MRI在华东地区汉族男性青少年手腕骨骺发育的量化及骨龄评估中的应用

doi:10.12116/j.issn.1004-5619.2023.231203

法医学杂志 ›› 2024, Vol. 40 ›› Issue (6): 589-596.DOI: 10.12116/j.issn.1004-5619.2023.231203

MRI在华东地区汉族男性青少年手腕骨骺发育的量化及骨龄评估中的应用

周智露¹(), 张东飞²(), 陈捷敏³, 王亚辉³, 郝虹霞³, 刘太昂⁴, 何宇亨⁴, 龙定念⁵, 刘瑞珏³(), 万雷³()

^1.贵州医科大学法医学院，贵州贵阳 550009
^2.安徽天衡司法鉴定所，安徽阜阳 236000
^3.司法鉴定科学研究院上海市法医学重点实验室司法部司法鉴定重点实验室上海市司法鉴定专业技术服务平台，上海 200063
^4.上海数之微信息科技有限公司，上海 200444
^5.广西金桂司法鉴定中心，南宁广西 530000

收稿日期:2023-12-22 发布日期:2025-03-10 出版日期:2024-12-25
通讯作者: 刘瑞珏,万雷
作者简介:周智露（1996—），女，硕士，主要从事法医临床鉴定；E-mail：979647053@qq.com
张东飞，男，主检法医师，主要从事法医临床和法医病理鉴定；E-mail：865063687@qq.com
第一联系人：周智露和张东飞为共同第一作者

MRI Application in Quantification of Epiphyseal Development in the Wrist and Bone Age Estimation of Han Male Adolescents in East China

Zhi-lu ZHOU¹(), Dong-fei ZHANG²(), Jie-min CHEN³, Ya-hui WANG³, Hong-xia HAO³, Tai-ang LIU⁴, Yu-heng HE⁴, Ding-nian LONG⁵, Rui-jue LIU³(), Lei WAN³()

^1.School of Forensic Medicine, Guizhou Medical University, Guiyang 550009, China
^2.Anhui Tianheng Forensic Judicial Identification Institute, Fuyang 236000, Anhui Province, China
^3.Shanghai Key Laboratory of Forensic Medicine, Key Laboratory of Forensic Science, Ministry of Justice, Shanghai Forensic Service Platform, Academy of Forensic Science, Shanghai 200063, China
^4.Shanghai Shuzhiwei Information Technology Co. , Ltd, Shanghai 200444
^5.Guangxi Jingui Judicial Expertise Center, Nanning 530000, China

Received:2023-12-22 Online:2025-03-10 Published:2024-12-25
Contact: Rui-jue LIU, Lei WAN

1. 作者贡献声明和利益冲突声明.pdf(119KB)

摘要/Abstract

摘要：

目的探索上海、浙江、江苏地区男性青少年手腕部MRI在骨龄评估中的价值。方法选取124例上海、浙江、江苏地区6.0~18.0岁汉族男性作为研究对象，测量身高、体质量，对其手腕部行T1WI、T2WI序列扫描。获取手腕部MRI图像后，选择桡骨、尺骨、第一至五掌骨干骺端及对应骨骺作为观察指标，由一名副高级影像学专家对各指标的发育情况进行分级（0~2级），另一名专家测量各指标的最大宽度。将身高、体质量、各指标分级及最大宽度测量值等作为输入变量，年龄作为目标变量，利用SPSS Modeler软件建立支持向量机、随机森林、当前现实树、线性回归模型评估骨龄，并选取准确率最高的模型。结果身高、体质量、手腕骨骨骺发育分级、各骨干骺端及对应骨骺的最大宽度均与年龄存在相关性（P<0.05）。骨龄与实际生活年龄差值在1.0岁与1.5岁以内准确率最高的模型均为支持向量机（88.7%、96.0%）。结论 MRI图像用于骨龄评估具有可行性，量化骨骺及对应骨骼干骺端最大宽度并结合MRI图像分级法可有效减少预测误差。

关键词: 法医人类学, 年龄推断, 磁共振成像, 手腕部, 骨骺, 骨发育分级, 机器学习, 青少年

Abstract:

Objective To investigate the value of wrist MRI in bone age estimation for male adolescents in Shanghai, Zhejiang and Jiangsu. Methods A total of 124 Han male adolescents aged 6.0 to 18.0 years from Shanghai, Zhejiang and Jiangsu were selected as subjects. Their weight and height were measured, and T1WI and T2WI sequences of the wrist were scanned. The distal ends of the radius and ulna, and the first to five metacarpal epiphyses and corresponding metaphyses were selected as observational indexes after MRI images of the wrist were obtained. The development of each index was classified （0-2 grades） by a deputy senior imaging expert, then the maximum width of each index was measured by another deputy senior expert. Height, weight, classification and maximum width of indexes were used as input variables, and age was used as the target variable. Support vector machine, random forest, current reality tree, and linear regression models were established to estimate the bone age, and the model with the highest accuracy was selected. Results The height, weight, classification of wrist bone epiphysis development, maximum width of each bone metaphysis and epiphysis were all correlated with age （P<0.05）. The accuracies of the support vector machine were the highest when the differences between bone age and actual chronological age were within 1.0 and 1.5 years （88.7% and 96.0%, respectively）. Conclusion It is feasible to estimate bone age by using MRI images. Quantifying the maximum width of the epiphysis and corresponding metaphysis of bone and combining it with MRI image classification can effectively reduce the estimation error.

