使用手部放射图进行性别估计的深度学习:对CNN模型的比较评估

科学领域:

• 法医科学 法医科学 法医科学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 准确的性别估计在法医鉴定中至关重要,特别是在碎片化遗骸中.
• 在大规模灾难或分解病例中,传统方法往往无法使用.
• 手部射线图为客观的性别分类提供了一个潜在的来源.

研究的目的:

• 开发和评估一个深度学习模型,使用手部X射线图进行性别分类.
• 为传统的法医识别技术提供快速和客观的替代方案.

主要方法:

• 分析了470个成年人的左手X射线图像 (18-65岁).
• 它使用了四种卷积神经网络 (CNN) 架构:ResNet-18,ResNet-50,InceptionV3和EfficientNet-B0.
• 应用图像预处理和数据增强 (旋转,翻转,亮度) 用于模型概括.

主要成果:

• ResNet-50获得了最高的准确性 (93.2%),精度 (92.4%),回忆 (93.3%) 和F1得分 (92.5%).
• 美国有线电视新闻网 (CNNs) 展示了从手部放射图片中提取性二态特征的能力.
• ResNet-50的性能始终优于其他测试模型.

结论:

• 深度学习,特别是ResNet-50,为从手部X射线中进行性别预测提供了强大的解决方案.
• 这种方法对于需要速度和可靠性的法医场景是有价值的.
• 未来的研究应该专注于多样化的人口验证和可解释的AI.