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 می‌‌شود. به طوری که تفاوت چشمگیر میان سن ارزیابی‌ شده و سن تقویمی می‌تواند نشان‌دهنده‌ی اختلال در رشد باشد. با این حال ارزیابی دستی تصاویر، معمولاً فرایندی زمان‌بر و وابسته به ناظر است. لذا هدف از انجام این مطالعه، ایجاد روشی خودکار برای ارزیابی سن استخوانی با استفاده از تصاویر رادیوگرافی دست می‌باشد. روش‌ها: در این پژوهش که از نوع بنیادی- کاربردی می‌باشد، 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 پیش‌پردازش قرار گرفتند. سپس مدل از پیش آموزش دیده 121densenet- برای استخراج ویژگی‌های مکانی متمایزکننده مورد استفاده قرار گرفت. یافته‌ها: ارزیابی‌ها با استفاده از پنج مدل از پیش آموزش دیده و بر روی مجموعه‌ی داده‌ی rsna نشان دادند که مدل densenet-121 پس از تنظیم می‌تواند با میانگین خطای مطلق 9/8 ماه بهتر از سایر مدل‌ها عمل کند. نتیجه‌گیری: بلوغ اسکلتی می‌تواند با استفاده از مدل densenet-121 با دقت رضایت‌بخشی تخمین زده شود و از این روش می‌توان به رادیولوژیست‌ها در اندازه‌گیری سریع و دقیق سن استخوانی کمک نمود.

deep learning-based pediatric bone age estimation using hand radiography

background: hand radiographs are commonly used to evaluate bone maturity. so that the significant difference between the estimated bone age and the chronological age can indicate a developmental disorder. however, the manual evaluation of images is usually a time-consuming and observer-dependent process. therefore, in this paper, an automatic method for the assessment of bone age using radiographs of children’s hands is proposed.methods: in this fundamental-applied research, the collection of radiographic images of the radiological society of north america (rsna) was used, and transfer learning methods were proposed. the input images were first pre-processed due to low quality. then a pre-trained model based on densenet-121 was used to extract the discriminating spatial features.findings: evaluations using five pre-trained models on the rsna dataset showed that the densenet-121 model, after adjustment, could perform better than other models, with a mean absolute error of 9.8 months.conclusion: skeletal maturity can be estimated with satisfactory accuracy using the densenet-121 model, and this method can help radiologists in quick and accurate measurement of bone age.