DOI: https://doi.org/10.1038/s41598-024-62211-y
PMID: https://pubmed.ncbi.nlm.nih.gov/38782964
تاريخ النشر: 2024-05-23
المؤلف: Renan Lúcio Berbel da Silva وآخرون
الموضوع الرئيسي: دراسات الأنثروبولوجيا الجنائية والبيوآركيولوجيا
نظرة عامة
تقدم الدراسة SDetNet، وهو شبكة جديدة موجهة بالأناتومي ذات مرحلتين مصممة لتحديد الجنس تلقائيًا بدقة من مسح التصوير المقطعي المحوسب باستخدام شعاع المخروط (CBCT). تعتمد الطرق التقليدية على القياسات اليدوية للميزات الهيكلية، والتي غالبًا ما تكون كثيفة العمل وعرضة للأخطاء. يدمج SDetNet شبكة تقسيم الجيوب الأنفية الأمامية ثنائية الأبعاد (FSNet) لتحديد مناطق الاهتمام (ROIs) وشبكة انتباه موجهة بالأناتومي ثلاثية الأبعاد (SDNet) للتنبؤ بالجنس بناءً على هذه المناطق. يعزز دمج المدخلات متعددة القنوات (MSIs) ووحدة الانتباه الموجهة بالأناتومي (AGAM) قدرة الشبكة على تمييز الفروق التشريحية بين الجيوب الأنفية الأمامية للذكور والإناث.
تشير النتائج التجريبية إلى أن SDetNet يتفوق بشكل كبير على الشبكات العصبية التلافيفية ثلاثية الأبعاد (CNNs) الحالية في مقاييس مثل المساحة تحت منحنى التشغيل المستلم، والدقة، ودرجة بريير، والخصوصية. تؤكد دراسات الإزالة أيضًا أن تضمين MSI وAGAM يسهم في تحسين الأداء في تحديد الجنس. تشير النتائج إلى أن SDetNet يمكن أن يسهل التحقيقات الجنائية ويعزز التعرف على الأفراد في السياقات السريرية. تهدف الأبحاث المستقبلية إلى تعزيز قابلية تعميم النموذج وتطبيقه السريري من خلال دمج مجموعة متنوعة من مسحات CBCT من مجموعات عرقية وأجهزة مختلفة.
طرق
تحدد قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، ومعدات، وعينات بيولوجية، بالإضافة إلى البروتوكولات المتبعة لجمع البيانات وتحليلها. يبرز القسم أهمية القابلية للتكرار والدقة في المنهجية، مما يضمن إمكانية تكرار التجارب من قبل باحثين آخرين.
بالإضافة إلى ذلك، يتم وصف الطرق بطريقة خطوة بخطوة، مع تسليط الضوء على أي تحليلات إحصائية تم إجراؤها لتفسير البيانات. يشمل ذلك استخدام البرمجيات المناسبة والاختبارات الإحصائية للتحقق من النتائج. بشكل عام، يخدم القسم لتقديم نظرة شاملة على الإطار التجريبي، مما يسمح بالتقييم النقدي للنتائج وتأثيراتها ضمن السياق الأوسع للبحث.
نتائج
في هذه الدراسة، تم تقييم أداء مختلف هياكل التعلم العميق—VGG16، ResNet101، Inception V3، EfficientNet-B5، وDenseNet201—لتقسيم الجيوب الأنفية الأمامية باستخدام مقاييس مثل مؤشر جاكارد (JI)، ودرجة F1، ودقة الاسترجاع (PR)، والاسترجاع (RC). أظهرت جميع النماذج أداءً عاليًا في التقسيم، حيث حقق DenseNet201 أعلى JI (0.878 ± 0.042)، وF1 (0.935 ± 0.024)، وRC (0.930 ± 0.038)، مما يدل على قدرته الفائقة في تقسيم الجيوب الأنفية الأمامية بدقة من صور التصوير المقطعي المحوسب باستخدام شعاع المخروط (CBCT). أبرزت نتائج التقسيم قدرة DenseNet201 على تقليل الإيجابيات الكاذبة والسلبيات الكاذبة مقارنةً بالهياكل الأخرى.
