基于主成分分析和支持向量機(jī)實(shí)現(xiàn)膝關(guān)節(jié)骨齡評(píng)估回歸算法

雷義洋，申玉姝，王亞輝，趙虎

（1.中山大學(xué)中山醫(yī)學(xué)院法醫(yī)學(xué)系，廣東 廣州 510080；2.上海大學(xué)材料科學(xué)與工程學(xué)院高分子材料系，上海 200444；3.司法鑒定科學(xué)研究院 上海市法醫(yī)學(xué)重點(diǎn)實(shí)驗(yàn)室 上海市司法鑒定專業(yè)技術(shù)服務(wù)平臺(tái)，上海200063）

根據(jù)骨骼隨生長(zhǎng)周期呈現(xiàn)連續(xù)性與階段性的放射影像學(xué)特征推斷個(gè)體生物學(xué)年齡的過程稱為骨齡評(píng)估。法醫(yī)學(xué)骨齡研究具有重要的法律意義，對(duì)于判斷案件性質(zhì)及司法審判定罪量刑起著決定性作用。目前骨齡評(píng)估的主要方法有圖譜法（如GP圖譜法[1]）、計(jì)分法（如TW計(jì)分法[2]）、計(jì)數(shù)法等，但我國尚無統(tǒng)一的骨齡評(píng)估方法或標(biāo)準(zhǔn)。然而，傳統(tǒng)的人工評(píng)估方法識(shí)別效率有限，且容易受閱片者主觀性影響。因此，尋求便捷、科學(xué)的骨齡評(píng)估方法成為法醫(yī)學(xué)領(lǐng)域的重點(diǎn)問題之一。隨著支持向量機(jī)（support vector machine，SVM）廣泛應(yīng)用于機(jī)器學(xué)習(xí)、模式識(shí)別、模式分類等各個(gè)領(lǐng)域，本課題組提出了基于SVM骨骺發(fā)育的圖像模式識(shí)別方法[3]。SVM是VAPNIK[4]于1995年提出的一種用于模式分類和非線性回歸的統(tǒng)計(jì)學(xué)習(xí)理論，其基本思想是建立一個(gè)分類超平面作為決策曲面，使正例與反例的間隔離邊緣最大化，并轉(zhuǎn)化為一個(gè)凸二次規(guī)劃問題來求解。其優(yōu)勢(shì)在于解決線性不可分問題，通過引入核函數(shù)將低維度的特征空間映射到高維上使之線性可分[5]。SVM遵循結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，在處理二分類問題上擁有良好的泛化能力、通用性及魯棒性，在解決小樣本、非線性和高維等問題時(shí)優(yōu)勢(shì)明顯，在數(shù)據(jù)挖掘、圖像處理、氣象預(yù)測(cè)等領(lǐng)域獲得了良好的應(yīng)用效果[6-7]。

本研究通過方向梯度直方圖（histogram of oriented gradient，HOG）與局部二值模式（local binary patterns，LBP）對(duì)新疆維吾爾族青少年膝關(guān)節(jié)數(shù)字化DR攝片圖像進(jìn)行特征提取，運(yùn)用主成分分析（principal component analysis，PCA）進(jìn)行特征降維，既保留原始指標(biāo)的主要信息，又避免冗余信息造成模型過擬合。基于降維后的特征數(shù)據(jù)建立膝關(guān)節(jié)骨齡的支持向量回歸（support vector regression，SVR）預(yù)報(bào)模型，并用獨(dú)立測(cè)試集檢驗(yàn)?zāi)Ｐ偷姆夯芰Γ骄吭摲椒ǖ臏?zhǔn)確性。

1 材料與方法

1.1 樣本

本研究從新疆維吾爾自治區(qū)人民醫(yī)院放射科影像數(shù)據(jù)庫中，選取自2014年8月—2016年12月拍攝的維吾爾族12.0～＜19.0歲青少年膝關(guān)節(jié)DR攝片圖像。入選的攝片個(gè)體均身體健康，營(yíng)養(yǎng)狀況良好，無其他影響骨骼發(fā)育的疾病，且無外傷史。其中男性275例，女性225例。攝片時(shí)所對(duì)應(yīng)的生活年齡信息均源于其居民身份證或戶籍資料。

