JP2008541892A - 骨格の成熟度決定方法 - Google Patents

Abstract

本発明は手の１以上の骨の放射線写真から人間の骨格の成熟度値を評価する方法である。骨の境界は形状点により表され、これは主要なコンポーネント解析（ＰＣＡ）を受ける。画像強度は形状に関して位置される点でサンプルされ、さらにＰＣＡで圧縮される。特性から骨の成熟度値が決定される。
【選択図】図５

Description

本発明は骨格の成熟度決定方法に関する。

人体の骨は身体が成熟するにつれて、約１８歳の年齢まで形態および構造の劇的な変化を経験する。これは図１に示されており、図１の左側（１）に２歳児、右側（２）に５歳児が示されている。この成熟プロセスは正確に人の年代にしたがって進行するわけではなく、２歳進む子もまたは２歳遅れる子もいることはよくあることである。

医学では、例えば成長ホルモンの欠乏のような種々の成長障害の診断の要素として骨格の発展段階を決定することは重要であり、図１に示されているように手の放射線写真は調査の標準的な手段になっている。今日使用されている最も信頼性のある放射線医学方法はタナー−ホワイトハウス（ＴＷ）方法［１］である。その最も普通のバージョンでは、これはそれぞれが視覚的検査により手作業で成熟の段階が割当てられている１３の骨領域を使用する。各骨には８または９の段階が存在することが放射線医学特性の様式化された画像および口頭説明に関して説明されている。橈骨のＴＷ段が図２に示されており、図１の子供はしたがってそれぞれ段Ｄ（またはＥ）と段Ｆの橈骨を有するように思われる。ＴＷ方法は各段に含まれる規定された性別独立スコアを有し、したがって１３の骨に割当てられるスコアは合計された成熟度スコア（ＳＭＳ）を形成するために加算される。このＴＷ方法の開発者は通常の子供のＳＭＳの人口データを集め、そこから彼らはＳＭＳ百万順位対年代を計算した。これによって、医学検査を受けた子供で観察されたＳＭＳは通常の人々と比較可能になった。多くは、観察されたＳＭＳは年齢として規定される骨年齢に変換され、それにおいて観察されたＳＭＳは人口の半分に到達している。

別のよく知られている方式はＧｒｅｕｌｉｃｈ−Ｐｙｌｅ（ＧＰ）方法であり、この方法では子供のＸ線は全ての骨年齢をカバーする画像を有する図録中の画像の１つに整合される［１２］。

ＴＷ方法には多くの問題が存在する。第１に時間がかかる。第２にこれは厄介である。第３にこれは観察者間でかなりの変動があり、二人の観察者間の差は典型的に０．４乃至０．６年（ＳＤ）または幾つかの例ではさらに大きい。それ故、１９８９年に開始し、１８９２−９４年をピークとしてコンピュータを使用する手順を自動化するために多くの労力が費やされており、技術的に非常に困難であることが認識された（概要はNiemeijer［２］を参照）。開発の努力は継続されているが、今日でもまだ成功した自動システムは作られていない。

したがって、この分野では多くの従来技術が存在し、本発明の新規性および進歩性を明瞭にするために、従来技術は以下のように要約される。

これまで調査された方法と、新しい本発明は２つの明白な処理ステップを含んでいる。即ち骨の位置決定（時には分断化または再現と呼ばれる）および骨の解釈である。

Ａ）骨の位置決定：このステップの目的はＴＷスピーシーズが格付けされるべき骨の領域を識別することである。種々の方法がこのステップで採用されている。
ａ．固定されたテンプレートへ適合するため画像を変換、回転、寸法変更することによる関係する領域（ＲＯＩ）の手作業の位置付け、
ｂ．しきい値等に基づいた標準的なパターン認識方法、
ｃ．スネーク、
ｄ．アクチブな形状モデル（ＡＳＭ）。

Ｂ）骨の解釈：このステップの目的は骨のＲＯＩから成熟度を導出することである。ここでも幾つかの方法が適用される。
ａ．フーリエ係数、
ｂ．画像ＲＯＩと各段のテンプレートとの間の相関、
ｃ．骨幹端に関する骨端の幅、
ｄ．（骨の位置決定のＡＳＭから得られた）形状パラメータ、
ｅ．ＴＷ段の記述を緊密にエミュレートする特徴の意味論／規則をベースとする事後処理。

