1.基于形状信息和卷积神经网络的CHN法兴趣区域提取方法，其包括以下步骤：

步骤1：根据手腕部的形状信息来确定手指及手腕的宽度，针对不同的参照骨，手指或手腕的宽度乘以相应的权重获取参照骨的边框大小；具体包括：

11)手腕部X光片图像进行二值化处理，通过阈值将手腕与背景区分出来，阈值计算的公式为：其中，w为X光片图像的宽度，h为X光片图像的高度，(xi,yj)为X光图像中的像素点坐标，gray(xi,yj)为在坐标(xi,yj)上的灰度值。通过公式(2-1)计算出的阈值将手腕和背景区分出来，手腕部分使用白色像素点填充，背景部分使用黑色像素点填充，得到二值化后的图像，二值化的公式为：其中，0代表黑色像素填充，255代表白色像素点填充，通过公式(2-2)得到二值化后的图像；

12)从上往下，每隔10像素点对二值化图片从左向右进行扫描，找到形状信息序列B[m]，其公式为：其中m为图像的纵坐标，其值从0以10步长递增，达到图像的宽度w为止，Fmi为在m行中第i个最大连续横坐标序列[xstart,xstart+1,...,xend]的宽度，n为最大连续横坐标序列的个数，最大连续横坐标序列应满足公式(2-3)，通过公式(2-4)计算得出。

gary(xi,ym)＝255,i∈[start,end]   (2-3)

F＝xend-xstart,xstart＜xend   (2-4)

13)根据n将形状信息序列B[m]分成包含一个最大连续横坐标序列宽度的 形状信息序列B1[m]、包含两个最大连续横坐标序列宽度 的形状信息序列B2[m]和包含四个最大连续横坐标序列宽度 的形状信息序列B4[m]。

14)对于形状信息序列B1[m]，计算相邻形状信息序列中最大连续横坐标序列宽度的偏差，如果偏差大于8时，则当前最大连续横坐标序列宽度为手腕的宽度wristWidth，公式为：

15)对于形状信息序列B2[m]，计算所有形状信息序列中宽度最大的第二个最大连续横坐标序列，该最大连续横坐标序列宽度为第一指骨的宽度firstWidth，公式为：

16)对于形状信息序列B4[m]，计算所有形状信息序列中宽度最大的第一个最大连续横坐标序列，该最大连续横坐标序列宽度为第五指骨的宽度fifthWidth，公式为：

17)对于形状信息序列B4[m]，计算所有形状信息序列中宽度最大的第三个最大连续横坐标序列，该最大连续横坐标序列宽度为第三指骨的宽度thirdWidth，公式为：

18)在得到wristWidth、firstWidth、thirdWidth和fifthWidth后，根据各块参照骨的形状特征乘以不同的权重就可以得到各块参照骨的边界框大小，公式为：其中boneSize(t)为参照骨边框大小值，t为参照骨的类型的序号，其值从1开始到14结束，分别代表远节指骨5、中节指骨5、近节指骨5、掌骨5、远节指骨3、中节指骨3、近节指骨3、掌骨3、远节指骨1、近节指骨1、掌骨1、钩骨、头状骨和桡骨，根据不同的参照骨选取不同的权重，通过公式(2-9)计算得到参照骨的边界框大小；

步骤2：通过对一个自建的卷积神经网络进行训练，得到关键点预测模型；具体包括：

21)在手腕部X光片上标定14块参照骨的关键点坐标，构建参照骨关键点数据集，一共标定8000张，其中6000张用于训练，2000张用于测试。

22)构建卷积神经网络模型，本发明构建的卷积神经网络模型为一个7层的网络模型，包含4个卷积层和3个全连接层，第一个卷积层的卷积核大小为5*5，填充为2，其余卷积层的卷积核大小为3*3，填充为1，卷积核数目分别为96、192、384和384，步长均为2；前两个全连接层的神经元个数为4096，最后一个全连接层的神经元个数为28；池化层的核为2*2，步长为2。

23)训练卷积神经网络模型，一共迭代20次，基础学习率为0.001，每隔5次学习率下降

10倍，每次迭代结束保存一次模型，选择最后一次迭代的模型作为本发明的关键点预测模型。关键点预测模型输出一个长度为14的序列[(pre_x1,pre_y1),(pre_x2,pre_y2),...,(pre_xt,pre_yt),...,(pre_x14,pre_y14)]，(pre_xt,pre_yt)代表第t块参照骨的关键点的横坐标和纵坐标预测值。

步骤3：将步骤1和步骤2结合，提取出14块参照骨的兴趣区域；具体包括：

31)对于第t块参照骨来说，其边框大小为sizeBone(t)，关键点坐标为(pre_xt,pre_yt)，计算参照骨兴趣区域的左上坐标和右下坐标，公式为：其中xleft(t)为第t块参照骨的左上坐标的横坐标，ytop(t)为第t块参照骨的左上坐标的纵坐标，xright(t)为第t块参照骨的右下坐标的横坐标，ybottom(t)为第t块参照骨的右下坐标的纵坐标。

32)通过参照骨的左上坐标和右下坐标，将参照骨的兴趣区域提取出来，公式为：

ROI(t)＝img[xleft(t):xright(t)][ytop(t):ybottom(t)]   (2-11)其中ROI(t)为第t块参照骨兴趣区域的二维序列，img为手腕部X光片图像的二维序列。