使用人工智能深度学习技术从手部X射线图像中生成准确的性别估计:对有限的骨区域的研究
Paniti Achararit1, Haruethai Bongkaew1, Thanapon Chobpenthai1
1Princess Srisavangavadhana College of Medicine, Chulabhorn Royal Academy, 906 Kampangpetch 6 Rd., Talat Bang Khen, Lak Si, Bangkok 10210, Thailand.
Legal medicine (Tokyo, Japan)
|March 23, 2025
概括
使用卷积神经网络 (CNN) 的人工智能 (AI) 可以从手部X射线中估计性别. 特定的骨区域,如甲骨,是法医和医疗应用中准确的性别识别的关键.
科学领域:
- 法医人类学 法医人类学
- 医学成像分析 医学成像分析
- 人工智能在医学中的应用
背景情况:
- 手骨结构为性别估计提供了有价值的特征.
- 从骨遗骸中估计性别的传统方法可能是有限的.
- 人工智能为提高性别确定准确性和效率提供了一个新的途径.
研究的目的:
- 通过使用卷积神经网络 (CNN) 来从手部X射线图像中引入一种新的AI方法来进行性别分类.
- 评估特定手骨区域的诊断潜力,以估计性别.
- 评估不同CNN架构的性能,并确定关键的区分特征.
主要方法:
- 利用卷积神经网络 (CNN) 在手部X射线图像上进行性别分类.
- 评估了CNN在各种手骨区域的表现.
- 雇员分数-CAM用于可视化和理解性别歧视特征.
- 评估了先进的CNN架构,如Xception和InceptionResNetV2.2. 这样的架构.
主要成果:
- 使用完整的手部X射线,Xception模型实现了83.5%的准确性.
- InceptionResNetV2仅使用近道法朗克斯和甲手腕骨实现了81.68%的准确性.
- 在减少骨数据的情况下,维持了0.92的可比的受体运行特征曲线 (AUC-ROC) 下面面积得分.
- 第一个和第二个手指的手指骨被确定为性别差异化的关键.
结论:
- 人工智能,特别是CNN,显示出从手部X射线估计性别的巨大潜力.
- 特定的骨区域,特别是手指后骨,可以有效地用于性别确定.
- 这种由人工智能驱动的方法代表了迈向法医和医学性别识别的实际工具的一步.