經(jīng)裁剪去除攝片號(hào)、姓名、拍攝日期等無關(guān)信息，保留股骨內(nèi)上髁上端2～3cm、脛骨粗隆下端2～3cm、腓骨頸下端2～3 cm。在上述男、女性青少年膝關(guān)節(jié)DR攝片圖像中基于年齡段采用隨機(jī)分層抽樣法選取約80%的樣本（男性215例，女性180例）作為訓(xùn)練集，用于模型訓(xùn)練、參數(shù)選擇。剩余的樣本（男性60例、女性45例）作為獨(dú)立測(cè)試集，用于評(píng)估模型的泛化能力。樣本分布情況見表1。

本研究符合醫(yī)學(xué)倫理學(xué)有關(guān)條款規(guī)定。

表1 訓(xùn)練集與測(cè)試集年齡分布 （例）

1.2 原理和方法

1.2.1 圖像特征提取

1.2.1.1 HOG特征提取

HOG特征是模式識(shí)別與計(jì)算機(jī)視覺領(lǐng)域常用于描述圖像局部紋理特征的一種常用的特征描述子[8]。其基本思想為圖像局部區(qū)域的灰度值梯度和邊緣方向可反映出圖像特征，將圖像以像素點(diǎn)為單位分為若干個(gè)大小相同的單元格，稱為元胞（cell），計(jì)算出元胞內(nèi)6×6像素點(diǎn)的灰度值梯度信息（大小與方向），并以直方圖的形式呈現(xiàn)。然后將相連的2×2個(gè)元胞組成大的連接區(qū)域，稱為block，每個(gè)block包含了元胞的梯度特征，并以非重疊（non-overlap）的形式合并元胞區(qū)域，構(gòu)建每個(gè)block區(qū)域的梯度直方圖，構(gòu)成膝關(guān)節(jié)圖像的HOG特征。如圖1所示。

圖1 膝關(guān)節(jié)HOG特征算子示例

1.2.1.2 LBP特征提取

LBP特征是描述圖像局部紋理的特征算子，具有旋轉(zhuǎn)不變形與灰度不變形等優(yōu)點(diǎn)[9]。該算法的中心思想是在3×3像素的正方形區(qū)域內(nèi)，將中心像素點(diǎn)的灰度值設(shè)為閾值，鄰域內(nèi)的像素灰度值與中心閾值相比較，若中心閾值大于鄰域8個(gè)像素點(diǎn)灰度值，則該像素點(diǎn)位置被標(biāo)記為0，反之則標(biāo)記為1，得出一組二進(jìn)制碼表示圖像局部信息。將二進(jìn)制數(shù)轉(zhuǎn)化為十進(jìn)制數(shù)，則該3×3像素區(qū)域可用LBP值反映。演算方法如圖2所示。

圖2 膝關(guān)節(jié)LBP特征算子示例

1.2.2 基于PCA法特征降維

PCA也稱為卡爾胡寧-勒夫變換，統(tǒng)計(jì)學(xué)上PCA的定義為用幾個(gè)較少的綜合指標(biāo)來代替原來較多的指標(biāo)，而這些較少的綜合指標(biāo)既能盡可能多地反映原來較多指標(biāo)的有用信息，且相互之間又是無關(guān)的[10]。PCA是一種用于探索高維數(shù)據(jù)結(jié)構(gòu)的技術(shù)，通過把具有相關(guān)性的高維變量合成線性無關(guān)的低維變量，新的低維數(shù)據(jù)集會(huì)盡可能地保留原始數(shù)據(jù)的變量，通常用于高維數(shù)據(jù)集的探索與可視化。設(shè)有m條n維數(shù)據(jù)，PCA算法的基本步驟為：（1）將原始數(shù)據(jù)按列組成n行m列矩陣X；（2）將X的每一行（代表一個(gè)屬性字段）進(jìn)行零均值化，即減去這一行的均值；（3）求出協(xié)方差矩陣；（4）求出協(xié)方差矩陣的特征值及對(duì)應(yīng)的特征向量；（5）將特征向量按對(duì)應(yīng)特征值大小從上到下按行排列成矩陣，取前k行組成矩陣，即為降維到k維后的數(shù)據(jù)。

