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

doi:10.12116/j.issn.1004-5619.2025.250106

Abstract

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

CLC Number:

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.

Figures/Tables 6

References 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 .

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

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

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

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