典型的な考えとしては、段間の円滑な補間の特性を付加することにより、エミュレートとＴＷ段への区分を可能にすることである。

本発明はステップＢの既に位置決定された骨の解釈を取り扱う。提案された方法の自動化の第１の部分はＡＳＭまたはアクチブな外観モデル（ＡＡＭ）、或いはそのＡＡＭと組み合わせの拡張によって実現されることができる［４］。請求項１に対応する本発明の核心は位置決定された骨の解釈である。この方法は以下の３つのステップを特徴とする。

１）骨の境界の形状を示すパラメータを抽出する。これは境界上の形状点を規定することにより行われる。好ましい実施形態はこれらの形状点座標に対して主要なコンポーネント解析（ＰＣＡ）を行い、第１の主要なコンポーネントを抽出された形状パラメータとして使用する。
２）形状点に関して規定された１０以上の位置における骨境界で抽出された画像強度を示すパラメータを抽出する。それらのパラメータはこのベクトルを標準的な変数に正規化した後に強度ベクトルのＰＣＡから得られることが好ましい。
３）入力としてステップ１および２で得られたパラメータと、出力として成熟度値とを有する予測式。

１）についてのコメントでは、説明されたＰＣＭモデルはＡＳＭ、ＡＡＭ、およびその変形の基礎となる一種の形状モデルである。これは骨の多数の例の境界に沿って形状点を規定することにより構成され、これは手作業または自動的に行われることができる。そのプロセスはその後、各例に対して厳格な変換を適用し、それによってこれらを可能な限り平均の形状に近づけ、これを行う好ましい実施形態はProcrustes解析［１３］である。その後、プロセスはｘとｙ座標を単一のベクトルへ連結し、これに対してＰＣＡを行い、１以上の主要なコンポーネントスコアがその後、生物的変化の優勢モードに対応して抽象形状記述子として使用される。ＰＣＡへの入力を形成する形状点は好ましくは対応しているように選択され、即ちデータセットを通して類似の解剖的位置に置かれる。これは幾つかの方法で得られることができ、好ましい実施形態はKotcheffとTailor［３］により開示されているものであり、ここでは点はＰＣＡのコンパクトさに関する最適性および規準により規定されている。

２）についてのコメントでは、この画像情報の表示は位置決定のためにＡＡＭで使用される種類であるが、ここでは解釈のために使用される。すなわち、ＡＡＭにおけるように、形状点からの画像領域の三角測量［４］を計算することによりサンプリングを実行することができる（図３と４を参照し、以下さらに詳細に説明する）。１実施形態では、これはデローネイ三角測量であってもよい。平均形状では、プロセスはこの三角測量の座標に関してサンプリング点を規定する。この方法は新しい例にも適用されることができる。この例では、形状点は平均に関して変形して生じるが、サンプリング点は変形された三角測量から計算されることができる。換言すると、観察される画像は強度をサンプリングする前に平均形状へワープされ、代わりのワープ方法は代わりに同じ効果、例えば薄板スプラインで使用されることができる。

１）と２）では、ＰＣＡは他の変換により置換されることができ、高次元データを関連する変化を示す少数のコンポーネントへ圧縮する。この族の他の方法は独立したコンポーネントの解析、ＭＡＦ、ＰＬＳである（［７、８］参照）。ＰＣＡをこの明細書で述べるとき、これらの変換も含んでいることが理解される。

３）についてのコメントでは、成熟度値はＴＷ段、その段に対応するスコア或いは骨年齢であることができる。その式は小さい範囲の成熟に対して演繹され、例えば２つの段を分離し、或いは大きい間隔で年齢をカバーすることができる。モデルは例えば論理的後退である線形であるか、例えば後方伝播ニューラルネットワークを使用する非線形である。

骨のトポロジは０歳から１８歳の年齢にわたって変化し、それ故プロセスは骨端が分離される年齢範囲のモデルと、それが融合される年齢範囲の別のモデルを使用する。これは形状点定義が異なる年齢範囲で異なることを可能にする。２つの性別が１つのモデルで組み合わされることができ、例えば別の骨端を有する最も近い指骨のモデルは７−１３歳の男児と６−１２歳の女児から作られることができる。形状および強度ＰＣＡはその後この年齢範囲からのデータの全ての主な変化を説明する。予測モデルは成熟度または年齢がモデル化されるか否かに基づいて、主体の既知の性別を含んでも含まなくてもよい。

