DOI: https://doi.org/10.1007/s12024-025-00943-7
PMID: https://pubmed.ncbi.nlm.nih.gov/39969760
تاريخ النشر: 2025-02-19
المؤلف: Nevin Cavlak وآخرون
الموضوع الرئيسي: دراسات الأنثروبولوجيا الجنائية والبيوآركيولوجيا
نظرة عامة
في هذه الدراسة، استكشف المؤلفون إمكانية استخدام هياكل التعلم العميق لتقدير الجنس بناءً على شرائح التصوير بالرنين المغناطيسي (MRI) للركبة. تم تحليل ما مجموعه 6710 شرائح صورة ركب ساجيتال من 696 مريضًا (293 ذكور و403 إناث) باستخدام نماذج مختلفة من الشبكات العصبية التلافيفية (CNN)، بما في ذلك EfficientNetB3 وMobileNetV2 وVGG16 وResNet50 وDenseNet121. أشارت النتائج إلى أن نموذج ResNet50 حقق أعلى دقة بنسبة 88.88%، بينما حقق النموذج المطور بشكل عام دقة بنسبة 85.70%. تشير هذه النتائج إلى أنه يمكن إجراء تقدير الجنس بشكل فعال باستخدام شرائح MRI دون الاعتماد على الطرق التقليدية للمورفومترية، مما يوفر أداة قيمة للمحققين الجنائيين، خاصة في الحالات التي تتعرض فيها مورفولوجيا العظام للخطر.
تخلص الدراسة إلى أن النموذج القائم على CNN لتقدير الجنس من صور MRI للركبة يظهر دقة كبيرة، خاصة مع هيكل ResNet50. توفر هذه الطريقة بديلاً واعدًا للتطبيقات الجنائية، مما يمكّن من تقدير الجنس بشكل موثوق حتى عندما لا يتم الحفاظ على سلامة العظام. تؤكد الأبحاث على فائدة تقنيات تحليل الصور المتقدمة في العلوم الجنائية، مما يعزز دقة وكفاءة تحديد الجنس من بقايا الهيكل العظمي.
مقدمة
في سيناريوهات الكوارث الجماعية، يعد تحديد الجثث المتحللة بشدة أو بقايا الهيكل العظمي أمرًا حيويًا للدراسات الجنائية والأثرية. تواجه طرق الحمض النووي التقليدية وبصمات الأصابع تحديات مثل عدم توفر عينات الأنسجة المناسبة، والتكاليف العالية، وقواعد البيانات غير الكافية للمقارنة. وبالتالي، تظل ملفات العظام البيولوجية ضرورية، حيث يعد تقدير الجنس خطوة أولية يمكن أن تضيق بشكل كبير قوائم الأشخاص المفقودين. ومع ذلك، غالبًا ما تحد العوامل البيئية وحالة البقايا من الوصول إلى العظام المستخدمة عادةً لتقدير الجنس، مما يستدعي استكشاف عظام أكثر مقاومة مثل الركبة.
تعتبر الركبة، وهي عظمة سمسمية كبيرة، ملحوظة لمقاومتها للتحلل وعملية التكلس التي تبدأ في بداية الحمل وتستمر حتى سن البلوغ. أدت التطورات الأخيرة في التصوير الشعاعي إلى تحسين أحجام العينات وموثوقية تقدير الجنس، على الرغم من أن التحديات لا تزال قائمة، بما في ذلك عدم اتساق القياسات ونقص الطرق القياسية. أظهرت تقنيات التعلم العميق، وخاصة الشبكات العصبية التلافيفية (CNN)، وعدًا في معالجة الصور والأنثروبولوجيا الجنائية لتحديد الجنس من صور العظام. تهدف هذه الدراسة إلى تقييم فعالية شرائح MRI للركبة في تقدير الجنس باستخدام نماذج CNN، وتطوير نموذج سريع وقابل للتكرار، ومقارنة دقته بالطرق الحالية.
طرق
يستعرض قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك مصادرها وأي خصائص ذات صلة قد تؤثر على النتائج. تشمل المنهجية إعداد التجربة، بما في ذلك المعدات والتقنيات المستخدمة لجمع البيانات وتحليلها.
بالإضافة إلى ذلك، يصف القسم الطرق الإحصائية المطبقة لتفسير البيانات، مما يضمن أن النتائج قوية وموثوقة. يؤكد المؤلفون على أهمية القابلية للتكرار من خلال توفير تفاصيل كافية بشأن البروتوكولات المتبعة، مما يسمح بالتحقق المستقل من النتائج. بشكل عام، يعمل هذا القسم كأساس لفهم صلاحية استنتاجات الدراسة.
نتائج
في هذه الدراسة، تم تطوير نموذج تعلم عميق لتصنيف صور الركبة، مع معالجة المشكلة الشائعة المتمثلة في الإفراط في التكيف من خلال تحسين المعلمات بعناية وتقسيم البيانات إلى مجموعات تدريب وتحقق واختبار. حققت الشبكة العصبية التلافيفية (CNN) المقترحة مقاييس أداء مثيرة للإعجاب، مع دقة، ودرجة F1، ومعدلات استرجاع بنسبة 85.71% و85.67% و85.70% على التوالي، مما أدى إلى دقة إجمالية بنسبة 85.70%. أظهر النموذج تحسينًا مستمرًا في الدقة وتقليل الخسارة عبر مجموعات التدريب والتحقق، مع تحقيق النتائج المثلى بعد 61 دورة.