Key words: forensic anthropology, age estimation, magnetic resonance imaging （MRI）, wrist, epiphysis, stage of skeletal growth, machine learning, adolescents

中图分类号:

周智露, 张东飞, 陈捷敏, 王亚辉, 郝虹霞, 刘太昂, 何宇亨, 龙定念, 刘瑞珏, 万雷. MRI在华东地区汉族男性青少年手腕骨骺发育的量化及骨龄评估中的应用[J]. 法医学杂志, 2024, 40(6): 589-596.

Zhi-lu ZHOU, Dong-fei ZHANG, Jie-min CHEN, Ya-hui WANG, Hong-xia HAO, Tai-ang LIU, Yu-heng HE, Ding-nian LONG, Rui-jue LIU, Lei WAN. MRI Application in Quantification of Epiphyseal Development in the Wrist and Bone Age Estimation of Han Male Adolescents in East China[J]. Journal of Forensic Medicine, 2024, 40(6): 589-596.

图/表 8

表1 志愿者的年龄分布情况

Tab. 1 The age distribution of volunteers

年龄段/岁	样本量/例
合计	124
6.0~<7.0	5
7.0~<8.0	13
8.0~<9.0	13
9.0~<10.0	12
10.0~<11.0	17
11.0~<12.0	17
12.0~<13.0	18
13.0~<14.0	9
14.0~<15.0	9
15.0~<16.0	5
16.0~<17.0	3
17.0~18.0	3

表2 观察指标

Tab. 2 The observed indicators

变量	观察指标	变量	观察指标
x₁	桡骨干骺端最大宽度	x₁₃	第四掌骨骨骺最大宽度
x₂	尺骨干骺端最大宽度	x₁₄	第五掌骨骨骺最大宽度
x₃	第一掌骨干骺端最大宽度	x₁₅	桡骨骨骺发育分级
x₄	第二掌骨干骺端最大宽度	x₁₆	尺骨骨骺发育分级
x₅	第三掌骨干骺端最大宽度	x₁₇	第一掌骨骨骺发育分级
x₆	第四掌骨干骺端最大宽度	x₁₈	第二掌骨骨骺发育分级
x₇	第五掌骨干骺端最大宽度	x₁₉	第三掌骨骨骺发育分级
x₈	桡骨骨骺最大宽度	x₂₀	第四掌骨骨骺发育分级
x₉	尺骨骨骺最大宽度	x₂₁	第五掌骨骨骺发育分级
x₁₀	第一掌骨骨骺最大宽度	x₂₂	身高
x₁₁	第二掌骨骨骺最大宽度	x₂₃	体质量
x₁₂	第三掌骨骨骺最大宽度

图1 部分变量测量示意图图中仅显示了第二掌骨骨骺最大宽度、第二掌骨干骺端最大宽度、第三掌骨骨骺最大宽度及第三掌骨干骺端最大宽度。

Fig. 1 Schematic diagram of selected variables measurement

图2 手腕部MRI骨发育分级特征及示意图A：0级，干骺端未融合，干骺之间间隙清晰；B：1级，干骺端开始融合，干骺之间间隙变窄、模糊；C：2级，干骺全部闭合，骺线残留或消失。方框内为本研究观察区域。

Fig. 2 Bone development stage characteristics and schematic diagram of wrist MRI

表3 各变量与年龄的相关性

Tab. 3 Correlation between variables and age

变量	r	变量	r
x₁	0.773	x₁₃	0.741
x₂	0.676	x₁₄	0.781
x₃	0.654	x₁₅	0.495
x₄	0.679	x₁₆	0.479
x₅	0.535	x₁₇	0.656
x₆	0.547	x₁₈	0.585
x₇	0.693	x₁₉	0.585
x₈	0.876	x₂₀	0.574
x₉	0.812	x₂₁	0.585
x₁₀	0.743	x₂₂	0.824
x₁₁	0.776	x₂₃	0.746
x₁₂	0.758

表4 各变量在各年龄段的分布 (mm)