前述の説明に続いて、本発明の効果および利点をここで説明する。

第１に、数人の著者は骨の位置決定のためにＡＳＭを使用している。ＡＡＭの使用は骨についてのより確実な再現の利点を有する、他の方法もまた良好な位置決定を実現することができる。

第２に、低次元表示に関する全体的な形状情報の使用は、全体的な形状情報が幾つかの変数だけを使用して良好に説明される利点を有する。言葉では容易に説明されない形状の僅かな特性もこの方法に含まれる。

第３に、画像強度は位置の決定された骨の境界に関して配置される点で抽出され、例えば図３の三角測量方法を使用する。これは多くの著者、例えば［２］により行われるように、骨に一致する剛性のテンプレートにしたがって抽出するよりも強力である。剛性のテンプレートによって、所定のサンプリング点は多くの例を通して同じ解剖学的位置に対応する位置に存在しない。例えばテンプレート上では丁度骨の外側にあるサンプリング点は特別な例では骨の内部で生じる可能性がある。これは抽出された強度が形状と強度変化の組合せを反映し、それ故強度に対して特殊性が少ないことを意味している。これは画像強度ベクトルが低次元表示に圧縮されることを阻止する。さらに抽出された値が同じ解剖学的位置に存在しないとき、情報の区別的値が劣化する。

第４に、予測式で形状と画像特性の両者を使用することは、予測が形状と強度の両者におけるほぼ完全な情報に基づくことができる利点を有している。形状情報は強度特性から取出されるので、２つは相互に最良の方法で補足する。本発明のこのステップの一部として、ＡＡＭで行われたことと類似して形状および強度スコアを共通のＰＣＡモデルに結合し、このフレームワークでｃスコアまたは外観スコアとして示されるスコアを得ることができる［４］。

本方法は全体として以下説明されているように、成熟度決定のために全体論、副次的象徴論の関係者による方法を取ることによって従来の方法から量的に離れたものとなる。ＴＷ段の説明は規則ベースであり、多くの従来の試みはＴＷ説明を模倣するために口頭の説明を有する特性の使用に焦点を絞られてきた。それと反対に、本発明は予測モデルに対する入力を形成する集積ブロックとして骨領域の形状および強度情報のほぼ完全な表示を使用することを主体とする。この方法はパラメータの１セット中の形状説明を分離し、その後変形可能な形状を考慮して画像情報を規定することを特徴とし、即ち骨は強度値を解釈する前に平均の骨に変形される。この方法はまた形状と強度値の両者をモデルへの入力として使用することを特徴とする。

本発明の大部分の実施形態のステップは図５に図解して示されており、この図面は以下の文が指しているＳ１−Ｓ１４と符合を付けられている複数のステップを含んでいる。

好ましい実施形態（請求項２）は（それぞれＳ３とＳ４で）高次元の形状および画像データを低次元の表示に圧縮するためにＰＣＡまたは類似の方法を使用している。類似の方法とは、いずれのＰＣＡが最も共通した例であるかについて教師なし学習も行う他の方法を意味している。ここでデータの空間的な相関によって本発明の方法は訓練セットから学習されたときのデータの顕著な特性を抽出する。この利点は、ＰＣＡが教師なし学習により成熟度の重要な特性を学習することである。したがって６−１３歳児のＰＰ３の形状モデルの変化の第１のモードは骨幹端の幅に関する骨端の幅の変化が卓越していることがわかる。この特性はＴＷ格付けシステムにより規定されているように手により方法に取り入れられないが、形状ＰＣＡによりデータ自体から得られる。これに類似して、他の形状特性は自動的に抽出される。同様に、成熟による密度分布の特徴的変化を示す画像特性はＰＣＡにより演繹される。それ故、提案された方法は口頭のＴＷ段説明により規定されるよりも画像から多くの情報を導出し、これはさらに自動的に行われ、これによってモデルはさらに強力になる。したがってこの方法は投影放射線写真で見られるとき頑丈で、成熟のより徹底した説明を与える。