كما قارنت الدراسة أداء نموذج CNN المقترح مع أربعة خوارزميات تصنيف أخرى، كاشفة أنه بينما حقق ResNet50 أعلى دقة بنسبة 88.88%، تفوق نموذج DenseNet121 في المساحة تحت منحنى ROC (AUC) بقيمة 95.42%. ومن الجدير بالذكر أن النموذج المقترح تفوق على MobileNetV2 وEfficientNetB3، اللذين سجلا أدنى دقتين بنسبة 83.71% و85.40% على التوالي. تؤكد النتائج فعالية هيكل CNN المقترح لتقدير الجنس بناءً على صور الركبة، كما يتضح من منحنى ROC الذي يشير إلى مستوى أداء مرتفع بنسبة 93%.
مناقشة
في هذه الدراسة، تم تطوير طريقة قائمة على الشبكة العصبية التلافيفية (CNN) لتقدير الجنس من شرائح MRI للركبة، باستخدام مجموعة بيانات تتكون من 6710 صورة ساجيتال بتقنية T1 من 696 مريضًا. كشفت التحليلات أن النموذج المقترح حقق دقة إجمالية بنسبة 85.70%، مع تحقيق هيكل ResNet50 أعلى دقة بنسبة 88.88%. تسلط الدراسة الضوء على مزايا نماذج التعلم العميق مقارنة بالطرق التقليدية المعتمدة على القياسات، التي غالبًا ما تتطلب موظفين مدربين وتستغرق وقتًا طويلاً. من خلال استخراج الميزات تلقائيًا من شرائح MRI، أظهر نموذج CNN إمكانات كبيرة للتطبيقات الجنائية، خاصة في السيناريوهات التي تتعرض فيها سلامة العظام للخطر.
تشير النتائج إلى أن الشبكات العصبية التلافيفية يمكن أن تصنف صور الركبة بشكل فعال، محققة معدلات دقة تتجاوز 80%، وبالتالي تلبي الحدود المقبولة لتقدير الجنس. تسهم هذه الأبحاث في زيادة الأدبيات حول تطبيق التعلم العميق في الأنثروبولوجيا الجنائية، مما يشير إلى أن الشبكات العصبية التلافيفية يمكن أن تقدم نتائج موثوقة حتى عندما تكون بيانات المورفوجيومتري التقليدية غير متاحة. تؤكد الدراسة على أهمية الاستفادة من التقنيات الحسابية المتقدمة لتعزيز كفاءة ودقة عمليات التعرف الجنائي.
القيود
تقدم الدراسة عدة قيود قد تؤثر على قابلية تعميم وملاءمة نتائجها. أولاً، استخدمت الأبحاث بيانات من مجموعة سكانية واحدة، مما يستدعي التحقق مع مجموعات سكانية متنوعة لتعزيز قوة النموذج. بالإضافة إلى ذلك، يقدم التصميم الرجعي والنطاق العمري الواسع للمشاركين تحيزات محتملة. إن الاعتماد على تقنية MRI، التي هي أكثر تكلفة وأقل وصولاً من التصوير المقطعي المحوسب (CT)، يقيد أيضًا قابلية تطبيق الدراسة في البيئات الصعبة.
على الرغم من هذه القيود، هناك إمكانية لتجاوز بعض التحديات من خلال تطبيق طرق التعلم العميق التي تسهل تحويل صور CT وMRI. تؤكد الدراسة على أن الصور الشعاعية من المستشفيات يمكن أن تساعد بشكل كبير في تقدير الجنس من خلال توفير ثروة من العينات ذات الصلة. يمكن أن تحسن الأبحاث المستقبلية معدلات الدقة في تقدير الجنس من خلال دمج الشبكات العصبية التلافيفية (CNN) مع القياسات الأنثروبومترية ومعلومات الأمراض. علاوة على ذلك، يمكن أن يمكّن تطوير خوارزميات قائمة على الهواتف المحمولة والويب من جمع البيانات من مجموعات سكانية متنوعة، مما يعزز قابلية تطبيق الدراسة وموثوقيتها.
DOI: https://doi.org/10.1007/s12024-025-00943-7
PMID: https://pubmed.ncbi.nlm.nih.gov/39969760
Publication Date: 2025-02-19
Author(s): Nevin Cavlak et al.
Primary Topic: Forensic Anthropology and Bioarchaeology Studies
Overview
In this study, the authors explored the potential of using deep learning architectures for sex estimation based on patellar magnetic resonance imaging (MRI) slices. A total of 6710 sagittal patella image slices from 696 patients (293 males and 403 females) were analyzed using various convolutional neural network (CNN) models, including EfficientNetB3, MobileNetV2, VGG16, ResNet50, and DenseNet121. The results indicated that the ResNet50 model achieved the highest accuracy of 88.88%, while the overall developed model yielded an accuracy of 85.70%. These findings suggest that sex estimation can be effectively performed using MRI slices without relying on traditional morphometric methods, providing a valuable tool for forensic examiners, especially in cases where bone morphology is compromised.
