通过使用深度学习方法从面放射图进行性别估计
Hiroki Hase1, Yuichi Mine1,2, Shota Okazaki1,2
1Department of Medical Systems Engineering, Graduate School of Biomedical and Health Sciences, Hiroshima University.
Dental materials journal
|April 10, 2024
概括
深度学习模型VGG16和DenseNet-121从横向脑图中准确估计性别. 突出地图显示了男性和女性的不同模式,提高了法医和人类学应用的可靠性.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 法医人类学 法医人类学
背景情况:
- 准确的性别估计在法医和人类学分析中至关重要.
- 传统的方法可能耗时,需要专门的专业知识.
- 深度学习为医疗图像的自动化和高效分析提供了潜力.
研究的目的:
- 开发和评估深度学习模型,以使用横向脑图来估计性别.
- 在此任务中比较VGG16和DenseNet-121模型的性能.
- 使用突出性地图调查模型预测的可解释性.
主要方法:
- 追溯分析600个横向头脑图.
- 实施两个深度学习架构:VGG16和DenseNet-121.
- 使用梯度加权类激活映射 (Grad-CAM) 生成突出地图.
主要成果:
- VGG16和DenseNet-121都在多个指标 (准确度,灵敏度,精度,F1分数,AUC) 上取得了高性能.
- 突出地图显示出明显的空间模式,区分男性和女性的图像.
- 观察到突出地图位置的模型特异性差异,独立于性别.
结论:
- 深度学习模型可以从侧向脑图中准确可靠地估计性别.
- Saliency 地图分析提供了对模型用于性别确定所使用的特征的见解.
- 这种方法有望提高性别估计的效率和客观性.
