mojtaba sirati-amsheh
-
BackgroundAccurate bone age assessment is essential for determining the actual degree of development and indicating a disorder in growth. While clinical bone age assessment techniques are time-consuming and prone to inter/intra-observer variability, deep learning-based methods are used for automated bone age estimation.ObjectiveThe current study aimed to develop an unsupervised pre-training approach for automatic bone age estimation, addressing the challenge of limited labeled data and unique features of radiographic images of hand bones. Bone age estimation is complex and usually requires more labeling data. On the other hand, there is no model trained with hand radiographic images, reused for bone age estimation.Material and MethodsIn this fundamental-applied research, the collection of Radiological Society of North America (RSNA) X-ray image collection is used to evaluate the efficiency of the proposed bone age estimation method. An autoencoder is trained to reconstruct the original hand radiography images. Then, a model based on the trained encoder produces the final estimation of bone age.ResultsExperimental results on the Radiological Society of North America (RSNA) X-ray image collection achieve a Mean Absolute Error (MAE) of 9.3 months, which is comparable to state-of-the-art methods.ConclusionThis study presents an approach to estimating bone age on hand radiographs utilizing unsupervised pre-training with an autoencoder and also highlights the significance of autoencoders and unsupervised learning as efficient substitutes for conventional techniques.Keywords: Bone Age Measurement, Radiographs, Pediatrics, Deep Learning, Convolutional Neural Networks, Hand Bones
-
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 هادر 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 121DenseNet- برای استخراج ویژگی های مکانی متمایزکننده مورد استفاده قرار گرفت.
یافته هاارزیابی ها با استفاده از پنج مدل از پیش آموزش دیده و بر روی مجموعه ی داده ی RSNA نشان دادند که مدل 121DenseNet- پس از تنظیم می تواند با میانگین خطای مطلق 9/8 ماه بهتر از سایر مدل ها عمل کند.
نتیجه گیریبلوغ اسکلتی می تواند با استفاده از مدل 121DenseNet- 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.
کلید واژگان: اختلالات رشد، اندازه گیری، یادگیری عمیق، سن استخوانی، رادیوگرافیBackgroundHand radiographs are commonly used to evaluate bone maturity. So that the significant difference between the estimated bone age and the chronological age can indicate a developmental disorder. However, the manual evaluation of images is usually a time-consuming and observer-dependent process. Therefore, in this paper, an automatic method for the assessment of bone age using radiographs of children's hands is proposed.
MethodsIn this fundamental-applied research, the collection of radiographic images of the Radiological Society of North America (RSNA) was used, and transfer learning methods were proposed. The input images were first pre-processed due to low quality. Then a pre-trained model based on DenseNet-121 was used to extract the discriminating spatial features.
FindingsEvaluations using five pre-trained models on the RSNA dataset showed that the DenseNet-121 model, after adjustment, could perform better than other models, with a mean absolute error of 9.8 months.
ConclusionSkeletal maturity can be estimated with satisfactory accuracy using the DenseNet-121 model, and this method can help radiologists in quick and accurate measurement of bone age.
Keywords: Deep learning, Growth disorders, Bone age, Measurements, Radiography
- در این صفحه نام مورد نظر در اسامی نویسندگان مقالات جستجو میشود. ممکن است نتایج شامل مطالب نویسندگان هم نام و حتی در رشتههای مختلف باشد.
- همه مقالات ترجمه فارسی یا انگلیسی ندارند پس ممکن است مقالاتی باشند که نام نویسنده مورد نظر شما به صورت معادل فارسی یا انگلیسی آن درج شده باشد. در صفحه جستجوی پیشرفته میتوانید همزمان نام فارسی و انگلیسی نویسنده را درج نمایید.
- در صورتی که میخواهید جستجو را با شرایط متفاوت تکرار کنید به صفحه جستجوی پیشرفته مطالب نشریات مراجعه کنید.