摘要：基於傳統手工特徵的骨齡評估方法主要包括預處理、關鍵區域檢測、手骨分割、特徵提取、測量五個步驟。
基於傳統手工特徵的骨齡評估方法主要包括預處理、關鍵區域檢測、手骨分割、特徵提取、測量五個步驟，見圖1，以下為該類方法的發展歷史介紹。
圖1 前人基於手工特徵的骨齡評估方法的主要技術路線
1989年，Michael和Nelson共同開發了世界上第一套基於模型的半自動化手骨測量系統，並將其命名為HANDX。該系統包含了三個主要模組：預處理、分割和測量。首先構造直方圖模型用於增強影象，使用高斯分佈函式將影象大致分為三類：背景，軟組織和骨骼；然後，採用自適應輪廓逼近演算法逐步勾勒出每塊骨骼的形狀；最後，透過找到每塊骨骼的長軸和短軸來計算測量值。HANDX系統需要基於手的位置作為先驗知識輸入到系統中，並未進行大規模的資料測試。
1991年，Pietka等人提出了一種基於測量指骨長度來估計骨齡的簡便方法。透過對二值化後的影象縮小範圍，確定大致的指骨及其骨骺感興趣區（phalangealROI，PROI）並對影象進行旋轉，獲得大致PROI垂直正位X光片，使用Sobel梯度運算元進行邊緣檢測，根據經驗選擇合適的閾值，從而獲得指骨及其骨骺的邊緣圖。然後根據中指位於影象最頂端的特性，找出中指的近端指骨、中端指骨和遠端指骨並測量他們的長度。透過查閱中指的標準指骨長度表，對應給出大致估計的骨齡。該方法與影像科醫生的人工讀片相比，測量指骨長度的誤差更小，但總共只測試了50例樣本，且指骨長度本身只能用於大致估計骨齡，無法進行精確估測。
1994年，Tanner和Gibbons提出了一種基於TW2計分法的骨齡評分計算機輔助系統（Computer-AssistedSkeletal Age Scores,，CASAS）。該系統手動對TW2標準中的每塊骨頭進行放大，然後與其不同成熟等級的X光標準模版進行對比，選取其中最為相似的2-3幅模板圖，經過快速傅立葉變換後計算與原圖的相關係數，從而根據每塊骨頭的相關係數情況綜合計分，計算得出TW2標準產生的骨齡評分。CASAS系統的影象處理步驟簡潔，可重複性高。但其仍需要大量的人工干預。
1996年，約旦的AI-Taani等人使用了120幅標準年齡組影象的點分佈模型（PointDistribution Models, PDM）對影象進行了不同年齡的分類。對於圖中每塊骨頭，使用滑鼠手動選擇它的邊界點，提取骨骼輪廓。然後建立每一年齡組所有骨頭的模型。當輸入新影象時，讓所有年齡組的模型圖與輸入影象進行對比，採用最小距離分類器將輸入影象匹配到其最接近的模型組。該方法在中指的遠端指骨和中節骨骺兩處進行了分類匹配測試，實驗結果顯示在遠端指骨處的成功率為70.5％，中節骨骺的成功率為73.7％。該方法的主要缺點是需手動選擇邊界點。
2000年，Mahmoodi等人利用主動形狀模型（ActiveShape Model, ASM）和基於知識的方法進行了骨齡評估。該系統首先應用分水嶺演算法來確定每塊骨骼的大致輪廓位置，然後結合ASM模型和手骨形態的先驗知識，使用分佈在骨骼邊緣上的固定數量的點來提取骨骼的形狀。這些點進一步被用於找出近端指骨的骨骺和幹骺端骨之間的寬度比例，這一比例與生物學年齡之間具有很高的相關性。因此，基於輸出的近端指骨的骨骺和幹骺端之間的寬度估測骨齡。這種方法可以提供較精確的結果，但需要較長的計算處理時間來分析檢測可變形的形狀，此外還需要大量的訓練和測試樣本，整個過程比較複雜。
2003年，Niemeijer等人利用ASM模型和訓練神經網路，結合TW2方法中骨頭的形狀和紋理特徵，實現了骨齡自動評估。首先，他們先得到了TW標準裡所有發育等級中感興趣區ROI的平均影象；然後對待測影象使用ASM模型，確定待測影象中ROI區域的形狀和位置；將找到的待測影象中ROI區域與TW標準中ROI平均影象對比，計算其相關係數，獲得5個相關係數值；選擇最高相關係數值的發育等級作為骨齡匹配的模版。同時，這5個相關係數也可作為特徵輸入訓練神經網路（NeuralNetwork，NN）來預測骨齡。對比測試顯示，一階神經網路的結果更好。為了提高預測骨齡的準確率，可從ASM模型中提取額外的紋理特徵，輸入後期的神經網路。