علاوة على ذلك، تم تقييم أداء تحديد الجنس لنموذج SDNet، باستخدام نتائج التقسيم من الهياكل المختلفة، باستخدام مقاييس مثل المساحة تحت المنحنى (AUC)، والدقة (ACC)، ومعدل التوازن (BR)، والخصوصية (SPE)، والحساسية (SEN)، وقياس الدقة والدقة (PAM). حقق SDNet، مع مناطق الاهتمام (ROIs) المستخرجة بواسطة DenseNet201، أعلى القيم لهذه المقاييس: AUC من 0.979، وACC من 0.920، وPAM من 0.828. على الرغم من أن الهياكل الأخرى حققت نتائج قابلة للمقارنة، إلا أنها لم تتجاوز أداء DenseNet201. أكدت دراسات الإزالة أيضًا على أهمية صور التقسيم المقنعة (MSI) وآلية الانتباه العالمية التكيفية (AGAM) في تعزيز أداء SDNet، مع تحسينات كبيرة في مقاييس تحديد الجنس عند تضمين كلا المكونين.
مناقشة
في هذه الدراسة، طور المؤلفون شبكة انتباه موجهة بالأناتومي ذات مرحلتين (SDetNet) لتحديد الجنس تلقائيًا بدقة من مسحات التصوير المقطعي المحوسب باستخدام شعاع المخروط (CBCT). تتكون مجموعة البيانات من 310 مسحات CBCT من مرضى تتراوح أعمارهم بين 4 إلى 86 عامًا، مع تمثيل متوازن للذكور والإناث. تم إجراء تقسيم الجيوب الأنفية الأمامية باستخدام شبكة ثنائية الأبعاد (FSNet) التي استخدمت DenseNet201 كهيكلها الأساسي، والذي أظهر أداءً متفوقًا في تقسيم الجيوب الأنفية الأمامية مقارنةً بالهياكل الأخرى. تم استخدام أقنعة التقسيم التي أنشأتها FSNet كمدخلات لشبكة انتباه موجهة بالأناتومي ثلاثية الأبعاد (SDNet) لتصنيف جنس المرضى بناءً على الميزات التشريحية.
أشارت النتائج إلى أن SDetNet حقق مقاييس أداء عالية، بما في ذلك مساحة تحت المنحنى (AUC) من 0.979 ودقة (ACC) من 0.920، متفوقًا على الشبكات العصبية التلافيفية ثلاثية الأبعاد (CNNs) الحالية في تحديد الجنس. سلطت الدراسة الضوء على أهمية السياق التشريحي في تمييز الفروق الدقيقة في شكل الجيوب الأنفية الأمامية بين الجنسين، مما يسهل من خلال دمج آليات الانتباه. تهدف الأعمال المستقبلية إلى تعزيز قابلية تعميم النموذج من خلال دمج مجموعة بيانات أكثر تنوعًا وتقليل معايير الاستبعاد، مما يحسن من قابليته للتطبيق في السياقات الجنائية والسريرية.
DOI: https://doi.org/10.1038/s41598-024-62211-y
PMID: https://pubmed.ncbi.nlm.nih.gov/38782964
Publication Date: 2024-05-23
Author(s): Renan Lúcio Berbel da Silva et al.
Primary Topic: Forensic Anthropology and Bioarchaeology Studies
Overview
The study presents SDetNet, a novel two-stage anatomy-guided attention network designed for automatic and accurate sex determination from cone beam computed tomography (CBCT) scans. Traditional methods rely on manual measurements of skeletal features, which are often labor-intensive and prone to errors. SDetNet integrates a 2D frontal sinus segmentation network (FSNet) to identify regions of interest (ROIs) and a 3D anatomy-guided attention network (SDNet) to predict sex based on these ROIs. The incorporation of multi-channel inputs (MSIs) and an anatomy-guided attention module (AGAM) enhances the network’s ability to discern anatomical differences between male and female frontal sinuses.
