DOI: https://doi.org/10.3934/mbe.2025007
PMID: https://pubmed.ncbi.nlm.nih.gov/39949166
تاريخ النشر: 2025-01-01
المؤلف: Yuzhong Zhao وآخرون
الموضوع الرئيسي: دراسات الأنثروبولوجيا الجنائية والبيوآركيولوجيا
نظرة عامة
تقدم ورقة البحث نهجًا جديدًا قائمًا على التعلم العميق لتقييم عمر العظام (BAA)، مع معالجة قيود طريقة تانر وايتهاوس (TW) التقليدية، التي تعتمد على الاستخراج اليدوي لمناطق الاهتمام (ROIs) لتقييم النضج الهيكلي. تستخدم الطريقة المقترحة بنية U-net لتحديد مواقع ROIs تلقائيًا، محققة دقة ملحوظة تبلغ 99.1% على مجموعة بيانات RSNA. بالإضافة إلى ذلك، تستخدم شبكة InceptionResNetV2 لاستخراج الميزات، مما يتيح التقاط كل من الميزات المحلية والعالمية الضرورية للتنبؤ الدقيق بعمر العظام.
تشير النتائج إلى أن الطريقة تحقق متوسط خطأ مطلق (MAE) يبلغ 0.38 سنة للذكور و0.45 سنة للإناث على مجموعة البيانات العامة، و0.41 سنة للذكور و0.44 سنة للإناث على مجموعة بيانات داخلية. تؤكد هذه الأداءات على إمكانية تحسين الطريقة لتدفقات العمل السريرية من خلال أتمتة BAA، مما يقلل من التباين ويسرع من التشخيصات. يستنتج المؤلفون أنه بينما تظهر الطريقة أداءً قويًا عبر مجموعات بيانات مختلفة، هناك حاجة لمزيد من البحث لاستكشاف تأثير دقة الصورة والتنوع الديموغرافي لتحسين قابليتها للتعميم في البيئات السريرية.
مقدمة
تناقش مقدمة ورقة البحث هذه أهمية تقييم عمر العظام (BAA) كقياس حاسم للنضج الهيكلي لدى المراهقين، مما يساعد في تقدير الطول البالغ وتقييم كفاءة النمو. تعاني الطرق التقليدية لتقييم BAA، مثل طريقة غريوليخ وبيلي (GP) وطريقة تانر-وايتهاوس (TW)، من قيود، بما في ذلك الذاتية وعبء العمل العالي على الأطباء. تعتمد طريقة GP على مقارنة ميزات العظام مع الأطالس الخاصة بالعمر، بينما تقيم طريقة TW عدة عظام رئيسية ولكنها لا تزال تعتمد على خبرة الطبيب في التقييم. لمعالجة هذه التحديات، ظهرت طرق مساعدة بالكمبيوتر، حيث كانت BoneXpert واحدة من أولى الحلول البرمجية التجارية، على الرغم من أنها تعاني من الصور ذات الجودة المنخفضة.
أدت التطورات الأخيرة في التعلم العميق إلى تطوير طرق BAA التي إما تستخدم الصور الكاملة أو تركز على مناطق الاهتمام (ROIs) مع قابلية التفسير. بينما تحقق الطرق المعتمدة على الصور الكاملة دقة عالية، تفتقر إلى الشفافية، وهو أمر حاسم للممارسة السريرية. على النقيض من ذلك، تهدف طرق التعلم العميق المعتمدة على TW إلى تكرار عمليات التشخيص للأطباء الإشعاعيين من خلال استخراج ROIs وتقييم مستويات النضج الهيكلي. تقدم هذه الورقة طريقة جديدة لتقييم BAA تجمع بين قابلية تفسير طريقة TW3 المعتمدة على ROIs مع استخراج الميزات العالمية لطريقة GP باستخدام شبكة عصبية من نوع U-net. تعزز هذه الطريقة دقة التحديد دون الحاجة إلى معالجة مسبقة مكثفة وتحقق دقة تنبؤ عالية من خلال دمج الميزات المحلية والعالمية، وتم التحقق منها على كل من مجموعات البيانات العامة والخاصة، مما يظهر أداءً متفوقًا مقارنة بالطرق الحالية.
