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

doi:10.12116/j.issn.1004-5619.2023.231203

Abstract

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

CLC Number:

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.

Figures/Tables 8

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

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

Fig. 1 Schematic diagram of selected variables measurement

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

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

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

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

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

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

References 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]	Ze-ren YANG, Dong GAO, Qing XIA, Dan RAN, Yan-liang SHENG, Wen-tao XIA. Effects of Different Test Positions on Quantitative Muscle Strength of Wrist and Finger Flexor Muscle Groups and Its Standardization [J]. Journal of Forensic Medicine, 2024, 40(3): 237-244,253.
[2]	Jia-xuan HAN, Shi-hui SHEN, Yi-wen WU, Xiao-dan SUN, Tian-nan CHEN, Jiang TAO. Adolescents and Children Age Estimation Using Machine Learning Based on Pulp and Tooth Volumes on CBCT Images [J]. Journal of Forensic Medicine, 2024, 40(2): 143-148.
[3]	Lei SHI, Ye XUE, Li-rong QIU, Ting LU, Fei FAN, Yu-chi ZHOU, Zhen-hua DENG. Research Progress on Dental Age Estimation Based on MRI Technology [J]. Journal of Forensic Medicine, 2024, 40(2): 112-117.
[4]	Xuan WEI, Yu-shan CHEN, Jie DING, Chang-xing SONG, Jun-jing WANG, Zhao PENG, Zhen-hua DENG, Xu YI, Fei FAN. Age Estimation by Machine Learning and CT-Multiplanar Reformation of Cranial Sutures in Northern Chinese Han Adults [J]. Journal of Forensic Medicine, 2024, 40(2): 128-134.
[5]	Yu-xin GUO, Wen-qing BU, Yu TANG, Di WU, Hui YANG, Hao-tian MENG, Yu-cheng GUO. Dental Age Estimation in Northern Chinese Han Children and Adolescents Using Demirjian’s Method Combined with Machine Learning Algorithms [J]. Journal of Forensic Medicine, 2024, 40(2): 135-142.
[6]	Dan-yang LI, Yu PAN, Hui-ming ZHOU, Lei WAN, Cheng-tao LI, Mao-wen WANG, Ya-hui WANG. Application of Medical Statistical and Machine Learning Methods in the Age Estimation of Living Individuals [J]. Journal of Forensic Medicine, 2024, 40(2): 118-127.
[7]	Huai-han ZHANG, Yong-jie CAO, Ji ZHANG, Jian XIONG, Ji-wei MA, Xiao-tong YANG, Ping HUANG, Yong-gang MA. Adults Ischium Age Estimation Based on Deep Learning and 3D CT Reconstruction [J]. Journal of Forensic Medicine, 2024, 40(2): 154-163.
[8]	De-min HUO, Kai-jun MA, Jing-lan XU, Xu SONG, Xiao-yan MAO, Xia LIU, Kai-fang ZHAO, Jian ZHANG, Meng DU. Determining Whether an Individual is 18 Years or Older Based on the Third Molar Root Pulp Visibility in East China [J]. Journal of Forensic Medicine, 2024, 40(2): 149-153.
[9]	Yi-hang HUANG, Wei-bo LIANG, Hui JIAN, Sheng-qiu QU. Modeling Methods and Influencing Factors for Age Estimation Based on DNA Methylation [J]. Journal of Forensic Medicine, 2023, 39(6): 601-607.
[10]	Xing-yu MA, Hao CHENG, Zhong-duo ZHANG, Ye-ming LI, Dong ZHAO. Research Progress of Metabolomics Techniques Combined with Machine Learning Algorithm in Wound Age Estimation [J]. Journal of Forensic Medicine, 2023, 39(6): 596-600.
[11]	Zi-wei WANG, Cheng-tao LI, Xi-ling LIU. Cross-Platform Application of DNA Methylation Age Estimation Model in Eastern Chinese Han Population [J]. Journal of Forensic Medicine, 2023, 39(5): 441-446.
[12]	Qing-qing XIANG, Li-fang CHEN, Qin SU, Yu-kun DU, Pei-yan LIANG, Xiao-dong KANG, He SHI, Qu-yi XU, Jian ZHAO, Chao LIU, Xiao-hui CHEN. Research Progress on Microbial Community Succession in the Postmortem Interval Estimation [J]. Journal of Forensic Medicine, 2023, 39(4): 399-405.
[13]	Yu-qi CAO, Yan SHI, Ping XIANG, Yin-long GUO. Research Progress on Machine Learning Assisted Non-Targeted Screening Strategy for Identification of Fentanyl Analogs [J]. Journal of Forensic Medicine, 2023, 39(4): 406-416.
[14]	Yong-gang MA, Yong-jie CAO, Yi-hua ZHAO, Xin-jun ZHOU, Bin HUANG, Gao-chao ZHANG, Ping HUANG, Ya-hui WANG, Kai-jun MA, Feng CHEN, Dong-chuan ZHANG, Ji ZHANG. Sex Estimation of Medial Aspect of the Ischiopubic Ramus in Adults Based on Deep Learning [J]. Journal of Forensic Medicine, 2023, 39(2): 129-136.
[15]	Hong-xia HAO, Ya-hui WANG, Zhi-lu ZHOU, Tai-ang LIU, Jin CHEN, Yu-heng HE, Lei WAN, Wen-tao XIA. Research Progress of Age Estimation in the Living by Knee Joint MRI [J]. Journal of Forensic Medicine, 2023, 39(1): 66-71.