ПРОГНОЗУВАННЯ КІСТКОВОГО ВІКУ ДІТЕЙ ЗА ДОПОМОГОЮ ГЛИБОКОГО НАВЧАННЯ НА ОСНОВІ РЕНТГЕНІВСЬКИХ ЗНІМКІВ КИСТЕЙ РУК

Анотація

Вступ. У цьому дослідженні розроблено модель на основі нейронної мережі для прогнозування віку кісток у дітей, використовуючи рентгенівські знімки їхніх рук. Мета роботи полягала в розробці та оцінюванні ефективності такої моделі для підвищення точності діагностики в педіатрії.

Методи. Для досягнення цієї мети було використано підхід перенесення навчання на основі архітектури DenseNet169, який дозволяє обробляти зображення рук та додаткову інформацію про стать пацієнта. Методика включала масштабування зображень до розміру 500x500 пікселів, нормалізацію даних віку та перетворення інформації про стать у бінарний формат. Для підвищення якості моделі було застосовано методи розширення даних, такі як масштабування, поворот, зміщення та горизонтальне віддзеркалення зображень. Крім того, модель була доопрацьована шляхом включення додаткових повністю зв'язаних шарів для покращення прогнозування віку.

Результати. Отримані результати показали, що середня абсолютна похибка (MAE) моделі становила 6,506 місяців, що свідчить про високу здатність до узагальнення та адекватне пристосування до нових даних.

Висновки. Практична цінність цієї роботи полягає в тому, що модель може бути ефективно використана у педіатричній діагностиці для автоматизованого визначення віку кісток, що значно спрощує та прискорює цей процес.

Посилання

Alhassan, M., & Mumuni, F. (2022). Data augmentation: A comprehensive survey of modern approaches. Array, 16, 100258. https://doi.org/10.1016/j.array.2022.100258

Greulich, W.W., & Pyle, S.I. (1959). Radiographic Atlas of Skeletal Development of the Hand and Wrist (2nd ed.). Stanford University Press. https://www.cambridge.org/core/journals/amg-acta-geneticae-medicae-et-gemellologiae-twin-research/article/w-w-greulich-and-s-i-pyle-radiographic-atlas-of-skeletal-development-of-the-hand-and-wrist-2nd-edition-i-volumeatlante-di-256-pagine-stanford-university-press-stanford-california-1959/40E97D3A609810F793A4228BE960A7CA

Huang, G., Liu, Z., Van Der Maaten, L., & Weinberger, K. Q. (2017). Densely connected convolutional networks. Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 4700–4708). https:/doi.org/10.1109/CVPR.2017.243, https://www.researchgate.net/publication/306885833_Densely_Connected_Convolutional_Networks

Jabbar, A.J., & Abdulmunem, A. (2023). Bone age assessment based on deep learning architecture. International Journal of Electrical and Computer Engineering (IJECE), 13(2), 2078–2085. https:/doi.org/10.11591/ijece.v13i2.pp2078-2085

Lindner, C., Thiagarajah, S., Wang, C., Wilkinson, J. M., & Bowes, M. (2020). Bone age estimation using a deep learning model with anatomical domain knowledge. In Digital Image Computing: Techniques and Applications (DICTA), 2020 International Conference (pp. 610–617). Springer, Cham. https:/doi.org/10.1007/978-3-030-59725-2_61

Milvue. (n. d.). AI-powered medical imaging solutions. https://www.milvue.com/

Shorten, C., & Khoshgoftaar, T.M. (2019). A survey on image data augmentation for deep learning. Journal of Big Data, 6(1), 1–48. https://doi.org/10.1186/s40537-019-0197-0

Tan, M., & Le, Q.V. (2020). EfficientNet: Rethinking model scaling for convolutional neural networks. In International Conference on Machine Learning (pp. 6105–6114). PMLR. https://doi.org/10.48550/arXiv.1905.11946, https://proceedings.mlr.press/v97/tan19a.html