本発明の好ましい実施形態は請求項３で示されているように、さらに骨ＲＯＩ（図５のＳ５）の画像テクスチャ特性のセットを抽出している。「テクスチャ」は局部的に規定された画素強度のパターンを示し、そのパターンは波長範囲と方向間隔に対して感度があることを特徴とする。テクスチャは好ましくはガボールフィルタエネルギであり、ここでのフィルタの方位はアルゴリズムの早期のステップにより位置決定されるときの骨の方位に関して規定される。テクスチャエネルギは、位置が形状点に関して規定され骨ＲＯＩまたはその部分をカバーするか骨領域の画像強度のコントラストに正規化される少なくとも１０個の点で抽出され、訓練セットから得られるＰＣＡを受ける。テクスチャＰＣＡスコアは予測モデルへの付加的な入力として使用される。その利点はこのプロセスが成長ゾーンの終わりと内部エッジの外観とを明示的に特定せずに示すことである。これは特に年長の子供には重要である。

大部分の著者は直接的に成熟度段をモデル化している。しかしながら代替（請求項４）として、代わりに年齢、好ましくは年代をモデル化する（図５のＳ９）。これは次式の形態のモデルにより行われることができる。
年齢＝バイアス＋勾配^＊（ａ１^＊ｆ１＋ａ２^＊ｆ２＋…＋ａｎ^＊ｆｎ）
ここでｆ１，…，ｆｎは骨からの特性であり、即ち形状、強度、テクスチャのＰＣＡコンポーネントであり、モデルパラメータａ１，…，ａｎは両性に対して同じであり、モデルパラメータのバイアスおよび勾配は性別的に依存している。

このようにして、プロセスは各骨に対する年代を予想し、さらにそれは画像からも予想できる。しかしながらこれは明白な年齢だけを与えることができるだけであり、この予想された年代はそれ故骨の骨年齢として規定（解釈）される。

好ましい実施形態（請求項５）は骨年齢のこれらの第１の評価の加重平均を形成し、これを第２期の退行に対してターゲット変数として使用し、各骨の特性は手の平均骨年齢を予測するために使用される（図５のＳ１０）。加重平均における加重は等しいか等しくなく、幾つかの骨が他の骨よりも加重が大きいことを強調し、恐らく骨自体を除外している。このようなモデル化の利点はこれが成熟特性に対してより良好に対応することである。成熟が遅れるならば、多くはほぼ同じ量だけ全ての骨で遅れがある。この実施形態の効果は、各骨からの成熟決定が骨年齢を決定することであり、これは全ての骨の外観の成熟度のコンセンサスである。この実施形態の骨年齢は、個々の骨の特性の標準的な相関解析により得られた結果に類似するので、標準的な骨年齢とされる。この利点は訓練信号がさらに信頼性があり、モデルがそれ故、真の成熟のより良好な説明であることである。

予想される年齢は成熟度値として観察されることができ、これは非線形の単調関数（請求項６）により訓練セットのＴＷ段を示すものであるように変換され、それによって切り捨てまたは切上げられた値はＴＷ段と最良に一致する（図５のＳ１１）。この段への変換では、男児および女児は前述の式の勾配を１へ、バイアスを０へリセットすることによりプールされることができる。この請求項の構成の利点は段への変換が予想される年齢の比較的簡単な事後処理として行われることである。これは簡単であるためにこのマッピングを評価するために小さいデータセットしか必要としない。

個々の骨の骨年齢はまた骨年齢の全体的な評価を形成するために加重平均で使用されることができる（請求項７）（図５のＳ１２）。加重は年齢または骨年齢に依存することができ、幾つかの骨が幾つかの年齢インターバルで大きな役割を果たすことを示す。例えば橈骨は典型的に指趾節骨よりも後に完全な成熟度に到達する。骨年齢を評価するこの方法の利点は、骨年齢がどのように構成されているかがより明白であり、例えば骨またはその画像が損傷を受けているならば幾つかの骨についての評価を省略することを可能にすることである。

全体的な骨年齢は訓練セットに基づいてＴＷ骨年齢またはＧＰ骨年齢に対応するように線形または非線形変換されることができる（請求項８）（図５のＳ１３）。請求項４および５にしたがって骨年齢を評価するために使用されるデータセットは通常、標準的なＴＷ ＳＭＳ百分位数と骨年齢を規定するために使用されるものとは異なるポピュレーションであるので、変換が必要とされる。この実施形態の利点は、請求項７の骨年齢を多くの異なるポピュレーションへ調節することが簡単であることである。

