骨龄评估是研究青少年儿童内分泌、遗传和生长障碍常用的一种临床方法。骨龄评估通常是通过对骨骼发育特征进行鉴别,以此得到对人体发育程度的数值评价。目前,我国的骨龄评估主要是通过医生人工读X-ray手骨图片来完成,但采用这种方式的工作量巨大,资源消耗大、测定花费时间长,且易受到人为因素的干扰而产生判定的不确定性。本课题基于X-ray手骨图像,利用计算机视觉、机器学习中的相关方法,研究X-ray手骨图像的预处理及分割、特征的提取、自动骨龄评估方法、图像样本不足等核心问题。主要研究工作和成果如下:(1)研究X-ray手骨图像的预处理和分割技术。课题数据集中X-ray手骨图像的分辨率不同,存在噪声污染和背景干扰,且灰度分布不均。为了解决这些问题,本文对图像进行降噪处理并放缩到统一的分辨率大小,使用直方图均衡来使图像间的灰度分布均匀,同时使用几种常用的图像分割算法对图像进行分割以分割出手骨区域。提出了一种针对于X-ray手骨图像的裁剪方法来对图像进行裁剪,能尽可能多的裁减掉背景,保留手骨区域。(2)研究X-ray手骨图像样本空间较小的解决方案,对比利用几何策略、GAN策略和弹性变形(elastic distortion)策略生成样本。实验证明,由于图像样本中手骨方向和位置固定,所以并不适合用几何策略生成样本。受限于原始样本的容量,GAN策略生成的样本质量较差,同样不适合用来生成样本。只有弹性变形策略能够在不破坏原有样本数据空间分布不变性的基础上,生成质量较好的样本。(3)研究人工提取X-ray手骨图像特征,结合SVM分类,进行骨龄自动评估。基于SVM的骨龄自动评估方法主要是采用人工特征,对图像提取SIFT特征、LBP特征、GCLM特征,将这些特征进行组合,然后用于训练SVM,基于SVM的骨龄评估方法有一定的骨龄自动评估能力。(4)研究深度学习自动提取X-ray手骨图像特征,利用卷积神经网络进行骨龄自动评估。基于残差网络ResNet和空间变换器(spatial transformer),提出了一种新的ST-ResNet网络模型。相对于人工提取特征的骨龄自动评估方法,该模型展现了更好的评估准确率。