本研究為了解決圖像特征冗余帶來的數(shù)據(jù)量過大的問題以及對(duì)模型訓(xùn)練產(chǎn)生影響的噪聲信息，運(yùn)用PCA法對(duì)特征進(jìn)行降維，分別對(duì)訓(xùn)練集男、女性膝關(guān)節(jié)影像提取的HOG特征、LBP特征進(jìn)行分析，選擇HOG特征經(jīng)PCA降維后的前59個(gè)主成分和LBP特征經(jīng)PCA降維后的6個(gè)主成分，共65個(gè)主成分，把降維后的新數(shù)據(jù)作為SVM回歸模型的數(shù)據(jù)輸入。

1.2.3 構(gòu)建SVM回歸模型

通過SVM引入核函數(shù)對(duì)二維空間不可分的數(shù)據(jù)進(jìn)行超平面劃分，將給定的低維空間轉(zhuǎn)化為更高維空間，使得數(shù)據(jù)在新空間是可分離的。在訓(xùn)練階段將提取好的特征向量和該向量對(duì)應(yīng)的已知類別輸入SVM中，通過建立訓(xùn)練數(shù)并解多元不等式方程組，而多元不等式方程組的解則成為支持向量。對(duì)于一組特定的支持向量以及其對(duì)應(yīng)的類別形成一個(gè)SVM模型，SVM算法實(shí)際為凸二次規(guī)劃問題，尋找局部最優(yōu)解代替全局最優(yōu)解，以此來避免模型過擬合、欠擬合與局部極小點(diǎn)問題[4，11]。

基于分類問題或回歸問題的SVM分別成為支持向量分類（support vector classification，SVC）和SVR。考慮到骨齡評(píng)估實(shí)際情況，對(duì)年齡的預(yù)測(cè)是一個(gè)回歸問題，故本研究采用SVR進(jìn)行年齡回歸輸出。SVR基本思想為利用線性函數(shù)對(duì)樣本進(jìn)行擬合，對(duì)非線性問題通過引入核函數(shù)代替目標(biāo)函數(shù)將樣本映射到高維特征空間Hilbert得到回歸函數(shù)[12]。

首先將有限的n位作為輸入樣本，引入最小化風(fēng)險(xiǎn)函數(shù)：

式（2）中，C為設(shè)定的懲罰因子，懲罰因子是學(xué)習(xí)模型在學(xué)習(xí)過程中對(duì)誤差的一種度量，一般在模型學(xué)習(xí)前已經(jīng)選定。

損失函數(shù)[13]是學(xué)習(xí)模型在學(xué)習(xí)過程中對(duì)誤差的一種度量，不同的學(xué)習(xí)問題對(duì)應(yīng)的損失函數(shù)一般也不同，同一學(xué)習(xí)問題選取不同的損失函數(shù)得到的模型也不一樣。本模型采用ε不敏感損失函數(shù)，可避免將有限的數(shù)據(jù)樣本擬合進(jìn)數(shù)學(xué)模型產(chǎn)生過擬合現(xiàn)象[14]。ε為訓(xùn)練集真實(shí)年齡與預(yù)報(bào)年齡的差值，即假設(shè)所有訓(xùn)練數(shù)據(jù)以精度ε作為約束條件擬合為式（3）：

最后，建立Lagrange函數(shù)[15]求解原問題的對(duì)偶問題，得到最終的最優(yōu)超平面回歸函數(shù)。引入滿足Mercer定理的函數(shù)作為核函數(shù)，在低維空間映射到高維特征空間實(shí)現(xiàn)線性可分，避免“維數(shù)災(zāi)難”，減少計(jì)算量，本模型選擇對(duì)非線性系統(tǒng)擬合程度好的高斯徑向基核函數(shù)[16]（Guassian radial basis kernel function，RBF）。同時(shí)，本研究根據(jù)均方根誤差（root mean square error，RMSE）優(yōu)化SVR模型參數(shù)。

