基于分割标签与原始图像融合的双通道汉族青少年肩关节X线骨龄评估

doi:10.12116/j.issn.1004-5619.2025.250106

法医学杂志 ›› 2025, Vol. 41 ›› Issue (3): 208-216.DOI: 10.12116/j.issn.1004-5619.2025.250106

基于分割标签与原始图像融合的双通道汉族青少年肩关节X线骨龄评估

周慧明¹^,²(), 李丹阳²^,³^,⁴, 万雷², 刘太昂⁵, 李远喆⁵, 汪茂文², 王亚辉²()

^1.山西医科大学法医学院，山西晋中 030600
^2.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
^3.山西医科大学医学科学院，山西太原 030000
^4.山西医科大学公共卫生学院，山西太原 030000
^5.上海数之微信息科技有限公司，上海 200444

收稿日期:2025-01-26 发布日期:2025-08-29 出版日期:2025-06-25
通讯作者: 王亚辉
作者简介:周慧明（1998—），女，硕士研究生，主要从事法医临床学、法医人类学研究；E-mail：huimingzhou1216@163.com
基金资助:
国家重点研发计划资助项目(2022YFC3302004);国家自然科学基金资助项目(81571859);国家自然科学基金资助项目(81102305);上海市2019年度“科技创新行动计划”技术标准项目(19DZ2201300);上海市法医学重点实验室资助项目(21DZ2270800);上海市司法鉴定专业技术服务平台资助项目;司法部司法鉴定重点实验室资助项目

Dual-Channel Shoulder Joint X-ray Bone Age Estimation in Chinese Han Adolescents Based on the Fusion of Segmentation Labels and Original Images

Hui-ming ZHOU¹^,²(), Dan-yang LI²^,³^,⁴, Lei WAN², Tai-ang LIU⁵, Yuan-zhe LI⁵, Mao-wen WANG², Ya-hui WANG²()

^1.School of Forensic Medicine, Shanxi Medical University, Jinzhong 030600, Shanxi Province, China
^2.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
^3.Academy of Medical Sciences, Shanxi Medical University, Taiyuan 030000, China
^4.School of Public Health, Shanxi Medical University, Taiyuan 030000, China
^5.Shanghai Shuzhiwei Information Technology Co. , Ltd, Shanghai 200444, China

Received:2025-01-26 Online:2025-08-29 Published:2025-06-25
Contact: Ya-hui WANG

1. 作者贡献声明和利益冲突声明.pdf(116KB)

摘要/Abstract

摘要：

目的探索适用于中国汉族青少年肩关节X线骨龄评估的深度学习网络模型。方法回顾性收集12.0~<18.0岁中国汉族青少年肩关节X线图像1 286例（男性708例，女性578例）。随机抽取约80%的样本（1 032例）作为训练集和验证集，用于模型学习、选择和调优，约20%的样本（254例）作为测试集，用于评估模型泛化能力。分别将肩关节X线原始图像单通道、结合原始图像与分割标签（经人工标注的肩关节区域与原始图像进行逐像素点相乘操作后再经过U-Net++网络分割，仅保留肩关节关键区域信息）双通道输入VGG16、ResNet18、ResNet50、DenseNet121 4种网络模型进行骨龄评估。另外，对测试集数据进行人工骨龄评估，并与4种网络模型进行比较分析。使用平均绝对误差（mean absolute error，MAE）、均方根误差（root mean square error，RMSE）、决定系数（R²）和皮尔逊相关系数（Pearson correlation coefficient，PCC）作为主要评价指标。结果在测试集中，4种模型双通道输入的肩关节X线图像骨龄评估结果在4项评价指标上均优于单通道输入，其中DenseNet121模型的双通道输入方式结果最好，MAE为0.54岁，RMSE为0.82岁，R²为0.76，r为0.88。人工评估方法的MAE为0.82岁，仅次于DenseNet121模型的双通道输入结果。结论基于肩关节X线图像结合原始图像与分割标签双通道输入的DenseNet121网络模型评估结果优于人工评估结果，可有效评估中国汉族青少年骨龄。

