骨龄评估是评价个体发育程度的重要方式,它被广泛的应用于运动学,儿科学,法医学等各个领域。传统的骨龄评估需要依靠专家阅读被评估人的左手掌X光像,其评估时间通常较长,而且不同的专家也常常会得出不同的评估结果。在数字化医疗飞速发展的今天,由计算机辅助实现自动化的骨龄评估的需求也愈来愈高。制约自动化骨龄评估发展的瓶颈主要有两个,一是手腕部骨骼形态随生长发育而变化,并会在末期趋于融合,因此分割难度较大;二是如何将自然语言描述的骨龄评估标准转化为可量化的图像特征。本文主要研究自动化骨龄评估中关键骨结构的分割与特征提取技术,主要内容和成果包括:1.定义了自动化骨龄评估中所需的关键骨结构,提出了一个基于手掌生理结构和灰度特征的骨结构粗定位算法,该算法能比较好的定位到关键骨结构的所在区域,为进一步的精确分割奠定基础。2.研究了关键骨结构的分割技术,提出了一种分阶段-多层次的约束局部模型(Constraint Local Model,CLM)分割算法,根据人生长发育的不同时期划分多阶段的形状模型,并引入多层次的搜索策略来保证模型收敛的正确性,实验结果表明该算法可以对目标骨结构进行有效的分割。3.研究了小样本高维度场景下的分割精度问题,提出了基于样本扩充和相关性松弛的解决方案。在表观模型建立阶段通过引入灰度变化和可接受误差的方式增加虚拟样本从而扩充样本集,在统计形状模型建立阶段,通过松弛部分特征点间的相关性来增加模型的泛化能力。实验证明,本文提出的方法能够有效地提升小样本高维度场景下分割的效果。4.结合临床骨龄读片标准和专家指导,设计并提取了指骨桡骨的几何特征以及各关键骨结构的纹理特征,并通过分类实验对这些特征做出了评价,提出了特征选取的建议。