1.2.4K折交叉驗(yàn)證

K折交叉驗(yàn)證用于優(yōu)化模型得到最優(yōu)參數(shù)，有效避免過擬合及欠擬合狀態(tài)發(fā)生，評(píng)估模型訓(xùn)練效果。其基本原理是將訓(xùn)練集數(shù)據(jù)均分為K個(gè)子集，將單一子集作為驗(yàn)證集，其余K-1個(gè)子集數(shù)據(jù)作為訓(xùn)練集，共計(jì)得到K個(gè)模型。其優(yōu)勢(shì)在于重復(fù)利用每個(gè)子集進(jìn)行循環(huán)訓(xùn)練與驗(yàn)證，通常K取值為5或10。本實(shí)驗(yàn)采用5折交叉驗(yàn)證，即5個(gè)子集中4個(gè)子集作為模型輸入樣本，留下1個(gè)子集作為驗(yàn)證集，依次循環(huán)驗(yàn)證5次。

1.3 仿真環(huán)境與統(tǒng)計(jì)分析

本研究利用MATLAB? R2013b（8.2）軟件編程，添加LIBSVM工具包[17]。計(jì)算真實(shí)年齡與預(yù)報(bào)年齡間的平均絕對(duì)誤差（mean absolute error，MAE）與RMSE，MAE與RMSE均用于衡量預(yù)報(bào)年齡與真實(shí)年齡之間的偏差，反映模型泛化能力。分別計(jì)算出訓(xùn)練集、5折交叉驗(yàn)證及獨(dú)立測(cè)試集的預(yù)報(bào)年齡與真實(shí)年齡差值在±0.8歲與±1.0歲的準(zhǔn)確率。

2 結(jié) 果

2.1 訓(xùn)練集與交叉驗(yàn)證結(jié)果

在SVR模型中，訓(xùn)練集、5折交叉驗(yàn)證以及獨(dú)立測(cè)試集均以預(yù)報(bào)年齡與真實(shí)年齡誤差范圍在±0.8歲及±1.0歲的準(zhǔn)確率、MAE、RMSE作為檢驗(yàn)?zāi)Ｐ托阅艿慕y(tǒng)計(jì)量。結(jié)果顯示：訓(xùn)練集男、女性年齡誤差范圍在±0.8歲及±1.0歲的準(zhǔn)確率均為100%。5折交叉驗(yàn)證平均準(zhǔn)確率：男性年齡誤差范圍在±0.8歲及±1.0歲的準(zhǔn)確率分別為80.40%和89.70%，MAE為0.551歲，RMSE為0.669歲；女性年齡誤差范圍在±0.8歲及±1.0歲的準(zhǔn)確率分別為71.86%和87.74%，MAE為0.561歲，RMSE為0.657歲。結(jié)果見表2～3。

表2 男性膝關(guān)節(jié)圖像骨齡評(píng)估SVR模型訓(xùn)練集與交叉驗(yàn)證結(jié)果

表3 女性膝關(guān)節(jié)圖像骨齡評(píng)估SVR模型訓(xùn)練集與交叉驗(yàn)證準(zhǔn)確率

2.2 測(cè)試集結(jié)果

通過訓(xùn)練集與交叉驗(yàn)證得到最優(yōu)模型后，利用60例男性與45例女性獨(dú)立測(cè)試樣本檢驗(yàn)SVR模型的泛化能力，結(jié)果顯示：男性獨(dú)立測(cè)試集年齡誤差范圍在±0.8歲及±1.0歲的預(yù)報(bào)準(zhǔn)確率分別為80.67%和89.33%，MAE、RMSE分別為0.486歲、0.606歲；女性獨(dú)立測(cè)試集年齡誤差范圍在±0.8歲及±1.0歲的預(yù)報(bào)準(zhǔn)確率分別為80.19%和90.45%，MAE、RMSE分別為0.485歲、0.590歲。結(jié)果見表4。