Tab. 4 Distribution of variables in each age group

年龄段/岁	项目	x₁	x₂	x₃	x₄	x₅	x₆	x₇	x₈	x₉	x₁₀	x₁₁	x₁₂	x₁₃	x₁₄
6.0~<7.0 （n=5）	最大值	1.82	0.84	0.86	0.85	0.88	0.63	0.69	1.67	0	0.67	0.76	0.80	0.58	0.52
	最小值	1.55	0.65	0.69	0.65	0.70	0.55	0.53	1.26	0	0.39	0.55	0.55	0.49	0.42
	$x ¯$ ±s	1.17±0.10	0.74±0.07	0.77±0.68	0.74±0.07	0.78±0.08	0.59±0.03	0.59±0.62	1.50±0.16	0	0.46±0.12	0.64±0.08	0.65±0.10	0.53±0.04	0.48±0.04
7.0~<8.0 （n=13）	最大值	2.03	1.08	0.90	0.87	0.89	0.76	0.71	2.27	0.88	0.64	0.94	0.84	0.71	0.73
	最小值	1.53	0.58	0.78	0.69	0.65	0.47	0.51	1.33	0	0.43	0.51	0.57	0.44	0.39
	$x ¯$ ±s	1.77±0.13	0.78±0.02	0.87±0.25	0.76±0.06	0.77±0.08	0.64±0.08	0.62±0.06	1.76±0.28	0.20±0.03	0.75±0.04	0.66±0.12	0.68±0.08	0.57±0.09	0.49±0.08
8.0~<9.0 （n=13）	最大值	1.93	0.98	0.93	0.91	0.95	0.73	0.70	2.06	0.99	0.81	0.79	0.83	0.73	0.68
	最小值	1.60	0.65	0.70	0.68	0.58	0.52	0.55	1.46	0	0.57	0.56	0.58	0.47	0.41
	$x ¯$ ±s	1.78±0.14	0.77±0.08	0.85±0.07	0.78±0.07	0.78±0.10	0.65±0.06	0.62±0.05	1.79±0.17	0.11±0.02	0.68±0.08	0.67±0.08	0.66±0.07	0.56±0.08	0.52±0.07
9.0~<10.0 （n=12）	最大值	2.03	0.97	0.97	0.89	0.88	0.74	0.71	2.27	1.09	0.89	0.83	0.80	0.71	0.72
	最小值	1.60	0.69	0.74	0.70	0.71	0.49	0.56	1.75	0	0.58	0.56	0.6	0.49	0.44
	$x ¯$ ±s	1.81±0.13	0.85±0.07	0.88±0.08	0.80±0.06	0.78±0.06	0.60±0.09	0.63±0.05	1.96±0.18	0.53±0.04	0.76±0.11	0.72±0.10	0.67±0.07	0.57±0.07	0.58±0.08
10.0~<11.0 （n=17）	最大值	2.31	1.14	1.06	0.94	0.94	0.76	0.86	2.40	1.18	1.05	0.98	0.98	0.76	0.73
	最小值	1.62	0.78	0.79	0.68	0.74	0.58	0.55	1.64	0	0.65	0.68	0.64	0.42	0.45
	$x ¯$ ±s	1.94±0.18	0.93±0.10	0.93±0.08	0.79±0.07	0.82±0.07	0.67±0.58	0.69±0.11	2.05±0.18	0.71±0.36	0.82±0.12	0.80±0.09	0.74±0.07	0.58±0.11	0.58±0.11
11.0~<12.0 （n=17）	最大值	2.59	1.07	1.02	1.01	0.91	0.75	0.80	2.61	1.42	0.96	0.97	0.91	0.81	0.76
	最小值	1.78	0.67	0.82	0.66	0.71	0.53	0.60	2.00	0.47	0.78	0.70	0.62	0.49	0.47
	$x ¯$ ±s	2.02±0.22	0.89±0.14	0.94±0.07	0.82±0.10	0.79±0.08	0.64±0.07	0.71±0.07	2.21±0.18	1.00±0.21	0.77±0.03	0.80±0.08	0.79±0.08	0.61±0.09	0.65±0.09
12.0~<13.0 （n=18）	最大值	2.24	1.60	1.07	1.06	1.06	0.85	0.93	2.85	1.32	1.21	1.12	1.06	0.92	0.91
	最小值	1.66	0.75	0.82	0.76	0.58	0.65	0.54	2.06	0	0.78	0.70	0.58	0.59	0.52
	$x ¯$ ±s	1.96±0.18	0.96±0.24	0.96±0.07	0.88±0.10	0.86±0.13	0.72±0.06	0.71±0.14	2.34±0.25	1.04±0.35	1.00±0.13	0.95±0.14	0.89±0.16	0.74±0.12	0.76±0.12
13.0~<14.0 （n=9）	最大值	2.44	1.16	1.23	0.99	0.97	0.81	0.87	2.85	1.37	1.25	1.18	1.13	0.92	0.89
	最小值	1.85	0.92	0.91	0.79	0.77	0.51	0.81	0.63	2.09	0.95	0.58	0.62	0.60	0.63
	$x ¯$ ±s	2.13±0.17	1.06±0.76	1.04±0.10	0.90±0.08	0.85±0.07	0.71±0.10	0.76±0.07	2.49±0.22	1.21±0.16	1.01±0.20	0.95±0.20	0.88±0.17	0.78±0.90	0.72±0.11
14.0~<15.0 （n=9）	最大值	2.54	1.42	1.31	1.08	1.07	0.86	0.84	2.82	1.73	1.31	1.21	1.06	0.91	0.99
	最小值	2.04	0.87	0.86	0.81	0.76	0.54	0.72	2.45	0.99	0.98	0.83	0.69	0.64	0.68
	$x ¯$ ±s	2.30±0.17	1.06±0.17	1.09±0.13	0.95±0.09	0.91±0.12	0.75±0.10	0.79±0.04	2.66±0.11	1.30±0.23	1.13±0.99	1.03±0.16	0.89±0.34	0.78±0.09	0.84±0.10
15.0~<16.0 （n=5）	最大值	2.64	1.23	1.27	1.16	1.22	0.94	0.91	2.91	1.55	1.27	1.25	1.29	0.97	1.01
	最小值	2.19	1.10	0.99	0.91	0.96	0.73	0.77	2.25	1.21	0.84	0.99	0.92	0.74	0.75
	$x ¯$ ±s	2.47±0.17	1.16±0.05	1.16±0.11	1.02±0.12	1.05±0.10	0.81±0.08	0.84±0.05	2.77±0.16	1.37±0.14	1.15±0.18	1.13±0.10	1.10±0.14	0.88±0.08	0.89±0.11
16.0~<17.0 （n=3）	最大值	2.80	1.77	1.29	1.15	1.14	1.11	1.09	2.98	1.92	1.29	1.14	1.25	1.14	1.04
	最小值	2.33	1.05	0.96	1.08	1.05	0.91	0.78	2.72	1.06	0.98	0.96	0.88	0.70	0.70
	$x ¯$ ±s	2.52±0.25	1.32±0.39	1.10±0.17	1.11±0.04	1.11±0.05	1.01±0.10	0.90±0.16	2.83±0.13	1.37±0.48	1.10±0.16	1.07±0.09	1.06±0.79	0.91±2.22	0.92±0.79
17.0~<18.0 （n=3）	最大值	2.82	1.49	1.23	1.29	1.18	1.00	0.96	3.05	1.51	1.23	1.26	1.21	0.91	0.98
	最小值	2.54	1.21	0.91	0.96	1.00	0.97	0.91	2.61	1.31	0.91	0.99	1.07	0.83	0.78
	$x ¯$ ±s	2.66±0.14	1.32±0.15	1.02±0.16	1.09±0.17	1.07±0.10	0.94±0.06	0.90±0.08	2.84±0.22	1.44±0.12	1.05±0.16	1.13±0.14	1.15±0.07	0.87±0.04	0.87±0.10

