从使用深度学习的骨来估计性别,在一个按性别和年龄平衡的人口中

科学领域:

• 法医人类学 法医人类学
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 性别确定在法医人类学中至关重要,用于识别人类遗骸和估计其他特征,如年龄和身材.
• 使用骨盆形态或测量的传统方法耗时且容易产生观察者偏见.
• 人工神经网络 (ANN) 为自动化复杂分析提供了有希望的数据驱动方法.

研究的目的:

• 开发和评估一种完全自动化的,数据驱动的机器学习方法,用于使用骨 (骨盆) 的CT扫描来估计性别.
• 为了比较两个ANN模型的准确性:单独的解变量自编码器 (DVAE) 和与分类器 (C_recon) 结合的DVAE.

主要方法:

• 利用CT扫描重建了580个活着的个体的骨.
• 训练了两个ANN模型:一个DVAE和一个DVAE + C_recon分类器.
• 基于性别预测的准确性,灵敏性和精度来评估模型性能.

主要成果:

• 对于性别估计,DVAE模型实现了97.9%的准确性.
• DVAE + C_recon模型以99.8%的准确性展示了卓越的性能.
• 这两种模型都表现出高度的灵敏度和精度,超过了之前的研究.

结论:

• 完全自动化的机器学习算法,特别是DVAE + C_recon模型,从骨CT扫描中提供高度准确和高效的性别确定.
• 这些数据驱动的方法简化了过程,减少了时间,并最大限度地减少了对广泛的法医专业知识的需求.
• 这项研究强调了人工智能在推进法医人类学技术方面的潜力.