关键词: 法医人类学, 年龄推断, X线图像, 肩关节, 卷积神经网络, 分割网络, 青少年

Abstract:

Objective To explore a deep learning network model suitable for bone age estimation using shoulder joint X-ray images in Chinese Han adolescents. Methods A retrospective collection of 1 286 shoulder joint X-ray images of Chinese Han adolescents aged 12.0 to <18.0 years （708 males and 578 females） was conducted. Using random sampling, approximately 80% of the samples （1 032 cases） were selected as the training and validation sets for model learning, selection and optimization, and the other 20% samples （254 cases） were used as the test set to evaluate the model’s generalization ability. The original single-channel shoulder joint X-ray images and dual-channel inputs combining original images with segmentation labels （manually annotated shoulder joint regions multiplied pixel-by-pixel with original images, followed by segmentation via the U-Net++ network to retain only key shoulder joint region information） were respectively input into four network models, namely VGG16, ResNet18, ResNet50 and DenseNet121 for bone age estimation. Additionally, manual bone age estimation was conducted on the test set data, and the results were compared with the four network models. The mean absolute error （MAE）, root mean square error （RMSE）, coefficient of determination （R²）, and Pearson correlation coefficient （PCC） were used as main evaluation indicators. Results In the test set, the bone age estimation results of the four models with dual-channel input of shoulder joint X-ray images outperformed those with single-channel input in all four evaluation indicators. Among them, DenseNet121 with dual-channel input achieved best results with MAE of 0.54 years, RMSE of 0.82 years, R² of 0.76, and PCC （r） of 0.88. Manual estimation yielded an MAE of 0.82 years, ranking second only to dual-channel DenseNet121. Conclusion The DenseNet121 model with dual-channel input combined with original images and segmentation labels is superior to manual evaluation results, and can effectively estimate the bone age of Chinese Han adolescents.

Key words: forensic anthropology, age estimation, X-ray image, shoulder joint, convolutional neural network, segmentation network, adolescents

中图分类号:

周慧明, 李丹阳, 万雷, 刘太昂, 李远喆, 汪茂文, 王亚辉. 基于分割标签与原始图像融合的双通道汉族青少年肩关节X线骨龄评估[J]. 法医学杂志, 2025, 41(3): 208-216.

Hui-ming ZHOU, Dan-yang LI, Lei WAN, Tai-ang LIU, Yuan-zhe LI, Mao-wen WANG, Ya-hui WANG. Dual-Channel Shoulder Joint X-ray Bone Age Estimation in Chinese Han Adolescents Based on the Fusion of Segmentation Labels and Original Images[J]. Journal of Forensic Medicine, 2025, 41(3): 208-216.

图/表 6

表1 各年龄段训练集和验证集与测试集的人群分布 (例)

Tab. 1 Population distribution of training， validation and test sets in each age group

年龄段/岁	男性		女性		合计
年龄段/岁	训练集和验证集	测试集	训练集和验证集	测试集	合计
合计	570	138	462	116	1 286
12.0~<13.0	67	20	59	9	155
13.0~<14.0	90	14	87	25	216
14.0~<15.0	75	16	76	19	186
15.0~<16.0	104	32	93	32	261
16.0~<17.0	112	34	84	15	245
17.0~<18.0	122	22	63	16	223

图1 实验流程图

Fig. 1 Flowchart of the experiment

表2 测试集中基于单、双通道分别输入4种网络模型的预测结果以及人工评估结果之间的比较

Tab. 2 Comparison of prediction results from four network models based on single-channel anddual-channel inputs， and manual evaluation results in the test set