表4 男、女膝關(guān)節(jié)圖像骨齡評(píng)估SVR模型獨(dú)立測(cè)試集檢驗(yàn)結(jié)果

3 討 論

骨骼發(fā)育受種族、地區(qū)、營(yíng)養(yǎng)、發(fā)育諸多因素影響，且存在性別差異。目前我國骨齡鑒定的主要方法為圖譜法和計(jì)分法，兩種方法基于人工讀片結(jié)果進(jìn)行推論，易受鑒定人水平和經(jīng)驗(yàn)影響，具有主觀性。在司法審判中，骨齡鑒定判斷刑事責(zé)任關(guān)鍵年齡14.0、16.0、18.0周歲對(duì)于判斷案件性質(zhì)及定罪量刑尤為關(guān)鍵。2002年2月21日，最高人民檢察院[18]曾在批復(fù)中規(guī)定，法醫(yī)學(xué)骨齡鑒定意見在犯罪嫌疑人年齡不明時(shí)可以作為判斷作案時(shí)年齡的證據(jù)使用，在司法審判實(shí)踐中對(duì)判斷案件性質(zhì)、定罪量刑起著重要作用。由于國內(nèi)針對(duì)骨齡鑒定的研究集中于漢族青少年，研究資料樣本量小，缺乏代表性，有必要針對(duì)少數(shù)民族進(jìn)行專門的研究，以此提供基礎(chǔ)資料和數(shù)據(jù)，提高骨齡鑒定的準(zhǔn)確性。

根據(jù)骨骺的影像學(xué)特征推斷年齡已被廣泛認(rèn)可與運(yùn)用，目前主要的方法有計(jì)數(shù)法、圖譜法、計(jì)分法等，其中最受國內(nèi)學(xué)者接受與認(rèn)可的有Greulich-Pyle圖譜法與Tanner-Whitehouse計(jì)分法。圖譜法即創(chuàng)建標(biāo)準(zhǔn)圖譜與待測(cè)片進(jìn)行比較，以與標(biāo)準(zhǔn)片最對(duì)應(yīng)的骨齡值作為被檢者骨齡，該方法簡(jiǎn)單易行，使用廣泛，但誤差較大，主觀性強(qiáng)。計(jì)分法是將手腕關(guān)節(jié)影像按骨發(fā)育不同階段分期或分級(jí)并賦予相應(yīng)分值，計(jì)算不同部位骨發(fā)育分值的總分并與標(biāo)準(zhǔn)分值比較得出評(píng)估年齡，此方法的重復(fù)性與可比性較好。隨著計(jì)算機(jī)視覺技術(shù)與骨齡評(píng)估相結(jié)合發(fā)展，國內(nèi)外學(xué)者致力于研究計(jì)算機(jī)自動(dòng)化骨齡評(píng)價(jià)系統(tǒng)，例如丹麥Visiana公司開發(fā)的一款骨齡評(píng)估軟件BoneXpert[19]，以丹麥高加索兒童為樣本研制，現(xiàn)已在歐洲多個(gè)國家進(jìn)行臨床應(yīng)用，使用時(shí)只需將X線片導(dǎo)入該系統(tǒng)便可得出骨齡評(píng)估結(jié)果，該方法誤差較小，診斷迅捷。羅家燕等[20]利用14塊手腕骨搭建了與骨成熟標(biāo)準(zhǔn)圖譜比對(duì)的計(jì)算機(jī)兒童骨齡評(píng)估輔助系統(tǒng)，實(shí)現(xiàn)了簡(jiǎn)單快速的骨齡定量評(píng)估。骨齡評(píng)估計(jì)算機(jī)輔助系統(tǒng)雖降低了主觀因素的影響，增加了閱片效率，其本質(zhì)為基于傳統(tǒng)圖譜法或計(jì)分法所建立的標(biāo)準(zhǔn)數(shù)據(jù)庫進(jìn)行比較，自動(dòng)得出骨骺指標(biāo)等級(jí)得分，難以消除方法本身帶來的偏差。近年來，國內(nèi)外學(xué)者嘗試運(yùn)用數(shù)學(xué)統(tǒng)計(jì)理論推斷年齡，根據(jù)骨骺形態(tài)學(xué)變化和規(guī)律，制定形態(tài)變化評(píng)分等級(jí)，采用多元逐步回歸方法得出回歸方程推算年齡。ZHANG等[21]運(yùn)用髂骨和坐骨結(jié)節(jié)擬合多元回歸、直線回歸、對(duì)數(shù)回歸等數(shù)學(xué)模型，比較得出多元回歸方程具有較高的決定系數(shù)（R2），與傳統(tǒng)方法相比，效率與準(zhǔn)確度均有所提升。