表4 各变量在各年龄段的分布 (mm)

Tab. 4 Distribution of variables in each age group

年龄段/岁	项目	x₁	x₂	x₃	x₄	x₅	x₆	x₇	x₈	x₉	x₁₀	x₁₁	x₁₂	x₁₃	x₁₄
6.0~<7.0 （n=5）	最大值	1.82	0.84	0.86	0.85	0.88	0.63	0.69	1.67	0	0.67	0.76	0.80	0.58	0.52
	最小值	1.55	0.65	0.69	0.65	0.70	0.55	0.53	1.26	0	0.39	0.55	0.55	0.49	0.42
	$x ¯$ ±s	1.17±0.10	0.74±0.07	0.77±0.68	0.74±0.07	0.78±0.08	0.59±0.03	0.59±0.62	1.50±0.16	0	0.46±0.12	0.64±0.08	0.65±0.10	0.53±0.04	0.48±0.04
7.0~<8.0 （n=13）	最大值	2.03	1.08	0.90	0.87	0.89	0.76	0.71	2.27	0.88	0.64	0.94	0.84	0.71	0.73
	最小值	1.53	0.58	0.78	0.69	0.65	0.47	0.51	1.33	0	0.43	0.51	0.57	0.44	0.39
	$x ¯$ ±s	1.77±0.13	0.78±0.02	0.87±0.25	0.76±0.06	0.77±0.08	0.64±0.08	0.62±0.06	1.76±0.28	0.20±0.03	0.75±0.04	0.66±0.12	0.68±0.08	0.57±0.09	0.49±0.08
8.0~<9.0 （n=13）	最大值	1.93	0.98	0.93	0.91	0.95	0.73	0.70	2.06	0.99	0.81	0.79	0.83	0.73	0.68
	最小值	1.60	0.65	0.70	0.68	0.58	0.52	0.55	1.46	0	0.57	0.56	0.58	0.47	0.41
	$x ¯$ ±s	1.78±0.14	0.77±0.08	0.85±0.07	0.78±0.07	0.78±0.10	0.65±0.06	0.62±0.05	1.79±0.17	0.11±0.02	0.68±0.08	0.67±0.08	0.66±0.07	0.56±0.08	0.52±0.07
9.0~<10.0 （n=12）	最大值	2.03	0.97	0.97	0.89	0.88	0.74	0.71	2.27	1.09	0.89	0.83	0.80	0.71	0.72
	最小值	1.60	0.69	0.74	0.70	0.71	0.49	0.56	1.75	0	0.58	0.56	0.6	0.49	0.44
	$x ¯$ ±s	1.81±0.13	0.85±0.07	0.88±0.08	0.80±0.06	0.78±0.06	0.60±0.09	0.63±0.05	1.96±0.18	0.53±0.04	0.76±0.11	0.72±0.10	0.67±0.07	0.57±0.07	0.58±0.08
10.0~<11.0 （n=17）	最大值	2.31	1.14	1.06	0.94	0.94	0.76	0.86	2.40	1.18	1.05	0.98	0.98	0.76	0.73
	最小值	1.62	0.78	0.79	0.68	0.74	0.58	0.55	1.64	0	0.65	0.68	0.64	0.42	0.45
	$x ¯$ ±s	1.94±0.18	0.93±0.10	0.93±0.08	0.79±0.07	0.82±0.07	0.67±0.58	0.69±0.11	2.05±0.18	0.71±0.36	0.82±0.12	0.80±0.09	0.74±0.07	0.58±0.11	0.58±0.11
11.0~<12.0 （n=17）	最大值	2.59	1.07	1.02	1.01	0.91	0.75	0.80	2.61	1.42	0.96	0.97	0.91	0.81	0.76
	最小值	1.78	0.67	0.82	0.66	0.71	0.53	0.60	2.00	0.47	0.78	0.70	0.62	0.49	0.47
	$x ¯$ ±s	2.02±0.22	0.89±0.14	0.94±0.07	0.82±0.10	0.79±0.08	0.64±0.07	0.71±0.07	2.21±0.18	1.00±0.21	0.77±0.03	0.80±0.08	0.79±0.08	0.61±0.09	0.65±0.09
12.0~<13.0 （n=18）	最大值	2.24	1.60	1.07	1.06	1.06	0.85	0.93	2.85	1.32	1.21	1.12	1.06	0.92	0.91
	最小值	1.66	0.75	0.82	0.76	0.58	0.65	0.54	2.06	0	0.78	0.70	0.58	0.59	0.52
	$x ¯$ ±s	1.96±0.18	0.96±0.24	0.96±0.07	0.88±0.10	0.86±0.13	0.72±0.06	0.71±0.14	2.34±0.25	1.04±0.35	1.00±0.13	0.95±0.14	0.89±0.16	0.74±0.12	0.76±0.12
13.0~<14.0 （n=9）	最大值	2.44	1.16	1.23	0.99	0.97	0.81	0.87	2.85	1.37	1.25	1.18	1.13	0.92	0.89
	最小值	1.85	0.92	0.91	0.79	0.77	0.51	0.81	0.63	2.09	0.95	0.58	0.62	0.60	0.63
	$x ¯$ ±s	2.13±0.17	1.06±0.76	1.04±0.10	0.90±0.08	0.85±0.07	0.71±0.10	0.76±0.07	2.49±0.22	1.21±0.16	1.01±0.20	0.95±0.20	0.88±0.17	0.78±0.90	0.72±0.11
14.0~<15.0 （n=9）	最大值	2.54	1.42	1.31	1.08	1.07	0.86	0.84	2.82	1.73	1.31	1.21	1.06	0.91	0.99
	最小值	2.04	0.87	0.86	0.81	0.76	0.54	0.72	2.45	0.99	0.98	0.83	0.69	0.64	0.68
	$x ¯$ ±s	2.30±0.17	1.06±0.17	1.09±0.13	0.95±0.09	0.91±0.12	0.75±0.10	0.79±0.04	2.66±0.11	1.30±0.23	1.13±0.99	1.03±0.16	0.89±0.34	0.78±0.09	0.84±0.10
15.0~<16.0 （n=5）	最大值	2.64	1.23	1.27	1.16	1.22	0.94	0.91	2.91	1.55	1.27	1.25	1.29	0.97	1.01
	最小值	2.19	1.10	0.99	0.91	0.96	0.73	0.77	2.25	1.21	0.84	0.99	0.92	0.74	0.75
	$x ¯$ ±s	2.47±0.17	1.16±0.05	1.16±0.11	1.02±0.12	1.05±0.10	0.81±0.08	0.84±0.05	2.77±0.16	1.37±0.14	1.15±0.18	1.13±0.10	1.10±0.14	0.88±0.08	0.89±0.11
16.0~<17.0 （n=3）	最大值	2.80	1.77	1.29	1.15	1.14	1.11	1.09	2.98	1.92	1.29	1.14	1.25	1.14	1.04
	最小值	2.33	1.05	0.96	1.08	1.05	0.91	0.78	2.72	1.06	0.98	0.96	0.88	0.70	0.70
	$x ¯$ ±s	2.52±0.25	1.32±0.39	1.10±0.17	1.11±0.04	1.11±0.05	1.01±0.10	0.90±0.16	2.83±0.13	1.37±0.48	1.10±0.16	1.07±0.09	1.06±0.79	0.91±2.22	0.92±0.79
17.0~<18.0 （n=3）	最大值	2.82	1.49	1.23	1.29	1.18	1.00	0.96	3.05	1.51	1.23	1.26	1.21	0.91	0.98
	最小值	2.54	1.21	0.91	0.96	1.00	0.97	0.91	2.61	1.31	0.91	0.99	1.07	0.83	0.78
	$x ¯$ ±s	2.66±0.14	1.32±0.15	1.02±0.16	1.09±0.17	1.07±0.10	0.94±0.06	0.90±0.08	2.84±0.22	1.44±0.12	1.05±0.16	1.13±0.14	1.15±0.07	0.87±0.04	0.87±0.10