طرق
في هذا القسم، يصف المؤلفون منهجيتهم للتحديد التلقائي الكامل لمناطق الاهتمام (ROIs) وتنبؤ تقييم عمر الدماغ (BAA). يتم تمثيل العملية بصريًا في الشكل 1. تستخدم الطريقة بنية U-Net، التي تُستخدم لكل من تحديد مواقع ROIs واستخراج الميزات ذات الصلة اللازمة لتنبؤ دقيق بـ BAA. يتم توضيح تفاصيل هذه المكونات، مع تسليط الضوء على دمج تقنيات التعلم العميق المتقدمة لتعزيز كفاءة ودقة التحليل.
نتائج
في هذا القسم، يقدم المؤلفون نتائج التحقق من دقة تحديد موقع وحدة RU-net، باستخدام معايير معتمدة من أبحاث سابقة (سون وآخرون [6]، كويتكا وآخرون [5]، وإيفرينغهام وآخرون [22]). استخدموا مقياسين رئيسيين – معدل النجاح والدقة – لتقييم نهجهم في التحديد. تم تعريف معدل النجاح من خلال التعرف الدقيق على جميع 13 منطقة اهتمام (ROIs) مع تقاطع على اتحاد (IoU) يتجاوز 0.5، بينما قيّمت الدقة احتمال الكشف الصحيح لكل عظمة، مع الأخذ في الاعتبار الفروق بين الحقيقة الأرضية والنتائج المتوقعة.
تشير النتائج، الملخصة في الجدول 2، إلى أن النهج القائم على U-net يحقق دقة عالية بشكل ملحوظ في تحديد مواقع ROIs، متفوقًا على المنهجيات الحالية المميزة في الأدبيات. تعزز التحليلات المقارنة عبر مجموعات بيانات مختلفة فعالية الطريقة المقترحة، مما يظهر إمكانياتها في تحسين مهام التحديد في المجال المعني.
مناقشة
في قسم المناقشة، يقدم المؤلفون طريقة TW3-RUS لتقييم النضج الهيكلي من خلال تحديد مواقع ثلاثة عشر عظمة محددة باستخدام بنية U-net لاستخراج ROIs. تعالج هذه الطريقة القيود الموجودة في الطرق السابقة، مثل تلك التي قدمها سون وآخرون، التي واجهت صعوبات في التنبؤ بعدة ROIs لنفس الهيكل التشريحي. من خلال استخدام U-net، المعروف بكفاءته في التقسيم الدلالي، يعزز المؤلفون دقة تحديد مواقع ROIs من خلال نموذج مشفر-مفكك منظم يحافظ على المعلومات المكانية والدلالية الأساسية. تستخدم عملية التدريب RU-net، وهو نوع من U-net، الذي يدمج تنظيم التباين الكلي لتحسين أقنعة المخرجات، مما ينتج في النهاية صناديق محاطة دقيقة لـ ROIs.
لتنبؤ تقييم عمر العظام (BAA)، يجمع المؤلفون الميزات المحلية المستخرجة من ROIs مع الميزات العالمية من الصورة الكاملة باستخدام مشفر محول وبنية InceptionResNetV2. يسمح هذا النهج الهجين بفهم شامل لكل من التفاصيل التشريحية المحلية والمعلومات السياقية الأوسع، مما يحسن دقة التنبؤ وقابلية التفسير. يتم التحقق من أداء النموذج مقابل مجموعتين من البيانات، مما يظهر انخفاضًا في متوسط الخطأ المطلق (MAE) مقارنة بالطرق الحالية، مستفيدًا بشكل خاص من بيانات التدريب الخاصة بالجنس. ومع ذلك، يشير المؤلفون إلى تقلبات الأداء عبر الفئات العمرية، مما يشير إلى الحاجة لمزيد من التحقيق في تمثيل البيانات والتقاط الميزات الخاصة بالعمر لتعزيز قوة النموذج في التطبيقات السريرية.
DOI: https://doi.org/10.3934/mbe.2025007
PMID: https://pubmed.ncbi.nlm.nih.gov/39949166
Publication Date: 2025-01-01
Author(s): Yuzhong Zhao et al.
Primary Topic: Forensic Anthropology and Bioarchaeology Studies
Overview
The research paper presents a novel deep learning-based approach for bone age assessment (BAA), addressing the limitations of the traditional Tanner Whitehouse (TW) method, which relies on manual extraction of regions of interest (ROIs) for skeletal maturity evaluation. The proposed method utilizes a U-net architecture for automatic ROI localization, achieving a remarkable precision of 99.1% on the RSNA dataset. Additionally, it employs an InceptionResNetV2 network for feature extraction, effectively capturing both local and global features essential for accurate bone age prediction.
