基于深度学习的骨年龄估计在儿童的整个横向头脑测量和椎脊椎区域之间的比较分析
Suhae Kim1, Jonghyun Shin1,2, Eungyung Lee1,2
1Department of Pediatric Dentistry, School of Dentistry, Pusan National University, 50612 Yangsan, Republic of Korea.
The Journal of clinical pediatric dentistry
|August 1, 2024
概括
这项研究开发了一种深度学习模型,用于估计儿童的骨年龄,使用侧向脑电图 (LCR). 基于LCR的模型显示了评估成长中的个体骨成熟度的有希望的结果.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 儿科牙科 儿科牙科
背景情况:
- 准确的骨龄测定对于诊断和治疗儿童生长相关疾病至关重要.
- 传统的方法通常依赖于手腕放射,需要额外的成像程序.
研究的目的:
- 开发和评估一个深度学习模型,用于使用横向脑电图 (LCRs) 估计骨年龄.
- 评估LCR训练模型的性能与LCR内部的特定感兴趣区域 (ROI) 的性能.
主要方法:
- 一项对1050名患者 (4-18岁) 的回顾性研究,使用LCR和手腕X射线图.
- 两种深度学习模型 (InceptionResNet-v2,NasNet-Large) 在LCR和椎ROI上受过训练.
- 模型经历了五次交叉验证和内部/外部验证.
主要成果:
- 在整个LCR上训练的深度学习模型在ROI上训练的模型相比表现出更好的表现.
- 梯度加权回归激活映射揭示了骨年龄估计的独特重点领域.
- 该研究证实了在LCRs上使用面结构用于骨龄评估的可行性.
结论:
- 深度学习模型可以使用LCRs有效估计骨龄,为传统方法提供潜在的替代方案.
- LCRs为评估成长中的儿童的骨成熟度提供了可行的来源,包括面骨和牙.
- 这种方法促进了儿科护理中更集成的诊断工作流程.
更多相关视频
12:59Three and Four-Dimensional Visualization and Analysis Approaches to Study Vertebrate Axial Elongation and Segmentation
Published on: February 28, 2021
3.7K
10:23Author Spotlight: Three-Dimensional Cephalometric Landmark Annotation Demonstration on Human Cone Beam Computed Tomography Scans
Published on: September 8, 2023
2.7K