2007年，Gertych等人提出一種基於手骨關鍵區域特徵的骨齡評估方法。透過對關鍵指骨骨骺和腕骨的分割來提取關鍵特徵。共提取了尺寸、形狀等11組特徵，之後輸入模糊分類器（FuzzyClassifier）進行骨齡評估。該工作的主要貢獻是提供了一個骨齡公開資料庫The DigitalHand Atlas Database，該資料庫收集了洛杉磯醫院19世紀90年代到2017年來的骨齡X線影象，共1391張影象，包括了來自亞洲人、非裔美洲人、西班牙人、高加索人四種人種的影象，且提供了每張影象基於GP法的骨齡診斷結果。
另外，Aifeng Zhang等人提出了一種基於知識的全自動腕骨分割和特徵提取的骨齡評估方法。在評估0至7歲兒童的骨齡時，腕骨起到了非常關鍵的作用。然而腕骨因其數量不確定、與周圍組織對比不強等原因，一直是手骨分割的難點。該方法首先應用了動態閾值法定位腕骨的大致位置，然後採用了一種Perona和Malik提出的各向異性擴散濾波器[38]進一步降噪，接著透過Canny邊緣檢測器進行邊緣檢測，找出腕骨ROI區域。此時的腕骨ROI區域仍包括腕骨、部分橈骨、尺骨和掌骨，所以接下來利用腕骨位置、形狀及生長特點等先驗知識，完成了進一步的腕骨識別。提取腕骨ROI中鉤狀骨和頭狀骨的直徑、離心率、實心率和三角形變等特徵，輸入模糊分類器（FuzzyClassifier）進行訓練，分別輸出兩塊骨頭各自的匹配骨齡。系統的最終骨齡是鉤狀骨和頭狀骨預測骨齡的邏輯平均值。該方法在2至7歲兒童中的腕骨分割準確率為100%，但在2歲以下的腕骨分割中，因其腕骨與背景對比度較差，分割準確率只有80%。
同一年，Hsieh等人對僅基於腕骨的骨齡預測方法進行了補充，提出了一種結合指骨幾何特徵和腕骨模糊資訊的骨齡自動評估方法。該方法首先透過分析手的幾何屬性對整張X光片進行自動校準。然後分別從指骨ROI和腕骨ROI提取生理和形態特徵，分別輸入支援向量機（SupportVector Machine，SVM）和模糊分類器，預測指骨和腕骨骨齡。最後結合指骨和腕骨骨齡共同評估骨齡。該方法的評測結果顯示，腕骨特徵在0至9歲兒童的骨齡評估中起決定性作用。而在0至9歲兒童中僅採用基於指骨幾何特徵的SVM分類方法時，其預測結果與兩者結合相比沒有顯著性差異，表明指骨的幾何特徵與腕骨相比，在預測骨齡時具有更好的年齡泛化性。
2012年，Lindner 等人在主動輪廓模型的基礎上，提出了基於隨機森林和約束區域性模型的自動標定方法。實驗結果表明：在保證形狀模型訓練樣本數量的前提下，該方法具有較好的分割準確度。
迄今為止，最成功的商用全自動骨齡評測軟體系統是BoneXpert。該系統自2009年起在歐洲被許可上市以來，已有數百家醫院在使用其生成的報告，生成一份報告的費用約10歐元左右。該系統可以選擇基於TW3計分法或G-P圖譜法輸出骨齡，整個處理過程分為三個階段：首先透過主動外觀模型(ActiveAppearance Model, AAM)演算法自動分割出手骨和腕骨部位的15塊骨頭；然後在每塊骨頭上應用主成分分析法，根據形狀、密度和紋理特徵計算系統自定義的intrinsicage；最後根據每塊骨頭的intrinsicage，按照TW法或G-P法給出最終骨齡。該系統能夠預測的男孩年齡段為2.5至17歲，女孩年齡段為2至15歲。另外，作者指出該系統尚無法處理影象質量較差或手骨有形變的X光片。
綜上，前人基於影象處理的骨齡評估方法包括預處理、關鍵區域檢測、手骨分割、特徵提取、測量五個步驟。對於手骨分割步驟，由於裝置等因素，手腕部X光片的對比存在偏差，並且由於手骨和軟組織區域存在著一定重疊，導致手骨邊緣模糊，也加大了分割的難度。更重要的是，手骨分割步驟，只是骨齡評估總框架中的一環，前人往往沒有單獨對手骨分割的效果進行評價，只通過最終的骨齡評估的準確度對系統進行總統評價。然而，一旦如特徵提取等後續處理階段以失敗的手骨分割結果作為輸入，那麼最終評估的骨齡並不可靠。在為數不多的討論手骨分割的工作中，對骨骺的檢測成功率為86%，而對遠端指骨骨骺的檢測率只有50%。這意味著手骨分割的穩定性不高，直接影響了後續特徵提取和骨齡評估的效果。
另外，傳統手工特徵種類繁多，且影象的成像對比等因素也在變化，導致不同特徵對骨齡評估結果影響很大，如何選取合適的特徵來評估骨齡也是一個難點。