[论文解读] Predictive Modelling of Bone Age through Classification and Regression of Bone Shapes

Anthony Bagnall, J. Lucian Davis|arXiv (Cornell University)|Jun 18, 2014

Forensic Anthropology and Bioarchaeology Studies被引用 4

一句话总结

本文提出了一种基于特征的模块化方法，通过手部X光片中骨骼轮廓提取的形状描述符，实现自动化骨龄评估。通过分类骨发育阶段并利用总结性形状特征（尤其是仅基于三块骨骼）回归预测生理年龄，该方法在准确度上达到专家人类评估者的水平，同时具备可解释性、人口统计学分析能力以及针对特定人群的模型适应性。

ABSTRACT

Bone age assessment is a task performed daily in hospitals worldwide. This involves a clinician estimating the age of a patient from a radiograph of the non-dominant hand. Our approach to automated bone age assessment is to modularise the algorithm into the following three stages: segment and verify hand outline; segment and verify bones; use the bone outlines to construct models of age. In this paper we address the final question: given outlines of bones, can we learn how to predict the bone age of the patient? We examine two alternative approaches. Firstly, we attempt to train classifiers on individual bones to predict the bone stage categories commonly used in bone ageing. Secondly, we construct regression models to directly predict patient age. We demonstrate that models built on summary features of the bone outline perform better than those built using the one dimensional representation of the outline, and also do at least as well as other automated systems. We show that models constructed on just three bones are as accurate at predicting age as expert human assessors using the standard technique. We also demonstrate the utility of the model by quantifying the importance of ethnicity and sex on age development. Our conclusion is that the feature based system of separating the image processing from the age modelling is the best approach for automated bone ageing, since it offers flexibility and transparency and produces accurate estimates.

研究动机与目标

• 开发一种基于图像形状特征的准确、透明且模块化的自动化骨龄评估系统。
• 比较三种方法——原始轮廓表示、基于形状片段的分类以及总结性形状特征——在预测骨龄阶段中的表现。
• 评估基于形状特征的回归模型在预测生理年龄方面的性能。
• 探究性别和种族等人口统计因素对骨龄发育的影响。
• 实现灵活、可解释且可本地化适配的模型，以满足多样化临床人群的需求。

提出的方法

• 对腕部X光片进行分割，以分离出单个骨骼轮廓，并通过几何约束验证分割结果的准确性。
• 提取三类特征：一维轮廓表示、形状片段（具有区分性的子序列）以及基于Tanner-Whitehouse（TW）描述符的总结性形状特征。
• 在三类特征上训练分类器（包括弹性集成模型和基于形状片段的模型），以预测TW骨龄阶段类别。
• 利用形状特征构建线性与非线性回归模型，从骨骼轮廓预测生理年龄。
• 采用逐步回归和假设检验方法，评估人口统计变量（性别、种族）在年龄预测中的显著性。
• 使用平均绝对误差（MAE）、均方根误差（RMSE）和决定系数（R²）等指标评估模型性能，并与人类专家估计结果进行比较。

实验结果

研究问题

• RQ1 在原始轮廓、形状片段和基于TW的总结性特征中，哪种子表示方法在骨龄阶段分类中表现最准确？
• RQ2 基于形状特征的回归模型能否实现与专家人类评估者相当的生理年龄预测准确度？
• RQ3 性别和种族等人口统计因素如何影响骨龄发育？这些影响能否被定量建模？
• RQ4 仅使用三块骨骼是否能实现高精度的年龄预测？哪些特征最具预测力？
• RQ5 基于特征的模块化系统是否相较于端到端深度学习或基于图谱的方法，展现出更高的透明度和可适应性？

主要发现

• 基于TW导出的总结性形状特征的模型在至少一块骨骼上的表现优于使用一维轮廓表示和形状片段的模型。
• 仅使用三块骨骼（指骨、骨骺）的回归模型实现了平均绝对误差（MAE）0.98和均方根误差（RMSE）1.67，准确度与专家人类评估者相当。
• 一个包含两个变量的线性模型（骨骺宽度与指骨距离）可解释约80%的生理年龄方差（R² ≈ 0.80）。
• 种族显著影响骨龄发育，其中亚洲人种是高度显著的预测因子；包含性别和种族的模型RMSE为0.855，略优于人类评估者（RMSE 0.89）。
• 性别在回归模型中为显著预测因子，交互项和逐步选择方法均证实其重要性，尽管在全模型中性别系数与零无显著差异。
• 基于特征的模块化系统实现了透明、可解释且可适应的模型，支持未来整合本地人口统计学数据，并可通过置信区间进行假设检验。