تخمین سن استخوانی کودکان مبتنی بر یادگیری عمیق با استفاده از رادیوگرافی دست

Abstract

مقاله پژوهشی مقدمه: از تصاویر رادیوگرافی دست، به صورت رایج جهت ارزیابی بلوغ استخوانی استفاده می‌‌شود. به طوری که تفاوت چشمگیر میان سن ارزیابی‌ شده و سن تقویمی می‌تواند نشان‌دهنده‌ی اختلال در رشد باشد. با این حال ارزیابی دستی تصاویر، معمولاً فرایندی زمان‌بر و وابسته به ناظر است. لذا هدف از انجام این مطالعه، ایجاد روشی خودکار برای ارزیابی سن استخوانی با استفاده از تصاویر رادیوگرافی دست می‌باشد. روش‌ها: در این پژوهش که از نوع بنیادی- کاربردی می‌باشد، از مجموعه تصاویر رادیوگرافی انجمن رادیولوژی آمریکای شمالی (Radiological Society of North America) RSNA استفاده شد و روش یادگیری انتقالی برای تخمین سن استخوانی کودکان پیشنهاد گردید. تصاویر ورودی، ابتدا به دلیل کیفیت پایین مورد پیش‌پردازش قرار گرفتند. سپس مدل از پیش آموزش دیده ۱۲۱DenseNet- برای استخراج ویژگی‌های مکانی متمایزکننده مورد استفاده قرار گرفت. یافته‌ها: ارزیابی‌ها با استفاده از پنج مدل از پیش آموزش دیده و بر روی مجموعه‌ی داده‌ی RSNA نشان دادند که مدل ۱۲۱DenseNet- پس از تنظیم می‌تواند با میانگین خطای مطلق 9/8 ماه بهتر از سایر مدل‌ها عمل کند. نتیجه‌گیری: بلوغ اسکلتی می‌تواند با استفاده از مدل ۱۲۱DenseNet- با دقت رضایت‌بخشی تخمین زده شود و از این روش می‌توان به رادیولوژیست‌ها در اندازه‌گیری سریع و دقیق سن استخوانی کمک نمود.

Keywords

• اختلالات رشد
• اندازه‌گیری
• یادگیری عمیق
• سن استخوانی
• رادیوگرافی