表5 124例志愿者腕关节骨骺闭合的年龄分布 (例)

Tab. 5 Age distribution of epiphyseal closure of the wrist joint in 124 volunteers

年龄段/岁	x₁₅			x₁₆			x₁₇			x₁₈			x₁₉			x₂₀			x₂₁
年龄段/岁	0级	1级	2级	0级	1级	2级	0级	1级	2级	0级	1级	2级	0级	1级	2级	0级	1级	2级	0级	1级	2级
6.0~<7.0 （n=5）	5	-	-	5	-	-	5	-	-	5	-	-	5	-	-	-	-	-	-	-	-
7.00~<8.0 （n=13）	13	-	-	13	-	-	13	-	-	13	-	-	13	-	-	-	-	-	-	-	-
8.00~<9.0 （n=13）	13	-	-	13	-	-	13	-	-	13	-	-	13	-	-	-	-	-	-	-	-
9.00~<10.0 （n=12）	12	-	-	12	-	-	12	-	-	12	-	-	12	-	-	-	-	-	-	-	-
10.0~<11.0 （n=17）	17	-	-	17	-	-	17	-	-	17	-	-	17	-	-	-	-	-	-	-	-
11.0~<12.0 （n=17）	17	-	-	17	-	-	17	-	-	17	-	-	17	-	-	-	-	-	-	-	-
12.0~<13.0 （n=18）	18	-	-	18	-	-	16	2	-	17	1	-	17	1	-	17	1	-	17	1	-
13.0~<14.0 （n=9）	9	-	-	9	-	-	7	2	-	7	2	-	7	2	-	8	1	-	7	2	-
14.0~<15.0 （n=9）	5	4	-	6	3	-	1	4	4	4	1	4	4	1	4	4	1	4	4	1	4
15.0~<16.0 （n=5）	3	1	1	3	1	1	-	1	4	1	1	3	1	1	3	1	1	3	1	1	3
16.0~<17.0 （n=3）	-	1	2	-	2	1	-	-	3	-	-	3	-	-	3	-	-	3	-	-	3
17.0~<18.0 （n=3）	-	-	3	-	-	3	-	-	3	-	-	3	-	-	3	-	-	3	-	-	3

表6 各模型的性能比较

Tab. 6 Performance comparison of each model

模型	ACC_1.0岁/%	ACC_1.5岁/%	MAE/岁
LR	70.2	92.3	0.71
CRT	72.6	84.7	0.83
RF	86.3	93.5	0.59
SVM	88.7	96.0	0.33