The results indicate that the method achieves a mean absolute error (MAE) of 0.38 years for males and 0.45 years for females on the public dataset, and 0.41 years for males and 0.44 years for females on an in-house dataset. This performance underscores the method’s potential to enhance clinical workflows by automating BAA, thereby reducing variability and expediting diagnoses. The authors conclude that while the method demonstrates robust performance across different datasets, further research is needed to explore the impact of image resolution and demographic variability to improve its generalizability in clinical settings.
Introduction
The introduction of this research paper discusses the significance of bone age assessment (BAA) as a critical measure of skeletal maturity in adolescents, which aids in estimating adult height and evaluating growth efficiency. Traditional methods for BAA, such as the Greulich and Pyle (GP) method and the Tanner-Whitehouse (TW) method, have limitations, including subjectivity and high clinician workload. The GP method relies on comparing bone features to age-specific atlases, while the TW method evaluates multiple key bones but still depends on the clinician’s experience for scoring. To address these challenges, computer-assisted methods have emerged, with BoneXpert being one of the first commercial software solutions, although it struggles with low-quality images.
Recent advancements in deep learning have led to the development of BAA methods that either utilize whole images or focus on regions of interest (ROIs) with interpretability. Whole image-based approaches, while achieving high accuracy, lack transparency, which is crucial for clinical practice. In contrast, TW-based deep learning methods aim to replicate radiologists’ diagnostic processes by extracting ROIs and evaluating skeletal maturity levels. This paper introduces a novel BAA method that combines the interpretability of the TW3 ROI-based approach with the global feature extraction of the GP method using a U-net neural network. This approach enhances localization accuracy without the need for extensive preprocessing and achieves high prediction accuracy by integrating local and global features, validated on both public and private datasets, demonstrating superior performance compared to existing methods.
Methods
In this section, the authors describe their methodology for the fully automated localization of Regions of Interest (ROIs) and the prediction of Brain Age Assessment (BAA). The process is visually represented in Figure 1. The approach employs a U-Net architecture, which is utilized for both the localization of ROIs and the extraction of relevant features necessary for accurate BAA prediction. The details of these components are elaborated upon, highlighting the integration of advanced deep learning techniques to enhance the efficiency and accuracy of the analysis.
Results
In this section, the authors present the results of their validation of the RU-net unit’s localization accuracy, employing established criteria from prior research (Son et al. [6], Koitka et al. [5], and Everingham et al. [22]). They utilized two key metrics—success rate and precision—to evaluate their localization approach. The success rate was defined by the accurate recognition of all 13 regions of interest (ROIs) with an intersection over union (IoU) exceeding 0.5, while precision assessed the probability of correct detection for each bone, factoring in discrepancies between ground truth and predicted outcomes.
The findings, summarized in Table 2, indicate that the U-net based approach achieves a notably high accuracy in localizing ROIs, outperforming existing methodologies highlighted in the literature. The comparative analysis across various datasets reinforces the effectiveness of the proposed method, showcasing its potential in enhancing localization tasks in the relevant domain.
Discussion
In the discussion section, the authors present the TW3-RUS method for assessing skeletal maturity through the localization of thirteen specific bones using a U-net architecture for ROI extraction. This approach addresses limitations found in previous methods, such as those by Son et al., which struggled with multiple ROI predictions for the same anatomical structure. By employing U-net, known for its efficacy in semantic segmentation, the authors enhance the accuracy of ROI localization through a structured encoder-decoder model that preserves essential spatial and semantic information. The training process utilizes RU-net, a variant of U-net, which incorporates total variation regularization to refine the output masks, ultimately generating precise bounding boxes for the ROIs.
For bone age assessment (BAA) prediction, the authors combine local features extracted from the ROIs with global features from the entire image using a transformer encoder and InceptionResNetV2 architecture. This hybrid approach allows for a comprehensive understanding of both localized anatomical details and broader contextual information, improving prediction accuracy and interpretability. The model’s performance is validated against two datasets, demonstrating lower mean absolute error (MAE) compared to existing methods, particularly benefiting from gender-specific training data. However, the authors note performance fluctuations across age groups, suggesting the need for further investigation into data representation and age-specific feature capture to enhance model robustness in clinical applications.