评价指标	VGG16		ResNet18		ResNet50		DenseNet121		人工评估
评价指标	单通道	双通道	单通道	双通道	单通道	双通道	单通道	双通道	人工评估
MAE/岁	1.20	1.17	1.25^1）	1.09^1）2）	1.21^1）	0.85^1）2）	1.16^1）	0.54^1）2）	0.82
RMSE/岁	1.47	1.45	1.52^1）	1.37^1）2）	1.48^1）	1.06^1）2）	1.43^1）	0.82^1）2）	1.13
R²	0.24	0.26	0.25^1）	0.34^1）2）	0.28^1）	0.60^1）2）	0.30^1）	0.76^1）2）	0.68
r	0.51	0.51	0.54^1）	0.59^1）2）	0.47^1）	0.80^1）2）	0.56^1）	0.88^1）2）	0.82

图2 测试集中4种网络模型分别基于单、双通道输入的AE分布粉色与绿色箱体分别代表单通道和双通道输入的AE分布。箱体下边界为第一四分位数（Q1），上边界为第三四分位数（Q3）；箱体高度即四分位距（interquartile range，IQR），箱体内横线为中位数（MAE）；上须线延伸至最大值（Q3+1.5IQR），下须线延伸至最小值（Q1-1.5IQR）。

Fig. 2 AE distribution for four network models based on single-channel and dual-channel inputs in test set

图3 测试集中4种网络模型基于单、双通道输入的预测年龄与真实年龄的散点图

Fig. 3 Scatter plots of predicted age and chronological age for four network modelsbased on single-channel and dual-channel inputs in the test set

图4 测试集中基于人工评估方法的预测年龄与真实年龄的散点图

Fig. 4 Scatter plot of predicted age and chronological ageusing manual evaluation methods in the test set