骨のセットの骨年齢の分散はそれ自体、成熟度分離と呼ばれる知識的概念である（図５のＳ１４）。これは骨年齢の標準偏差として、または手の種々の部分、即ち橈骨／尺骨、中手骨、指趾節骨にわたる別々の骨年齢の平均として表されることができ、「指趾節骨の骨年齢は橈骨／尺骨よりも１．５年進んでいる」等のような説明を行うことができる。この利点は医療の専門家による診断の一部として使用されることのできるより詳細な情報を与えることである。

先に概略的に説明したように年代を予測する代わりに、別の実施形態（図５のＳ６）は訓練セットに基づいて成熟度段を予測するためにＰＣＡの特性を使用している。ほとんどの分類子は本質的に確率的であり、それ故これらは段の確率を与え、これは連続的な段へ段出力を補間するために使用されることができ、例えば段Ａ,…,Ｉでは、範囲１−９または０．５乃至９．５で連続的な段を獲得し、ここで段８．５−９は段Ｉの下半分であり、９−９．５は段Ｉの上半分である。この実施形態の利点は通常のＴＷ格付けの進行の解析を行い、スコアがその段に関連されることができることであるが、合計された成熟度スコアを補間し合計し、参照データベースからＴＷ骨年齢を形成する。

図５から、本発明には２つの主要な進路が存在することが明白であり、その１つは各骨の年齢を予想することであり、他の１つは連続的な段を直接的に予測することである。

本発明の方法は好ましい実施形態で適切にプログラムされたコンピュータ、または分離された物理的位置にありインターネット等のネットワークに接続されることのできる幾つかのコンピュータのシステムで実行されることができる。この方法はコンピュータプログラムまたはコンピュータの読取可能な媒体として実施されることができる。この方法はインターネットサービスとして実行されることができ、ユーザはウェブブラウザでまたはより大きいデータ処理システム中のコンポーネントとしてこの方法をアクセスする。

以下、これまで説明したステップの実行方法を示すため幾つかの詳細な説明を行う。

この方法へ入力されるのは（図５、Ｓ１）例えば画素毎の強度を示している数と共にＴＩＦＦファイルの形態のデジタル画像である。その画像は放射線撮影フィルムから得られることができ、これは光学スキャナを使用してデジタル化されているか、読取られＣＲ装置によりデジタル化されるか、或いは電子装置から直接的に強度を出力する直接デジタル放射線撮影検出器を使用することにより燐光プレート上にそれを記録するＣＲ画像から得られることができる。その画像は良好な空間解像度のＤＥＸＡスキャナからのものであってもよく、単一エネルギ画像または減画像であることができる。画像には画素当りｍｍで空間的解像度が関連付けられている。また子供の性別を骨年齢を得るために知らなければならない。

骨境界の識別（図５、Ｓ２）はアクチブな外観モデル（ＡＡＭ）により行われることができる。第１のステップでは、プロセスは３または４の中手骨を同時に検索する。その理由はこれがパターンを形成し、これが全ての位置で全ての方位で徹底的にサーチするために簡単であるからであり、詳細は文献［１２］を参照されたい。プロセスは左および右の両手をサーチし、最良のサーチ結果が解釈を決定する。その後、プロセスはこれまで発見された骨に基づいて開始サーチ位置を予想することにより残りの骨を位置付ける。大人の手の骨のＡＡＭ再現のためのこのような完全なフレームワークは参考文献［５］で報告されている。本発明の方法では年齢は知られておらず、骨が検索される毎にプロセスは異なる成熟度段階に対応して幾つかのモデルを適用できる。例えばプロセスは２−６歳の年齢範囲、６−１３歳の年齢範囲、１３−１８歳の年齢範囲をカバーする３つのモデルを使用することができ、最良に適合するモデルが選択されるべき再現である。幾つかの若年モデルでは、骨端は骨幹端から分離される。

プロセスが境界を再構成すると、これは骨の境界を表すために形状点を抽出する（図５、Ｓ３）。再現モデルがＡＡＭまたはＡＳＭであるならば、これは既に基礎をなすＰＣＡ形状モデルから形状点を提供する。そうでなければ、プロセスは境界をＰＣＡベースの形状モデルヘ適合でき、即ち（文献［１３］を参照して、変換ベクトル、回転角度、スケーリング係数を使用して）所定の姿勢に変換された平均形状として境界をパラメータ表示し、形状パラメータに関して変形を決定する。ＡＳＭは文献［１０］で示されているようにこれを行うために使用されることができる。

