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

مقاله پژوهشی مقدمه: از تصاویر رادیوگرافی دست، به صورت رایج جهت ارزیابی بلوغ استخوانی استفاده می شود. به طوری که تفاوت چشمگیر میان سن ارزیابی شده و سن تقویمی می تواند نشان دهنده ی اختلال در رشد باشد. با این حال ارزیابی دستی تصاویر، معمولا فرایندی زمان بر و وابسته به ناظر است. لذا هدف از انجام این مطالعه، ایجاد روشی خودکار برای ارزیابی سن استخوانی با استفاده از تصاویر رادیوگرافی دست می باشد. روش ها: در این پژوهش که از نوع بنیادی- کاربردی می باشد، 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 پیش پردازش قرار گرفتند. سپس مدل از پیش آموزش دیده ۱۲۱DenseNet- برای استخراج ویژگی های مکانی متمایزکننده مورد استفاده قرار گرفت. یافته ها: ارزیابی ها با استفاده از پنج مدل از پیش آموزش دیده و بر روی مجموعه ی داده ی RSNA نشان دادند که مدل ۱۲۱DenseNet- پس از تنظیم می تواند با میانگین خطای مطلق ۹/۸ ماه بهتر از سایر مدل ها عمل کند. نتیجه گیری: بلوغ اسکلتی می تواند با استفاده از مدل ۱۲۱DenseNet- با دقت رضایت بخشی تخمین زده شود و از این روش می توان به رادیولوژیست ها در اندازه گیری سریع و دقیق سن استخوانی کمک نمود.

کلیدواژه ها:

اختلالات رشد ، اندازه گیری ، یادگیری عمیق ، سن استخوانی ، رادیوگرافی