参考文献 46

[1]	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. doi：10.12116/j.issn.1004-5619.2024.240410 .
	WANG Y H， CHEN T. Research frontiers and challenges of living age estimation in forensic science[J]. Fayixue Zazhi，2024，40（2）：109-111.
[2]	GRÄFE D， BESKOW A B， PFÄFFLE R， et al. Automated bone age assessment in a German pediatric cohort： Agreement between an artificial intelligence software and the manual Greulich and Pyle method[J]. Eur Radiol，2024，34（7）：4407-4413. doi： 10.1007/s00330-023-10543-0 .
[3]	MALINA R M， BEUNEN G P. Assessment of skeletal maturity and prediction of adult height （TW3 method）[J]. Am J Hum Biol，2002，14（6）：788-789. doi：10.1002/ajhb.10098 .
[4]	ZHANG D， LIU B， HUANG Y， et al. An automated TW3-RUS bone age assessment method with ordinal regression-based determination of skeletal maturity[J]. J Digit Imaging，2023，36（3）：1001-1015. doi：10.1007/s10278-023-00794-0 .
[5]	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 .
[6]	ALTINSOY H B， GURSES M S， BOGAN M， et al. Applicability of 3.0 T MRI images in the estimation of full age based on shoulder joint ossification： Single-centre study[J]. Leg Med （Tokyo），2020，47：101767. doi：10.1016/j.legalmed.2020.101767 .
[7]	KELLINGHAUS M， SCHULZ R， VIETH V， et al. Enhanced possibilities to make statements on the ossification status of the medial clavicular epiphysis using an amplified staging scheme in evaluating thin-slice CT scans[J]. Int J Legal Med，2010，124（4）：321-325. doi：10.1007/s00414-010-0448-2 .
[8]	SCHMELING A， SCHULZ R， REISINGER W， et al. Studies on the time frame for ossification of the medial clavicular epiphyseal cartilage in conventional radiography[J]. Int J Legal Med，2004，118（1）：5-8. doi：10.1007/s00414-003-0404-5 .
[9]	LU T， QIU L R， REN B， et al. Forensic age estimation based on magnetic resonance imaging of the proximal humeral epiphysis in Chinese living individuals[J]. Int J Legal Med，2021，135（6）：2437-2446. doi：10.1007/s00414-021-02653-5 .
[10]	朱广友，王亚辉，万雷. 中国青少年骨龄鉴定标准图谱法[M].上海：上海科学技术文献出版社，2016：96-107.
	ZHU G Y， WANG Y H， WAN L. Determination of skeleton age for Chinese teenagers by standard radiographic atlas[M]. Shanghai： Shanghai Scientific and Technological Literature Press，2016：96-107.
[11]	FURDOCK R J， KUO A， CHEN K J， et al. Applicability of shoulder， olecranon， and wrist-based skeletal maturity estimation systems to the modern pediatric population[J]. J Pediatr Orthop，2023，43（7）：465-469. doi：10.1097/BPO.0000000000002430 .
[12]	NELSON S， HANS M G， BROADBENT BH JR， et al. The Brush Inquiry： An opportunity to investigate health outcomes in a well-characterized cohort[J]. Am J Hum Biol，2000，12（1）：1-9. doi：10.1002/（SICI ）
	1520-6300（200001/02）12：1<1：：AID-AJHB1>3.0.CO；2-3.
[13]	SHARIF A F， EID H， GHALAB M A A， et al. Evaluation of two scoring systems assessing the epiphyseal union at shoulder joint as predictors of chronological age among a sample of Egyptians[J]. Leg Med （Tokyo），2024，71：102546. doi：10.1016/j.legalmed.2024.102546 .
[14]	TOURNOIS L， TROUSSET V， HATSCH D， et al. Artificial intelligence in the practice of forensic medicine： A scoping review[J]. Int J Legal Med，2024，138（3）：1023-1037. doi：10.1007/s00414-023-03140-9 .
[15]	李丹阳，潘宇，周慧明，等. 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. doi：10.12116/j.issn.1004-5619.2023.231103 .
	LI D Y， PAN Y， ZHOU H M， et al. Application of medical statistical and machine learning methods in the age estimation of living individuals[J]. Fayixue Zazhi，2024，40（2）：118-127.
[16]	BEHESHTIAN E， PUTMAN K， SANTOMARTINO S M， et al. Generalizability and bias in a deep learning pediatric bone age prediction model using hand radiographs[J]. Radiology，2023，306（2）：e220505. doi：10.1148/radiol.220505 .
[17]	YANG Z， CONG C， PAGNUCCO M， et al. Multi-scale multi-reception attention network for bone age assessment in X-ray images[J]. Neural Netw，2023，158：249-257. doi：10.1016/j.neunet.2022.11.002 .