参考文献 27

1	MANSOURVAR M， ISMAIL M A， HERAWAN T， et al. Automated bone age assessment： Motivation， taxonomies， and challenges[J]. Comput Math Methods Med，2013，2013：391626. doi：10.1155/2013/391626 .
2	MALINA R M. Skeletal age and age verification in youth sport[J]. Sports Med，2011，41（11）：925-947. doi：10.2165/11590300-000000000-00000 .
3	王文焕，林惠恩，符孔，等. 儿童中枢性性早熟垂体MRI影像学特征及其与骨龄的相关性[J].分子影像学杂志，2022，45（1）：101-105.
	doi：10.12122/j.issn.1674-4500.2022.01.20.WANG W H， LIN H E， FU K， et al. MRI imaging features of the pituitary gland in children with central precocious puberty and their correlation with bone age[J]. Fenzi Yingxiangxue Zazhi，2022，45（1）：101-105.
4	TIMME M， OTTOW C， SCHULZ R， et al. Magnetic resonance imaging of the distal radial epiphysis： A new criterion of maturity for determining whether the age of 18 has been completed?[J]. Int J Legal Med，2017，131（2）：579-584. doi：10.1007/s00414-016-1502-5 .
5	朱广友，范利华，张国桢，等. 青少年骨发育X线分级方法[J].法医学杂志，2008，24（1）：18-24. doi：10.3969/
	j.issn.1004-5619.2008.01.006.
	ZHU G Y， FAN L H， ZHANG G Z， et al. Staging methods of skeletal growth by X-ray in teenagers[J]. Fayixue Zazhi，2008，24（1）：18-24.
6	鲁婷，范飞，施蕾，等. MRI在法医学活体年龄推断中的研究进展[J].法医学杂志，2020，36（4）：549-558. doi：10.12116/j.issn.1004-5619.2020.04.022 .
	LU T， FAN F， SHI L， et al. Research progress on the forensic age estimation in living individuals using MRI[J]. Fayixue Zazhi，2020，36（4）：549-558.
7	STERN D， PAYER C， GIULIANI N， et al. Automatic age estimation and majority age classification from multi-factorial MRI data[J]. IEEE J Biomed Health Inform，2019，23（4）：1392-1403. doi：10.1109/JBHI.2018.2869606 .
8	DALLORA A L， ANDERBERG P， KVIST O， et al. Bone age assessment with various machine learning techniques： A systematic literature review and meta-analysis[J]. PLoS One，2019，14（7）：e0220242. doi：10.1371/journal.pone.0220242 .
9	TOMEI E， SARTORI A， NISSMAN D， et al. Value of MRI of the hand and the wrist in evaluation of bone age： Preliminary results[J]. J Magn Reson Imaging，2014，39（5）：1198-1205. doi：10.10 02/jmri.24286 .
10	PENNOCK A T， BOMAR J D， MANNING J D. The creation and validation of a knee bone age atlas utilizing MRI[J]. J Bone Joint Surg Am，2018，100（4）：e20. doi：10.2106/JBJS.17.00693 .
11	SERIN J， RÉROLLE C， PUCHEUX J， et al. Contribution of magnetic resonance imaging of the wrist and hand to forensic age assessment[J]. Int J Legal Med，2016，130（4）：1121-1128. doi：10.1007/s00414-016-1362-z .
12	LU T， SHI L， ZHAN M J， et al. Age estimation based on magnetic resonance imaging of the ankle joint in a modern Chinese Han population[J]. Int J Leg Med，2020，134（5）：1843-1852. doi：10.1007/s00414-020-02364-3 .
13	胥少汀，葛宝丰，徐印坎. 实用骨科学[M].3版.北京：人民军医出版社，2005：1-60.
	XU S T， GE B F， XU Y K. Practical orthopedics[M]. 3rd ed. Beijing： People’s Military Medical Press，2005：1-60.
14	王年，樊旭晨，张玉明，等. 基于足迹图像的FtH-Net预测身高方法[J].华南理工大学学报（自然科学版），2020，48（6）：106-113，133. doi： 10.12141/j.issn.1000-
	565X.190860. WANG N， FAN X C， ZHANG Y M， et al. FtH-Net method for predicting height based on footprint image[J]. Huanan Ligong Daxue Xuebao （Natural science edition），2020，48（6）：106-113，133.
