骨龄评估问题讨论.ppt

骨龄评估 (Bone Age Assessment，BAA),柏梅 复旦大学附属儿科医院 放射科,骨龄的定义,,骨龄评估方法,骨龄评估方法,问题,两个不同的人用TW3法评估骨龄的差异大吗 图谱法和TW3计分法在评估骨龄上有差异吗？ 骨龄算法网络化的时间及一致性方面怎样？ 自动评价系统的优点 骨龄的计算机识别 基于深度学习的骨龄评估,问题1,图谱法和TW3计分法在评估骨龄上有差异吗？ 3种方法CHN法评价骨龄最大， TW3-RUS法最小，GP法居中 男、女童的所有年龄组 ３ 种方法评价的最大骨龄与最小骨龄的差值随年龄增大而增大 男童 3-4岁骨龄和 -6 岁TW3-RUS法与GP 法一致性良好，女童 3-4岁骨龄 CHN 法与 TW3-RUS法、-8岁骨龄 TW3-RUS法与 GP法一致性良好，女童未发育组 TW3-RUS法与 GP 法一致性良好，余男、女童不同骨龄和发育情况3种骨龄测量法一致性差 CHN法、 GP 法与 TW3-RUS法测得的骨龄的差别主要在男 11岁、女 9岁和进入青春期后,三种骨龄评价方法在3-17岁儿童临床应用中的一致性比较研究 张鹏飞 李 辉 中国循证儿科杂志2017年8月第1卷第 4 期,建议,GP是一个可以快速得到骨龄的方法，但在青春期快速发育时期，单纯采用 ＧＰ法评价骨龄时，会存在精度不够的问题 有精力的医生可以采用逐块骨评价的方法，逐块对照 GP 图谱分别评价手腕部 ３０ 块骨求平均值，或者直接掌握一种计分法 放射科医生在给出骨龄结果时应注明测评骨龄时所用方法,问题2,两个不同的人用TW3法评估骨龄的差异大吗 单个骨骺/总体 观察者间人工评级的一致性较高性（总体：Kapp0.776） 差异最低的是第三掌骨(0.703)，最高的是第一近节指骨(0.964) 差异主要集中在E，F和G三期（构形期，青春期前） 实际工作中常遇见不典型的形态学征象，尤其是摄片时体位不标准，可能加大评价难度 Kappa值≤o．4，表明评价SA测定一致性较差，0．4o．6，表明一致性较高；Kappa>0．8，则表明一致性极高,骨龄测定的一致性评价 白万晶 宁刚 中华妇幼临床医学杂志(电子版)2010年,问题3,骨龄算法网络化的时间及一致性方面怎样？ 网络TW2骨龄算法的准确性和可重复性优 于人工判读 缩短了骨龄计算时间(分别为3～5 min和15～20 min) 分级一致的骨数为838块，占总数的83.8%,两者一致率的差异具有统计学意义,放射科网络共享Tanner．Whitehouse算法的研究 邹诚实岑婷 中华放射学杂志2008年11月第42卷第11期,问题4,自动评价的优点 每张评估时间约为14.5 S 2次抽样评估结果完全一致 骨龄评估结果与实际年龄间差异有统计学意义, 但差异均值均在1 S左右,自动骨龄评估软件BoneXpert对中国(上海)儿童青少年的适用性研究 蔺芳琴张骥朱珍 中华实用儿科临床杂志2014年12月第29卷第23期,问题5,骨龄的计算机识别 采用计算机实现骨骼等级评定 ，存在两个主要问题 ：一是 ，如何对待测图像中的目标骨骼进行有效分割 ；二是 ，如何将骨骼各等级描述准确地翻译成计算机语言进行特征提取 选取了灰度特征 、纹理特征以及融合度作为骨龄特征参数实现桡骨的有效分割 设计 k 近邻分类器对骨龄特征数据进行等级分类朱翔宇，欧阳斌 基于中华 05 骨龄标准的桡骨骨龄等级计算机评定系统的设计 体育科学 ２０１６ 年（第 ３６ 卷）第 ９ 期,问题6,Deep learning for automated skeletal bone age assessment in X-ray images stage of preprocessing： a Input输入 radiographs. The images have been transformed to a square shape for consistent layout. b Normalized标准化 images with consistent grayscale base and image size.c Label标记 maps of hand (white) and non-hand (black) classes.d Generated生成 masks for segmentation. e Final preprocessed images预处理,人工智能时代,人工智能在医疗领域的应用已非常丰富。

包括就诊前疾病的筛查、预防，就诊中医疗图像辅助诊断、检验结果分析、手术辅助，以及就诊后的医疗随访、慢性病监测、康复协助、健康管理，甚至还能用于基础科研辅助、药物研发、基因筛选分析、医疗培训等等，具有极为广阔的发展空间和应用前景 现阶段AI作用是辅助医生而非取代，其最容易被取代的仍然还只是比较单一的、流水线作业式的工作 访问有高质量注释图的大型数据库，是人工智能深度学习模型成功的先决条件 如何利用人工智能将放射科医生从庞杂的看片工作中解放出来,基于图像的 深度学习,区分视网膜OCT黄斑变性和糖尿病视网膜病变,区分儿童胸片细菌性和病毒性肺炎,张康教授：领导的广州妇女儿童医疗中心和加州大学圣迭戈分校团队，使用迁移学习”（transfer learning algorithm）替代算法耗时且昂贵的传统的人工智能,延伸,研究人员收集了5232张儿童胸部X光片，用于AI系统的训练其中，3883张和肺炎有关（2538张为细菌性肺炎，1345张为病毒性肺炎），其余1349张为正常类似的，研究人员随后用来自624名患者的胸部X光片对这一模型进行了测试 张康表示，“对于肺炎图像，我们的AI工具不光能鉴别肺炎和正常胸部X线平片，还能区分肺炎的病原体为细菌还是病毒，准确率可达90%以上。

谢 谢,THANKS,,。