Experimental results indicate that SDetNet significantly outperforms existing 3D convolutional neural networks (CNNs) in metrics such as the area under the receiver operating characteristic curve, accuracy, Brier score, and specificity. Ablation studies further confirm that the inclusion of MSI and AGAM contributes to improved performance in sex determination. The findings suggest that SDetNet could streamline forensic investigations and enhance individual identification in clinical contexts. Future research aims to enhance the model’s generalizability and clinical applicability by incorporating a diverse range of CBCT scans from various ethnic groups and devices.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including any reagents, equipment, and biological samples, as well as the protocols followed for data collection and analysis. The section emphasizes the importance of reproducibility and rigor in the methodology, ensuring that the experiments can be replicated by other researchers.
Additionally, the methods are described in a stepwise manner, highlighting any statistical analyses performed to interpret the data. This includes the use of appropriate software and statistical tests to validate the findings. Overall, the section serves to provide a comprehensive overview of the experimental framework, allowing for critical assessment of the results and their implications within the broader context of the research.
Results
In this study, the performance of various deep learning backbones—VGG16, ResNet101, Inception V3, EfficientNet-B5, and DenseNet201—was evaluated for frontal sinus segmentation using metrics such as Jaccard Index (JI), F1 score, Precision-Recall (PR), and Recall (RC). All models demonstrated high segmentation performance, with DenseNet201 achieving the highest JI (0.878 ± 0.042), F1 (0.935 ± 0.024), and RC (0.930 ± 0.038), indicating its superior capability in accurately segmenting frontal sinuses from Cone Beam Computed Tomography (CBCT) images. The segmentation results highlighted DenseNet201’s ability to minimize false positives and false negatives compared to other backbones.
Furthermore, the sex determination performance of the SDNet model, utilizing segmentation results from the various backbones, was assessed using metrics such as Area Under the Curve (AUC), Accuracy (ACC), Balanced Rate (BR), Specificity (SPE), Sensitivity (SEN), and Precision-Accuracy Measure (PAM). SDNet, with regions of interest (ROIs) extracted by DenseNet201, achieved the highest values for these metrics: AUC of 0.979, ACC of 0.920, and PAM of 0.828. Although other backbones yielded comparable results, they did not surpass the performance of DenseNet201. Ablation studies further confirmed the importance of the Masked Segmentation Images (MSI) and Adaptive Global Attention Mechanism (AGAM) in enhancing the performance of SDNet, with significant improvements in sex determination metrics when both components were included.
Discussion
In this study, the authors developed a two-stage anatomy-guided attention network (SDetNet) for automatic and accurate sex determination from cone-beam computed tomography (CBCT) scans. The dataset comprised 310 CBCT scans from patients aged 4 to 86, with a balanced representation of males and females. The segmentation of frontal sinuses was performed using a 2D network (FSNet) that utilized DenseNet201 as its backbone, which demonstrated superior performance in segmenting frontal sinuses compared to other architectures. The segmentation masks generated by FSNet were then used as inputs for a 3D anatomy-guided attention network (SDNet) to classify the sex of the patients based on anatomical features.
The results indicated that SDetNet achieved high performance metrics, including an area under the curve (AUC) of 0.979 and an accuracy (ACC) of 0.920, outperforming existing 3D convolutional neural networks (CNNs) for sex determination. The study highlighted the importance of anatomical context in accurately distinguishing subtle differences in frontal sinus morphology between sexes, facilitated by the integration of attention mechanisms. Future work aims to enhance the model’s generalizability by incorporating a more diverse dataset and reducing exclusion criteria, thereby improving its applicability in forensic and clinical settings.