15	彭钊，占梦军，张奎，等. 法医年龄评估中非诊疗目的的放射检查[J].证据科学，2019，27（3）：347-358.
	doi：10.3969/j.issn.1674-1226.2019.03.008.PENG Z， ZHAN M J， ZHANG K， et al. Ionizing radiation examination without medical indication in forensic age estimation[J]. Zhengju Kexue，2019，27（3）：347-358.
16	WIDEK T， GENET P， EHAMMER T， et al. Bone age estimation with the Greulich-Pyle atlas using 3T MR images of hand and wrist[J]. Forensic Sci Int，2021，319：110654. doi：10.1016/j.forsciint.2020.110654 .
17	DER MAUER M A， WELL E J V， HERRMANN J， et al. Automated age estimation of young indivi-duals based on 3D knee MRI using deep learning[J]. Int J Legal Med，2021，135（2）：649-663. doi：10.1007/s00414-020-02465-z .
18	DE TOBEL J， FIEUWS S， HILLEWIG E， et al. Multi-factorial age estimation： A Bayesian approach combining dental and skeletal magnetic resonance imaging[J]. Forensic Sci Int，2020，306：110054. doi：10.1016/j.forsciint.2019.110054 .
19	WAN J， ZHAO Y， FENG Q， et al. Potential value of conventional ultrasound in estimation of bone age in patients from birth to near adulthood[J]. Ultrasound Med Biol，2019，45（11）：2878-2886. doi：10.1016/j.ultrasmedbio.2019.07.681 .
20	武鹏，刘新顶，赵德利，等. AI辅助下医生对骨龄评估的效能提升[J].重庆医科大学学报，2024，49（1）：60-64. doi：10.13406/j.cnki.cyxb.003402 .
	WU P， LIU X D， ZHAO D L， et al. Improvement in bone age assessment efficiency of physicians based on the artificial intelligence-assisted bone age assessment system[J]. Chongqing Yike Daxue Xuebao，2024，49（1）：60-64.
21	刁亚茹，鲁婷，邓振华，等. 基于深度学习实现肋软骨CT图像自动化骨龄推断[J].中国法医学杂志，2023，38（6）：628-632. doi：10.13618/j.issn.1001-5728.2023.06.005 .
	DIAO Y R， LU T， DENG Z H， et al. Automatic bone age estimation of costal cartilage CT images based on deep learning[J]. Zhongguo Fayixue Zazhi，2023，38（6）：628-632.
22	雷义洋，申玉姝，王亚辉，等. 基于主成分分析和支持向量机实现膝关节骨龄评估回归算法[J].法医学杂志，2019，35（2）：194-199. doi：10.12116/j.issn.1004-5619.2019.02.012 .
	LEI Y Y， SHEN Y S， WANG Y H， et al. Regression algorithm of bone age estimation of knee-joint based on principal component analysis and support vector machine[J]. Fayixue Zazhi，2019，35（2）：194-199.
23	ŠTERN D， PAYER C， URSCHLER M. Automated age estimation from MRI volumes of the hand[J]. Med Image Anal，2019，58：101538. doi：10.1016/j.media.2019.101538 .
24	URSCHLER M， KRAUSKOPF A， WIDEK T， et al. Applicability of Greulich-Pyle and Tanner-White-house grading methods to MRI when assessing hand bone age in forensic age estimation： A pilot study[J]. Forensic Sci Int，2016，266：281-288. doi：10.1016/j.forsciint.2016.06.016 .
25	HOJREH A， GAMPER J， SCHMOOK M T， et al. Hand MRI and the Greulich-Pyle atlas in skeletal age estimation in adolescents[J]. Skeletal Radiol，2018，47（7）：963-971. doi：10.1007/s00256-017-2867-3 .
26	DE TOBEL J， HILLEWIG E， DE HAAS M B， et al. Forensic age estimation based on T1 SE and VIBE wrist MRI： Do a one-fits-all staging technique and age estimation model apply?[J]. Eur Radiol，2019，29（6）：2924-2935. doi：10.1007/s00330-018-5944-7 .
27	URSCHLER M， GRASSEGGER S， ŠTERN D. What automated age estimation of hand and wrist MRI data tells us about skeletal maturation in male adolescents[J]. Ann Hum Biol，2015，42（4）：358-367. doi：10.3109/03014460.2015.1043945 .