サンプルされた画像強度のベクトルの抽出（図５、Ｓ４）は図３と４に示されており、これらの図は骨の境界で規定された大きい方形（１）の平均形状点を示している。補助点は骨境界から離れて規定されることができ、図３と４では小さい方形で示されている。内部（２）では、これらの点は境界点の間の補間として規定されることができる。外部（３）では、各点はある角度で、これから離れて境界点の１つに関して規定されることができる。角度は骨の軸に関して規定され、距離は骨の寸法に関して計算される。

境界および補助点は三角形のコーナーを規定し、補助点は三角形が骨の縁に及び、非常に小さい角度を有する三角形の発生を防止することを確実にする。

平均形状の三角形で示された領域内では、図３と４では最小の点（４）により示されているように、プロセスは例えば規則的な格子中にサンプリング点を配置する。図３の部分的な詳細図である図４の実施形態で例示されているように、密度の最も重要な変化は成長が生じている骨のこの部分であることが知られているので、三角形の領域の一部だけがサンプリングに使用されることができる。

プロセスは１実施形態では、画像の各位置のテクスチャベクトルを規定することによりテクスチャ特性も形成する（図５、Ｓ５）。テクスチャベクトルの各エレメントはある波長と方向を示すことができる。標準的な選択はガボールフィルタ（文献［９］参照）であるが、ほとんどの他のテクスチャ測定は同じ結果を与える。１または２ｍｍの波長は骨端と骨幹端との間の境界およびその融合部の信号を捕捉するのに適切である。４乃至６の方向が適切である。最も簡単な方式では、４つの方向と単一波長が使用される。これは画像がそれぞれ実数部と虚数部を有する４つのガボールフィルタで濾波されることを意味する。実数部と虚数部の出力は位置当り４つのエネルギを形成するために二乗され加算される。平方根はダイナミック範囲を圧縮するために採用されることができる。テクスチャは同じ画像から得られる画像コントラストを示す幾つかの数、骨領域中の強度の標準偏差により正規化されることができ、テクスチャ画像の最終的な４つのバンドに導かれる。

１実施形態では、プロセスは例えば図３と４で示されているような４つのテクスチャバンド画像をサンプリング点でサンプルし、サンプリングのベクトルは訓練セットで先に規定されたＰＣＡで処理される。

［参考文献］
［１］J. M. Tanner，R. H. Whitehouse，B. Cameron，W. A. Marshall，M. J. R. Healy，H. Goldstein : Assessment of skeletal maturity and prediction of adult height (TW2 method)．Academic Press，London，2nd edition，1975.
［２］M. Niemeijer ： Automating skeletal age assessment， Master’s thesis，Utrecht University (2002).
［３］M. Kotcheff and C. J. Taylor ： Automatic construction of eigenshape models by direct optimisation, Med. Image Anal., vol.2 (1998), 303-314.
［４］T. F. Cootes and C. J. Taylor ： Statistical models of appearance for computer vision. Technical report, Wolfson Image Analysis Unit, Imaging Science and Biomedical Engineering, University of Manchester, 2001.
［５］H. H. Thodberg ： Hands-on Experience with Active Appearance Models, Medical Imaging 2002 ： Image Proc., Eds. Sonka & Fitzpatrick, Proc. SPIE Vol.4684, 495-506 (2002).
［６］DXR-BMD patent US 6,763,257 B1, Rosholm and Thodberg. (この特許は多くの参考文献を含んでおり、本発明の背景の役目を行う一般的説明である).
［７］R. Larsen ： Shape Modelling using maximum autocorrelation factors in Proceedings of SCIA’01, Bergen, (2001), p 98-103.
［８］M. Uzumcu, A. F. Frangi, J. H. C. Reiber, B. P. F. Lelieveldt (2003) ： ICA vs. PCA Active Appearance Models ： Application to Cardiac MR Segmentation. In Medical Image Computing and Computer-Assisted Intervention-MICCAI’03, R. E. Ellis, T. M. Peters (EDs). Lecture Notes in Computer Science, vol. 2878, Springer Verlag, Berlin, Germany, pp 451-8.
［９］A. Bovik, M. Clark and W. Geisler. Multichannel texture analysis using localized spatial filters. IEEE Transactions on Pattern Analysis and Machine Intelligence, 12(1) ： 55-73 (1990).
［１０］K. B. Hilger, R. R. Paulsen, R. Larsen, Markov Random Field Restoration of Point Correspondences for Active Shape Modelling, SPI-Medical Imaging 2004.
［１１］K. H. Thodberg and A. Rosholm, Application of the active shape model in a commercial medical device for bone densitometry. Image and Vision Computing 21, pp 1155-1161 (2003).
［１２］W. W. Greulich and S. I. Pyle, Radiographic Atlas of Skeletal Development of Hand and Wrist, 2ed., Stanford Univ. press (1959).
［１３］I. L. Dryden and K. V. Mardia, Statistical Shape Analysis, Wiley (1998).