[18]	FAN F， LIU H， DAI X， et al. Automated bone age assessment from knee joint by integrating deep learning and MRI-based radiomics[J]. Int J Legal Med，2024，138（3）：927-938. doi：10.1007/s00414-023-03148-1 .
[19]	ZHOU H M， ZHOU Z L， HE Y H， et al. Forensic bone age assessment of hand and wrist joint MRI images in Chinese Han male adolescents based on deep convolutional neural networks[J]. Int J Leg Med，2024，138（6）：2427-2440. doi：10.1007/s00414-024-03282-4 .
[20]	KOITKA S， KIM M S， QU M， et al. Mimicking the radiologists’ workflow： Estimating pediatric hand bone age with stacked deep neural networks[J]. Med Image Anal，2020，64：101743. doi：10.1016/j.media.2020.101743 .
[21]	中国学生体质与健康研究组. 2005年中国学生体质与健康调研报告[M].北京：高等教育出版社，2007：228-232.
	National Student Physical Fitness and Health Research Group. Report on the physical fitness and health surveillance of Chinese school students in 2005[M]. Beijing： Higher Education Press，2007：228- 232.
[22]	ZHOU Z， RAHMAN SIDDIQUEE M M， TAJBAKHSH N， et al. UNet++： A nested U-Net architecture for medical image segmentation[J/OL]. arXiv：1807.10165. （2018-07-18）[2025-04-21]. .
[23]	GEUBBELMANS M， ROUSSEAU A J， BURZY-KOWSKI T， et al. Artificial neural networks and deep learning[J]. Am J Orthod Dentofacial Orthop，2024，165（2）：248-251. doi：10.1016/j.ajodo.2023.11.003 .
[24]	周慧明，李丹阳，万雷，等. 人工智能技术在法医学骨龄和牙龄评估中的研究前沿及展望[J].中国司法鉴定，2023（5）：31-38. doi：10.3969/j.issn.1671-2072.2023.05.004 .
	ZHOU H M， LI D Y， WAN L， et al. Research frontiers and prospects of artificial intelligence technology in forensic bone age and dental age assessment[J]. Zhongguo Sifa Jianding，2023（5）：31-38.
[25]	HUANG G， LIU Z， VAN DER MAATEN L， et al. Densely connected convolutional networks[C]// 2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Honolulu， HI， USA， 2017：2261-2269. doi：10.1109/CVPR.2017.243 .
[26]	PAN I， BAIRD G L， MUTASA S， et al. Rethinking Greulich and Pyle： A deep learning approach to pediatric bone age assessment using pediatric trauma hand radiographs[J]. Radiol Artif Intell，2020，2（4）：e190198. doi：10.1148/ryai.2020190198 .
[27]	LU T， DIAO Y R， TANG X E， et al. Deep learning enables automatic adult age estimation based on CT reconstruction images of the costal cartilage[J]. Eur Radiol，2023，33（11）：7519-7529. doi：10.1007/s00330-023-09761-3 .
[28]	DALLORA A L， BERGLUND J S， BROGREN M， et al. Age assessment of youth and young adults using magnetic resonance imaging of the knee： A deep learning approach[J]. JMIR Med Inform，2019，7（4）：e16291. doi：10.2196/16291 .
[29]	中华人民共和国公安部. 法庭科学汉族青少年骨龄鉴定技术规程： [S].北京：中国标准出版社，2019.
	Ministry of Public Security of the People’s Republic of China. Forensic sciences — Technical specifications for skeletal age evaluation of Han population teenagers： [S]. Beijing： Standards Press of China，2019.
[30]	WANG Y H， ZHOU H M， WAN L， et al. An X-ray bone age assessment method for hands and wrists of adolescents in Western China based on feature fusion deep learning models[J]. Int J Leg Med，2025. doi：10.1007/s00414-025-03497-z .
[31]	PAN S J， YANG Q. A survey on transfer learning[J]. IEEE Trans Knowl Data Eng，2010，22（10）：1345-1359. doi：10.1109/TKDE.2009.191 .
[32]	CHOI G， HAM S， JE B K， et al. Olecranon bone age assessment in puberty using a lateral elbow radiograph and a deep-learning model[J]. Eur Radiol，2024，34（10）：6396-6406. doi：10.1007/s00330-024-10748-x .
[33]	AVUÇLU E， BAŞÇIFTÇI F. Novel approaches to determine age and gender from dental X-ray images by using multiplayer perceptron neural networks and image processing techniques[J]. Chaos Soliton Fract，2019，120：127-138. doi：10.1016/j.chaos.2019.01.023 .
[34]	李丹阳，周慧明，万雷，等. 基于多种深度卷积神经网络模型的汉族青少年儿童肘关节X线骨龄推断[J].法医学杂志，2025，41（1）：48-58. doi：10.12116/j.issn.1004-5619.2024.241202 .
	LI D Y， ZHOU H M， WAN L， et al. Bone age estimation of Chinese Han adolescents’ and children’s elbow joint X-rays based on multiple deep convolutional neural network models[J]. Fayixue Zazhi，2025，41（1）：48-58.