[1]	马继伟, 黄平, 张吉, 余海星, 曹永杰, 杨孝通, 熊剪, 张怀瀚, 仓勇, 史格非, 陈丽琴. 1991—2022年法医人类学遗骸识别文献计量学分析[J]. 法医学杂志, 2024, 40(3): 245-253.
[2]	吕途, 舒永康, 田雪梅. 骨龄重新鉴定2例[J]. 法医学杂志, 2024, 40(2): 168-171.
[3]	韩佳璇, 沈诗慧, 吴怡文, 孙晓丹, 陈天南, 陶疆. 基于CBCT中牙髓和牙体体积的机器学习用于青少年儿童年龄推断[J]. 法医学杂志, 2024, 40(2): 143-148.
[4]	施蕾, 薛冶, 邱丽蓉, 鲁婷, 范飞, 周宇驰, 邓振华. 基于磁共振成像技术的牙龄推断研究进展[J]. 法医学杂志, 2024, 40(2): 112-117.
[5]	魏璇, 陈雨珊, 丁杰, 宋长兴, 王俊静, 彭钊, 邓振华, 伊旭, 范飞. 基于机器学习和颅缝CT-MPR技术的北方成人年龄推断[J]. 法医学杂志, 2024, 40(2): 128-134.
[6]	郭瑜鑫, 卜雯卿, 唐羽, 吴迪, 杨徽, 孟昊天, 郭昱成. Demirjian法结合机器学习算法推断北方汉族儿童及青少年牙龄[J]. 法医学杂志, 2024, 40(2): 135-142.
[7]	王亚辉, 陈腾. 法医学活体年龄推断研究前沿与挑战[J]. 法医学杂志, 2024, 40(2): 109-111.
[8]	周慧明, 李丹阳, 王亚辉. 同年龄段两性青少年骨骺发育差异性比较2例[J]. 法医学杂志, 2024, 40(2): 164-167.
[9]	李丹阳, 潘宇, 周慧明, 万雷, 李成涛, 汪茂文, 王亚辉. 医学统计和机器学习方法在活体年龄推断中的应用[J]. 法医学杂志, 2024, 40(2): 118-127.
[10]	张怀瀚, 曹永杰, 张吉, 熊剪, 马继伟, 杨孝通, 黄平, 马永刚. CT三维重建技术结合深度学习算法推断成人坐骨年龄[J]. 法医学杂志, 2024, 40(2): 154-163.
[11]	霍德民, 马开军, 徐敬兰, 宋旭, 毛晓燕, 刘夏, 赵开放, 张剑, 杜猛. 基于第三磨牙根管可见度判断华东地区个体是否年满18周岁[J]. 法医学杂志, 2024, 40(2): 149-153.
[12]	黄逸航, 梁伟波, 蹇慧, 屈胜秋. 基于DNA甲基化推断年龄的建模方法与影响因素[J]. 法医学杂志, 2023, 39(6): 601-607.
[13]	马星宇, 程浩, 张忠铎, 李烨铭, 赵东. 代谢组学技术结合机器学习算法在损伤时间推断中的研究进展[J]. 法医学杂志, 2023, 39(6): 596-600.
[14]	王紫薇, 李成涛, 刘希玲. DNA甲基化年龄推断模型在华东汉族人群中的跨平台应用[J]. 法医学杂志, 2023, 39(5): 441-446.
[15]	向青青, 陈立方, 苏秦, 杜宇坤, 梁沛妍, 康晓东, 石河, 徐曲毅, 赵建, 刘超, 陈晓晖. 微生物群落演替在死亡时间推断中的研究进展[J]. 法医学杂志, 2023, 39(4): 399-405.

MRI在华东地区汉族男性青少年手腕骨骺发育的量化及骨龄评估中的应用

MRI Application in Quantification of Epiphyseal Development in the Wrist and Bone Age Estimation of Han Male Adolescents in East China

RichHTML

PDF (PC)

补充材料

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 27

相关文章 15

编辑推荐

Metrics