隨著SVM在圖像模式識(shí)別領(lǐng)域的成功應(yīng)用，本課題組嘗試將這種統(tǒng)計(jì)學(xué)習(xí)理論運(yùn)用于骨骺的影像學(xué)圖像中。SVM本身是針對(duì)經(jīng)典的二分類問題提出的，依據(jù)Vapnik-Chervonenkis理論與結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理，使離超立體最接近的元素到超平面的間隔最大，建立最好的分類超平面，從而來提高學(xué)習(xí)分類機(jī)器的泛化處理能力。該方法在解決高維小樣本數(shù)據(jù)的分類與回歸問題上展示出了獨(dú)特優(yōu)勢(shì)，在圖像處理領(lǐng)域具有良好的應(yīng)用前景。由于骨齡評(píng)估所需DR攝片為黑白灰度圖像，基于圖像的HOG算子能夠很好地描述骨骺發(fā)育變化帶來的邊緣特征，具有幾何和光學(xué)不變性，已廣泛應(yīng)用于計(jì)算機(jī)視覺其他領(lǐng)域，如目標(biāo)識(shí)別、圖像檢索等，而LBP算子對(duì)于此類圖形具有旋轉(zhuǎn)不變性與灰度不變性，能夠有效表達(dá)圖像紋理局部特征[22]。PCA主要利用降維的思想以較少個(gè)數(shù)的主成分反映原始指標(biāo)的主要信息，起源于通信與系統(tǒng)理論的K-L散度。本研究在提取HOG特征與LBP特征時(shí)，發(fā)現(xiàn)同時(shí)提取2個(gè)特征可達(dá)到上萬數(shù)量級(jí)，通過PCA進(jìn)行特征降維，保留描述對(duì)象最顯著的特征，可避免因特征提取過多造成模型計(jì)算量大而引起的過擬合問題[23]。

本課題組前期研究中應(yīng)用SVM分類算法（SVC）對(duì)尺橈骨遠(yuǎn)端骨骺發(fā)育分級(jí)建立分類模型，將尺橈骨遠(yuǎn)端骨骺發(fā)育分為5個(gè)等級(jí)，對(duì)每一等級(jí)28例訓(xùn)練樣本進(jìn)行建模，在每一等級(jí)7例共計(jì)35例獨(dú)立測(cè)試集上驗(yàn)證每一等級(jí)準(zhǔn)確率，預(yù)報(bào)分級(jí)準(zhǔn)確率均達(dá)到了80%以上[24]。本研究應(yīng)用SVR建立骨齡評(píng)估回歸算法模型，結(jié)果表明，本研究提出的基于HOG算子與LBP算子提取骨骺發(fā)育圖像特征，PCA法對(duì)選取的特征降維，SVR建立預(yù)報(bào)模型相結(jié)合的算法對(duì)于小數(shù)據(jù)集骨齡評(píng)估效果較好，在男性獨(dú)立測(cè)試集誤差±0.8歲與±1.0歲分別有80.67%與89.33%的預(yù)報(bào)準(zhǔn)確率，在女性獨(dú)立測(cè)試集誤差±0.8歲與±1.0歲分別有80.19%與90.45%的預(yù)報(bào)準(zhǔn)確率。可見，提取膝關(guān)節(jié)DR圖像HOG與LBP特征經(jīng)PCA降維后采用SVR法在骨齡預(yù)報(bào)性能上有一定的提升。此外，本研究利用SVM將骨齡預(yù)報(bào)引入回歸算法，構(gòu)建的算法模型最終回歸的是預(yù)報(bào)年齡，將該預(yù)報(bào)年齡與真實(shí)年齡相比，改進(jìn)了原骨骺發(fā)育分級(jí)算法，更加符合骨齡評(píng)估的實(shí)際應(yīng)用，有效避免人工評(píng)估骨骺發(fā)育分級(jí)帶來的主觀性誤差，提高了評(píng)估的準(zhǔn)確性。本課題組在新疆維吾爾自治區(qū)人民醫(yī)院采集樣本時(shí)注意到，該醫(yī)院放射科數(shù)據(jù)庫本身即存在膝關(guān)節(jié)攝片年齡分布極不均衡現(xiàn)象，主要表現(xiàn)在12.0～13.0歲、＞18.0～＜19.0歲年齡組膝關(guān)節(jié)DR攝片數(shù)量有限。年齡段分布不均衡可造成模型對(duì)于樣本數(shù)量多的類別具有一定的傾向性，在樣本數(shù)量較少的部分預(yù)報(bào)性能較弱，忽略了不平衡數(shù)據(jù)對(duì)于模型預(yù)報(bào)性能的影響，需做進(jìn)一步的改進(jìn)研究。

