在克罗地亚人口中使用适应的PointNet++深度学习方法从MSCT衍生的3D模型中对性别进行分类
Eva Shimkus1, Ivana Kružić2, Saša Mladenović3
1Program in Biochemistry and Biophysics, Amherst College, Amherst, MA 01002, USA.
Journal of imaging
|October 28, 2025
概括
法医人类学家现在可以用3D模型的深度学习来估计下的性别. 这种先进的AI工具实现了高精度,有助于在其他遗骸缺失时创建生物概况.
科学领域:
- 法医人类学 法医人类学
- 计算机科学 计算机科学
- 医疗成像医学成像
背景情况:
- 准确的性别估计对于法医人类学生物概况至关重要.
- 下巴是一个有价值的骨元素,用于在缺少头骨或骨盆骨头时估计性别.
- mandibular 性估计的传统方法有局限性.
研究的目的:
- 在3D下模型上使用深度学习来提高性别估计的准确性.
- 从3D数据开发一个用于实时性别分类的自动化工具.
- 通过使用人工智能来调查下的性二态区域.
主要方法:
- 使用了254个3DMSCT衍生的下模型 (127个男性,127个女性) 的数据集.
- 将模型处理为4096点云,并使用适应的PointNet++深度学习架构进行分析.
- 使用无监督 (自动编码器,t-SNE) 和监督 (后勤回归) 分析,训练/验证/测试分为60/20/20.
主要成果:
- 实现了93%的交叉验证准确度和92%的测试组准确度用于性别估计.
- Saliency 地图确定了关键的两形性区域:下巴,阴茎和状区域.
- 开发了一个Gradio网络应用程序,用于从STL文件实时分类.
结论:
- 3D下的深度学习为性别估计提供了强大而准确的方法.
- 这种自动化方法在准确性和效率方面超过了传统技术.
- 开发的工具在法医实践,人口研究和与多种3D数据集成方面具有重大潜力.


