使用CBCT口形态测量的性别识别的准确性,与不同的机器学习算法-一项回顾性研究
Mohammed Taha Ahmed Baban1, Dena Nadhim Mohammad2
1Department of Dental Nursing, Sulaimani Technical Institute, Sulaimani Polytechnic University, Sulaimani 46001, Iraq.
Diagnostics (Basel, Switzerland)
|July 29, 2023
概括
通过分析束计算机断层扫描 (CBCT) 的3D下图像来改进法医性别识别. 机器学习模型使用这些测量方法准确地预测性别.
科学领域:
- 法医人类学 法医人类学.
- 放射学 放射学是一门学科.
- 计算机科学 计算机科学
背景情况:
- 准确的性别确定在法医鉴定中至关重要.
- 传统的性别估计方法可能会耗费大量时间.
- 先进的成像和机器学习为更快,更精确的识别提供了潜力.
研究的目的:
- 评估从3D束计算机断层扫描 (CBCT) 下图像进行性别识别的体积和线性测量的准确性.
- 为了比较不同机器学习 (ML) 模型在从这些下测量中预测性别方面的表现.
主要方法:
- 收集了104名男性和104名女性的CBCT扫描.
- 生成3D下巴图像并提取体积,表面积和十个线性测量.
- 应用了五个ML算法 (包括高斯的内贝叶斯) 来进行性别分类.
- 使用精度,回忆,f1得分和精度 (p < 0.05) 评估模型性能.
主要成果:
- 所有测量的下参数都显示了性别之间的统计学上显著差异 (p < 0.05).
- 右角形到角形的线性距离表现出最高的分辨力.
- 高斯天真贝叶斯 (GNB) 在评估的ML模型中取得了最佳表现.
结论:
- 从CBCT进行的3D下测量,用ML分析,为性别确定提供了高度准确的方法.
- 在法医背景下,GNB模型展示了可靠的性别识别的巨大潜力.
- 这种方法为法医识别提供了一个有希望,准确和潜在的更快的替代方案.
