mechanism for Tanner-Whitehouse 3 bone age assessment

　　自动骨龄评估算法通过改进TW3方法实现腕骨发育分析，在5235例左手X光片中验证MAE为0.42（RUS）和0.44（C系列），提供骨骼成熟度分阶段评估与骨龄预测双重临床价值。

　　

张毅|吴金东|张文双|赵宏业|李凯|耿健|严东|程晓光|吴同宁

中国信息与通信技术研究院，北京，中国

摘要

目的

放射学骨龄评估（BAA）是诊断儿童和婴儿骨骼生长异常的标准临床程序。现有的基于Tanner-Whitehouse 3（TW3）方法的自动化BAA算法仅能评估桡骨、尺骨和短骨的骨骼成熟度和骨龄（TW3-RUS），无法评估腕骨的骨龄（TW3-C），这限制了其更广泛的临床应用。

方法

我们提出了一种基于TW3的自动化BAA方法来解决这一限制。首先，引入了一种结合空间配置的热图回归关键点检测算法来定位和分割所有20个感兴趣的区域（ROIs）。随后，提出了一种结合注意机制和空间及通道特征的骨骼成熟度分类网络，以预测TW3-RUS和TW3-C系列的骨骼成熟度得分和骨龄。

结果

在我们的方法中，使用5,235张不同年龄儿童的左侧X光片数据集，骨龄的平均绝对误差（MAE）分别为0.42年（TW3-RUS）和0.44年（TW3-C）。

结论

我们的框架通过取得令人印象深刻的BAA结果展示了所提算法的巨大临床潜力，同时为临床医生提供了他们需要了解的所有关于骨骼成熟度和骨龄的重要信息。

意义

所提出的BAA算法能够同时评估TW3-RUS和TW3-C系列的骨骼成熟度和骨龄，有助于临床医生分析患者病情的进展并调整治疗方案。

引言

骨龄评估（BAA）是一种常规程序，用于根据骨骼生长和成熟度来衡量个体的发育水平和生物年龄。在临床医学领域，医生可以通过比较患者的骨龄和实际年龄来识别儿童的骨骼发育异常[1]。

在临床环境中，最常用的BAA方法是分析左手X光片，这些X光片检查骨骼的形态特征，包括手腕和指骨[2]。这种评估由临床医生使用Greulich和Pyle（GP）图谱[3]或Tanner–Whitehouse 3（TW3）方法[4]手动进行。

在GP图谱中，医生将患者的X光片与图谱中的骨骼样本进行比较，以确定最相似的样本，从而评估骨龄[5]。在TW3方法中，放射科医生关注20个感兴趣的区域（ROIs），包括13个TW3桡尺短骨（RUS）和7个TW3腕骨（C），并根据骨骼发育程度为每个ROI分配一个分数（图1）。最后，使用预定义的策略将这些分数结合起来，分别估计RUS和C的骨龄。这种方法提供了更详细的骨骼发育描述，提高了BAA的准确性。然而，手动BAA方法效率低下，且严重依赖于放射科医生的专业经验，因此开发自动化BAA算法对于辅助诊断至关重要。

近年来，基于卷积神经网络（CNN）的深度学习技术在医学图像分析中表现出色[[6], [7], [8], [9], [10], [11]]。然而，大多数现有的人工智能BAA研究采用了端到端的深度学习模型，这忽略了临床实践的需求，导致评估效果减弱[[12], [13], [14]]。临床医生和放射科医生希望这些自动化BAA方法能够提供更精细和准确的结果，包括每块骨骼的发育阶段和骨骼成熟度水平，而不仅仅是生成骨龄估计。相比之下，TW3方法明确分析了每个ROI的骨骼成熟阶段，为BAA提供了逻辑基础。

已经提出了几种基于TW3方法定义的ROI检测的自动化BAA方法[[15], [16], [17]]。这些方法从手部X光片中提取ROI，然后使用回归模型来评估骨龄。然而，一些干骺端区域（如腕骨区域的7个ROI）在提取过程中存在挑战。因此，这些算法无法提供TW3方法中概述的所有20个干骺端区域的全面骨骼发育信息。迫切需要一种强大且准确的BAA方法，能够评估RUS和C系列的骨骼发育，并为临床医生提供适当的骨龄信息。

部分摘录

端到端深度学习基于的BAA方法

北美放射学会（RSNA）通过组织儿科骨龄机器学习竞赛挑战赛，在自动化BAA技术的进步中发挥了关键作用，该竞赛产生了重大影响[18]。向参与者提供了14,236张手部X光片的数据集（训练集12,611张，验证集1,425张，测试集200张），这些数据的骨骼年龄和性别标签是从临床提供的影像中提取的

北京积水潭医院数据库

本研究遵循了2013年修订的《赫尔辛基宣言》的原则。本研究使用的数据由北京积水潭医院提供，并获得了北京积水潭医院伦理委员会的批准（批准编号：201907–11）。积水潭医院数据库包含2019年8月26日至12月31日期间收集的数据，包括4,861张不同年龄儿童的左侧X光片，其中49%为女性，51%为男性。

实施细节

本文使用的深度学习框架是PyTorch，硬件配置主要包括Intel（R）core（TM）i9-10920X CPU和NVIDIA GeForce RTX 3090 GPU。软件配置包括Windows 10 Server操作系统、CUDA 11.3、cuDNN 8.2.0、PyTorch 1.12和Python 3.9。

SMCNet的训练超参数设置如下：批量大小=64；周期数=400；输入图像大小=128 × 128；学习率=0.001，学习率每进行400个周期降低50%

预处理程序

所提出的BAA算法的准确性在很大程度上依赖于TW3-ROI分割过程的稳健性，尤其是在处理多中心数据时。因此，预处理程序在临床开发的BAA方法中至关重要，不容忽视。为了定量评估不同预处理程序对关键点定位的影响，进行了消融实验，结果如表2所示。

结论

总之，现有的基于TW3方法的自动化BAA算法无法提供TW3-C系列的骨骼成熟度和骨龄。此外，其有限的可解释性也阻碍了其临床应用。本研究提出了一种自动化BAA方法，可以同时评估TW3-RUS和TW3-C系列的骨骼成熟度和骨龄。该方法通过集成热图回归关键点检测算法，准确且分段地定位TW3-ROI。

CRediT作者贡献声明

张毅：方法论、数据管理、资金获取、研究。吴金东：数据管理、软件开发、验证、可视化。张文双：方法论、数据管理、资金获取、研究。赵宏业：方法论、写作-审稿与编辑、资源协调、初稿撰写。李凯：项目管理、资源协调、数据管理。耿健：数据管理、正式分析、资金获取。严东：资源协调、项目管理、软件开发。

资金

本研究得到了国家自然科学基金（编号：61971445）和北京市医院管理局临床医学发展专项资助（编号：ZYLX202107）的支持。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。