左側（１）に２歳児、右側（２）に５歳児を示している図。 橈骨のＴＷ段を示す図。 三角測量方法を示す図。 図３の部分的な詳細図である実施形態を示す図。 本発明の大部分の実施形態のステップを示す図。

Claims (13)

1. ａ．人間の手の少なくとも１つの骨のデジタル放射線写真を獲得し、
   ｂ．これらの骨の境界を決定し、その骨の特別な解剖学的位置をそれぞれ表している形状点と呼ばれるこの骨上の少なくとも１５の点のセットを決定し、
   ｃ．形状点座標の変換から得られた形状パラメータに関する形状点の低次元表示を決定し、
   ｄ．骨領域またはその一部分の画像強度を形状点に関して規定されたサンプリング点でサンプリングし、それに続いて低次元表示へ変換して強度パラメータを生成し、
   ｅ．境界の決定された表示と画像強度から骨格の成熟度値を決定するステップを含んでおり、成熟度は骨年齢、成熟度段階、断片的な段階またはスコアである人間の骨格の成熟度値を評価する方法。
2. 形状及び強度の低次元表示を形成するために使用される変換は骨の例の訓練セットに適用される主要なコンポーネント解析（ＰＣＡ）の１以上の主要なコンポーネントとして規定される請求項１記載の方法。
3. 付加的な画像特性は形状点に関して規定された点において画像テクスチャ値をサンプリングし、同じ骨の画像から得られたパラメータを使用して随意選択的にこれらのテクスチャ値を正規化し、これらのテクスチャ値を低次元の表示に変換して１以上のテクスチャパラメータを形成し、これらのテクスチャパラメータを成熟度値の決定への付加的な入力として使用する請求項１または２記載の方法。
4. 成熟度値は子供の画像の訓練セットにおいて評価された予測式により決定され、子供の年代を予測し、この予測はその骨の骨年齢として示される請求項１、２または３のいずれか１項記載の方法。
5. そのステップで決定される幾つかの骨に対する前記骨年齢は加重平均の形態で組み合わされ、各骨のパラメータからこの加重平均を予想する第２の予測式のターゲットとして使用され、この予想される値はその骨の骨年齢を示している請求項４記載の方法。
6. 各骨に対する骨年齢は単調な関数で変換され、その結果は連続的なＴＷ成熟度段階を示している請求項４または５記載の方法。
7. 請求項４または５に記載されているように各骨について決定された骨年齢は全体的な骨年齢を形成するため加重平均で使用される請求項４または５記載の方法。
8. 全体的な骨年齢はＴＷ骨年齢またはＧＰ骨年齢を示す骨年齢に変換される請求項７記載の方法。
9. 成熟度値は連続的なＴＷ段階として予想される骨のＴＷ段階の直接的な評価である請求項１、２または３記載の方法。
10. データ処理システムに請求項１乃至９のいずれか１項記載の方法のステップを実行させるコンピュータプログラム。
11. コンピュータの読取可能な媒体として実施される請求項１０記載のコンピュータプログラム。
12. 請求項１乃至９のいずれか１項記載の方法にしたがってその方法のステップを行うように適切にプログラムされたコンピュータ。
13. 請求項１乃至９のいずれか１項記載の方法にしたがってその方法を符合化する搬送波として実施されるコンピュータプログラム。

Images