开发和评估一个卷积神经网络模型,用于使用头脑放射和头骨照片进行性别预测
Vitria Wuri Handayani1,2, Mieke Sylvia Margareth Amiatun Ruth3, Riries Rulaningtyas4
1Doctoral Program of Medical Science, Faculty of Medicine, Universitas Airlangga, Surabaya, Indonesia.
BMC medical imaging
|August 25, 2025
概括
卷积神经网络 (CNN) 模型可以准确地预测脑电图的性别,但由于域移动而与摄影图像作斗争. 需要进一步优化和多样化的数据来实现现实世界中的法医应用.
科学领域:
- 法医人类学
- 生物识别
- 医学的人工智能
背景情况:
- 准确的性别确定对于识别法医调查中未知的个人至关重要.
- 横向脑电图为计算识别模型提供了详细的头骨结构.
研究的目的:
- 使用各种卷积神经网络 (CNN) 架构开发和评估性别预测模型.
- 在标准化放射数据和真实世界的头骨照片上评估模型性能,用于法医模拟.
主要方法:
- 六个CNN架构 (VGG16,VGG19,MobileNetV2,ResNet50V2,InceptionV3,InceptionResNetV2) 在340个头像图像上进行了训练.
- 用数据增强来解决数据集中的类不平衡 (70%的培训,15%的验证,15%的测试).
- 使用解剖样本的40个头骨图像测试了模型的概括性.
主要成果:
- VGG19和ResNet50V2在脑测量数据上获得了高F1分 (95%的女性,83%的男性),表明了强大的类别特异性表现.
- 整体准确度超过90%,但F1分数在不平衡的数据集上表现得更好.
- 随着头骨照片的使用,模型的性能显著下降,女性样本的错误分类显著.
结论:
- 在标准化脑电图像上,CNN模型表现出高性能,但对摄影头骨图像的概括性有限.
- 在成像模式之间发生的域位转移会阻碍现实世界中的法医应用性能.
- 进一步优化模型和多样化的训练数据集对于提高法医识别准确性至关重要.