The study concludes that the CNN-based model for estimating sex from patella MRI images demonstrates significant accuracy, particularly with the ResNet50 architecture. This approach offers a promising alternative for forensic applications, enabling reliable sex estimation even when the morphological integrity of the bones is not preserved. The research underscores the utility of advanced image analysis techniques in forensic science, enhancing the accuracy and efficiency of sex determination from skeletal remains.
Introduction
In mass disaster scenarios, the identification of highly decomposed corpses or skeletal remains is crucial for forensic and archaeological studies. Traditional DNA and fingerprint methods face challenges such as the unavailability of suitable tissue samples, high costs, and insufficient databases for comparison. Consequently, biological bone profiling remains vital, with sex estimation being a primary step that can significantly narrow down missing persons lists. However, environmental factors and the condition of remains often limit access to commonly used bones for sex estimation, necessitating the exploration of more resilient bones like the patella.
The patella, a large sesamoid bone, is notable for its resistance to decomposition and its ossification process, which begins in early gestation and continues until puberty. Recent advancements in radiological imaging have improved sample sizes and reliability in sex estimation, although challenges remain, including measurement inconsistencies and a lack of standardized methods. Deep learning techniques, particularly Convolutional Neural Networks (CNNs), have shown promise in image processing and forensic anthropology for sex determination from bone images. This study aims to evaluate the effectiveness of patellar MRI slices in sex estimation using CNN models, develop a fast and repeatable model, and compare its accuracy with existing methodologies.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including their sources and any relevant characteristics that may influence the results. The methodology encompasses the experimental setup, including the equipment and techniques utilized for data collection and analysis.
Additionally, the section describes the statistical methods applied to interpret the data, ensuring that the findings are robust and reliable. The authors emphasize the importance of replicability by providing sufficient detail regarding the protocols followed, which allows for independent verification of the results. Overall, this section serves as a foundation for understanding the validity of the study’s conclusions.
Results
In this study, a deep learning model was developed to classify patella images, addressing the common issue of overfitting through careful hyperparameter optimization and data partitioning into training, validation, and test sets. The proposed convolutional neural network (CNN) achieved impressive performance metrics, with precision, F1 score, and recall rates of 85.71%, 85.67%, and 85.70%, respectively, culminating in an overall accuracy of 85.70%. The model demonstrated consistent improvement in accuracy and reduction in loss across training and validation sets, with optimal results achieved after 61 epochs.
The study also compared the proposed CNN model’s performance against four other classification algorithms, revealing that while ResNet50 achieved the highest accuracy at 88.88%, the DenseNet121 model excelled in area under the ROC curve (AUC) with a value of 95.42%. Notably, the proposed model outperformed MobileNetV2 and EfficientNetB3, which recorded the lowest accuracies of 83.71% and 85.40%, respectively. The findings underscore the effectiveness of the proposed CNN architecture for sex estimation based on patella images, as evidenced by the ROC curve indicating a high performance level of 93%.
Discussion
In this study, a convolutional neural network (CNN)-based method was developed for sex estimation from patella MRI slices, utilizing a dataset of 6710 T1-weighted sagittal images from 696 patients. The analysis revealed that the proposed model achieved an overall accuracy of 85.70%, with the ResNet50 architecture yielding the highest accuracy of 88.88%. The study highlights the advantages of deep learning models over traditional measurement-based methods, which often require trained personnel and are time-consuming. By automatically extracting features from the MRI slices, the CNN model demonstrated significant potential for forensic applications, particularly in scenarios where bone integrity is compromised.
The findings indicate that CNNs can effectively classify patella images, achieving accuracy rates exceeding 80%, thus meeting the acceptable limits for sex estimation. This research contributes to the growing body of literature on the application of deep learning in forensic anthropology, suggesting that CNNs can provide reliable results even when traditional morphogeometric data is unavailable. The study underscores the importance of leveraging advanced computational techniques to enhance the efficiency and accuracy of forensic identification processes.
Limitations
The study presents several limitations that may affect the generalizability and applicability of its findings. Firstly, the research utilized data from a single population, necessitating validation with diverse populations to enhance the robustness of the model. Additionally, the retrospective design and the broad age range of participants introduce potential biases. The reliance on MRI technology, which is more expensive and less accessible than computed tomography (CT), further constrains the study’s applicability in challenging environments.
Despite these limitations, the potential for overcoming some challenges exists through the application of deep learning methods that facilitate the conversion of CT and MRI images. The study emphasizes that radiological images from hospitals can significantly aid in sex estimation by providing a wealth of relevant samples. Future research could improve accuracy rates in sex estimation by integrating convolutional neural networks (CNN) with anthropometric measurements and disease information. Furthermore, the development of mobile and web-based algorithms could enable the collection of data from varied populations, thereby enhancing the study’s applicability and reliability.