通过集成基于深度学习的年龄估计,加速基于计算机视觉的人类识别,从2岁到89岁
1Department of Radiology, Jena University Hospital - Friedrich Schiller University, Am Klinikum 1, 07747, Jena, Germany. andreas.heinrich@med.uni-jena.de.
Scientific reports
|February 21, 2024
概括
这项研究引入了一个卷积神经网络 (CNN) 用于使用牙科X射线 (脊椎影像或OPG) 来估计年龄. 将这种CNN集成到计算机视觉 (CV) 识别系统中,可以显著加快识别未知个人的过程.
科学领域:
- 法医科学 法医科学 法医科学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 基于计算机视觉 (CV) 的人体识别使用骨科影像 (OPG) 有助于通过比较死后的OPG与死前的CV数据库来识别未知已故的个人.
- 越来越多的简历数据库大小导致处理时间延长,需要更有效的识别方法.
研究的目的:
- 开发一个标准化和可靠的卷积神经网络 (CNN) 来从OPGs进行年龄估计.
- 将这个CNN集成到基于简历的人类识别工作流程中,以提高处理效率.
主要方法:
- 美国有线电视新闻 (CNN) 接受了5万名OPG的训练,年龄从2岁到89岁不等.
- 在一个简历识别背景下,CNN被测试在死后的OPG,一大组死前的OPG和另外70个OPG上.
主要成果:
- 在一个由105,251条条目组成的简历数据库中,将CNN集成到年龄估计中减少了高达96%的处理时间.
- 年龄估计的准确性显示,死后OPG的平均绝对误差 (MAE) 为2.76±2.67年,死前OPG的平均误差为3.26±3.06年.
结论:
- 将基于CNN的年龄估计纳入简历识别流程可以显著减少处理时间.
- 开发的CNN提供了可靠的年龄估计结果,提高了OPGs对人类识别的效率.
