从儿科病人的手部X射线图像进行性别分类:如何零射击分段任何模型 (SAM) 可以改善医疗图像分析

科学领域:

• 法医人类学 法医人类学.
• 医学成像分析分析 医学成像分析
• 在古生物学的人工智能.

背景情况:

• 从手数据的性别分类对于法医和人类学应用至关重要.
• 以前的方法缺乏对各种数据集和图像类型的全面评估.
• 越来越需要自动化,准确和可解释的性别确定技术.

研究的目的:

• 通过手部X射线图像对性别分类进行综合研究.
• 为了评估零射击分段任何模型 (SAM) 对于X射线图像分割的有效性.
• 开发和验证一种新的手罩检测算法和用于性别预测的深度学习模型,包括对史前手印的应用.

主要方法:

• 对零射击SAM进行X射线图像细分的系统评估.
• 开发基于几何标准的手罩检测算法.
• 使用深度学习模型和整体策略对手骨结构和轮表示进行比较.
• 使用聚合归因地图进行视觉解释.
• 转移学习为史前手印性别预测.

主要成果:

• 零射击SAM在细分X射线图像方面表现出高效率.
• 在分类之前的细分显著提高了准确性.
• 在测试数据上,手的性别分类准确度超过了95%.
• 模型成功地从古老的手印中预测了性别,与现有的假设保持一致.
• 注意地图确定了 carpometacarpal 和 radiocarpal 关节作为关键的歧视性特征.

结论:

• 这项研究提出了一种高度有效的AI驱动的方法,用于从手部X射线进行性别分类.
• 该方法为法医和人类学分析提供了强大且易于解释的工具.
• 对史前手印的成功应用证明了开发的技术的广泛用途.