[35]	VILA-BLANCO N， VARAS-QUINTANA P， TOMÁS I， et al. A systematic overview of dental methods for age assessment in living individuals： From traditional to artificial intelligence-based approaches[J]. Int J Legal Med，2023，137（4）：1117-1146. doi：10.1007/s00414-023-02960-z .
[36]	QIU L， LIU A， DAI X， et al. Machine learning and deep learning enabled age estimation on medial clavicle CT images[J]. Int J Legal Med，2024，138（2）：487-498. doi：10.1007/s00414-023-03115-w .
[37]	OZDEMIR C， GEDIK M A， KAYA Y. Age estimation from left-hand radiographs with deep learning methods[J]. Trait Signal，2021，38（6）：1565-1574. doi：10.18280/ts.380601 .
[38]	KASANI A A， SAJEDI H. Hand bone age estimation using divide and conquer strategy and lightweight convolutional neural networks[J]. Eng Appl Artif Intell，2023，120：105935. doi：10.1016/j.engap pai.2023.105935 .
[39]	PENG L Q， GUO Y C， WAN L， et al. Forensic bone age estimation of adolescent pelvis X-rays based on two-stage convolutional neural network[J]. Int J Legal Med，2022，136（3）：797-810. doi：10. 1007/s00414-021-02746-1 .
[40]	LI Y， NIU C， WANG J， et al. A fully automated sex estimation for proximal femur X-ray images through deep learning detection and classification[J]. Leg Med （Tokyo），2022，57：102056. doi：10.1016/j.legal med.2022.102056 .
[41]	LI Y， HUANG Z， DONG X， et al. Forensic age estimation for pelvic X-ray images using deep learning[J]. Eur Radiol，2019，29（5）：2322-2329. doi：10.1007/s00330-018-5791-6 .
[42]	DENG X D， LU T， LIU G F， et al. Forensic age prediction and age classification for critical age thresholds via 3.0T magnetic resonance imaging of the knee in the Chinese Han population[J]. Int J Legal Med，2022，136（3）：841-852. doi：10.1007/s00414-022-02797-y .
[43]	WAN L， HAO H， WANG Y， et al. The feasibility of age estimation based on MRI and radiographs of the knee joint in the Chinese population of Han nationality[J]. Aust J Forensic Sci，2024，56（3）：242-252. doi：10.1080/00450618.2022.2143562 .
[44]	MAUER M A， WELL E J， HERRMANN J， et al. Automated age estimation of young individuals 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 .
[45]	CEKDEMIR Y E， MUTLU U， KARAMAN G， et al. Evaluation of the ossification stage of proximal humeral epiphysis by 1.5-T magnetic resonance imaging for determination of skeletal age[J]. Am J Forensic Med Pathol，2021，42（1）：36-41. doi：10.1097/ paf.0000000000000636 .
[46]	JIAO Y S， TUERHONG Y， CHEN C X， et al. Bone age assessment based on different MRI modalities of the proximal humerus epiphysis： The comparisons of T₁WI， T₂WI， and PDWI[J]. Int J Legal Med，2024，138（4）：1509-1521. doi：10.1007/s00414-024-03182-7 .

基于分割标签与原始图像融合的双通道汉族青少年肩关节X线骨龄评估

Dual-Channel Shoulder Joint X-ray Bone Age Estimation in Chinese Han Adolescents Based on the Fusion of Segmentation Labels and Original Images

RichHTML

PDF (PC)

补充材料

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 46

相关文章 15

编辑推荐

Metrics

[1]	李丹阳, 周慧明, 万雷, 刘太昂, 李远喆, 汪茂文, 王亚辉. 基于多种深度卷积神经网络模型的汉族青少年儿童肘关节X线骨龄推断[J]. 法医学杂志, 2025, 41(1): 48-58.
[2]	丁艳杰, 张宵, 施文利, 李子易, 王威, 张世林, 杨根杰, 郭阿几, 金波. 基于汉族成年人右侧第一磨牙口腔颌面CBCT髓室体积和牙本质指数推断年龄[J]. 法医学杂志, 2025, 41(1): 59-65.
[3]	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.
[4]	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.
[5]	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.
[6]	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.
[7]	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.
[8]	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.
[9]	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.
[10]	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.
[11]	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.
[12]	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.
[13]	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.
[14]	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.
[15]	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.