从CBCT扫描中自动细分和分类额头鼻以确定性别,使用两阶段解剖引导注意网络

科学领域:

• 法医人类学 法医人类学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 准确的性别确定在法医鉴定中至关重要,特别是在未识别的遗骸中.
• 传统方法依赖于从CBCT扫描中手动分析骨特征,这些方法效率低下,容易出现错误.
• 需要自动化方法来提高在法医背景下确定性别的速度和准确性.

研究的目的:

• 开发和评估一个自动化系统,SDetNet,使用CBCT扫描精确确定性别.
• 为了利用一个两阶段的,由解剖学引导的注意网络来提高性别分类的准确性.
• 调查多道输入和解剖导向注意模块在提高模型性能方面的有效性.

主要方法:

• 设计了一种新的两阶段网络,SDetNet,包括一个2D额头鼻细分网络 (FSNet) 和一个3D解剖引导注意网络 (SDNet).
• FSNet从CBCT图像中确定并提取了前额附近的感兴趣区域.
• SDNet利用这些区域,结合多通道输入 (MSI) 和解剖导向注意模块 (AGAM),来预测性别.

主要成果:

• 与其他3D卷积神经网络 (CNN) 相比,SDetNet在性别确定方面表现优越.
• 关键性能指标包括ROC曲线下的面积,准确性,Brier分数和特异性得到了显著改善.
• 废除研究证实,结合MSI和AGAM显著提高了模型的性别确定能力.

结论:

• 通过分析额头鼻的解剖学上下文,SDetNet提供了一种自动和准确的方法,用于从CBCT扫描中确定性别.
• 提出的方法克服了手工测量的局限性,为法医识别提供了更有效和可靠的解决方案.
• 注意力机制和多道输入的整合代表了人工智能驱动的法医分析的重大进步.