如今，深度學(xué)習(xí)[25]在計(jì)算機(jī)視覺領(lǐng)域方興未艾，因其在圖像識(shí)別領(lǐng)域具有優(yōu)越的特征提取性能，被評(píng)為2017年度十大科技突破之首。胡婷鴻等[26]將深度學(xué)習(xí)方法結(jié)合手腕關(guān)節(jié)影像，運(yùn)用472張樣本建立卷積神經(jīng)網(wǎng)絡(luò)回歸模型，誤差范圍在±1.0歲時(shí)男性樣本與女性樣本的準(zhǔn)確率為81.4%、80.5%。2018年，北美放射學(xué)會(huì)（the Radiological Society of North America，RSNA）舉辦兒童骨齡機(jī)器學(xué)習(xí)競(jìng)賽（Pediatric Bone Age Machine Learning Challenge），旨在探索兒童手腕關(guān)節(jié)X線片預(yù)測(cè)骨齡深度學(xué)習(xí)算法。通過收集12 611張兒童手腕關(guān)節(jié)影像作為訓(xùn)練集，1 425張手腕關(guān)節(jié)X線片作為驗(yàn)證集，利用200張影像作為獨(dú)立測(cè)試集，其競(jìng)賽第一名預(yù)報(bào)年齡與真實(shí)年齡間MAE為5.796個(gè)月[27]。但深度學(xué)習(xí)依賴“大數(shù)據(jù)、大計(jì)算、高性能”，對(duì)于性能良好的深度學(xué)習(xí)模型常常基于上萬的輸入樣本量，且算法實(shí)現(xiàn)復(fù)雜。相較于深度學(xué)習(xí)，SVM的算法容易實(shí)現(xiàn)，且在小樣本數(shù)據(jù)上具有良好的學(xué)習(xí)能力及泛化能力，在計(jì)算機(jī)視覺領(lǐng)域具有不可或缺的應(yīng)用價(jià)值。因此，SVM骨齡預(yù)報(bào)結(jié)果相較于深度學(xué)習(xí)評(píng)估方法，其對(duì)骨齡評(píng)估的新方向探索仍然具有重要的意義。

綜上所述，本研究基于膝關(guān)節(jié)DR數(shù)字化影像運(yùn)用PCA與SVM方法建立骨齡推斷的回歸算法模型，模型預(yù)報(bào)年齡與真實(shí)年齡相比誤差范圍在±0.8歲、±1.0歲內(nèi)具有較高的準(zhǔn)確率。此方法與傳統(tǒng)人工閱片的方式相比較，減少了因骨骼發(fā)育存在個(gè)體、地區(qū)、民族差異帶來的誤差，未來采用此方法對(duì)一定地區(qū)、民族的樣本建立模型，可為骨齡的司法鑒定實(shí)踐提供參考。