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

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.

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 121DenseNet- برای استخراج ویژگی های مکانی متمایزکننده مورد استفاده قرار گرفت.

ارزیابی 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.

بلوغ 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.