基于膝关节MRI T1WI深度学习模型的构建和活体年龄的推断.pdf
《基于膝关节MRI T1WI深度学习模型的构建和活体年龄的推断.pdf》由会员分享,可在线阅读,更多相关《基于膝关节MRI T1WI深度学习模型的构建和活体年龄的推断.pdf(4页珍藏版)》请在咨信网上搜索。
1、目的 探讨基于膝关节MR IT1加权成像(T1W I)深度学习模型的构建方法,并应用该模型推断青少年的年龄。方法 收集2 0 1 5年1月2 0 2 1年1 2月青岛大学附属医院12 1 2例(内部数据集)及青岛市市立医院3 4 1例(外部数据集)1 01 8岁男性膝关节MR IT1W I图像,经过对股骨远端和胫骨近端骨骺骺板进行标记和图像分割后,采用随机数字表法将内部数据集各年龄组按照82分为训练组(9 7 1例)和验证组(2 4 1例)用于模型的建立,外部数据集(测试组)用于模型的评价。通过准确率、精准率、召回率、灵敏度、特异度等指标来测试和验证模型的性能。结果 验证组的准确率为8 5.7
2、 1 3%,精准率为8 4.7 3 2%,召回率为8 5.7 1 3%,特异度为9 7.7 2 9%,灵敏度为8 5.7 1 3%;而测试组的准确率为8 2.5 7 8%,精准率为8 3.1 4 5%,召回率为8 2.5 7 8%,特异度为9 7.4 4 2%,灵敏度为8 2.5 7 8%,验证集和测试组的各项指标比较差异均无显著性(P0.0 5)。结论 本研究成功建立了基于膝关节MR IT1W I的深度学习模型,可应用于1 01 8岁青少年年龄的推断。关键词 膝关节;磁共振成像;法医学;深度学习;骨骼年龄测定;青少年 中图分类号 R 4 4 5.2;R 3 3 6 文献标志码 AD E E
3、PL E A R N I N G MO D E L I N GU S I N GT1-WE I G H T E DI MA G E S I NMA G N E T I CR E S O N A N C EI MA G I N GO FT H EK N E EJ O I N T SA N DI T SU S EI NA G EE S T I MA T I O NO FL I V I N GB O D I E S G A OS o n g,HA OD a p e n g,MA W e n s h u a i,R EN Y a n d e,D U ANC h o n g f e n g,D U AN
4、F e n g(S c h o o l o fB a s i cM e d i c i n e,Q i n g d a oU n i v e r s i t y,Q i n g d a o2 6 6 0 7 1,C h i n a)A B S T R A C T O b j e c t i v e T od i s c u s sd e e p l e a r n i n gm o d e l i n gu s i n gT1-w e i g h t e d i m a g e s(T1W I)i nm a g n e t i c r e s o n a n c e i m a-g i n g
5、(MR I)o f t h ek n e e j o i n t s a n d i t su s e i na g e e s t i m a t i o no f a d o l e s c e n t s.M e t h o d s T h eT1W I o f t h ek n e e j o i n t sw e r e c o l l e c t e df r o m12 1 2m a l ep a t i e n t s a g e d1 0-1 8y e a r sw h ow e r e a d m i t t e d t oT h eA f f i l i a t e dH
6、 o s p i t a l o fQ i n g d a oU n i v e r s i t y f r o mJ a n u a r y2 0 1 5t oD e c e m b e r2 0 2 1(i n t e r n a l d a t as e t)a n d3 4 1m a l ep a t i e n t so f t h es a m ea g e sw h ow e r ea d m i t t e dt oQ i n g d a oM u n i c i p a lH o s p i t a ld u r i n gt h es a m ep e r i o d(e
7、x t e r n a l d a t as e t).A f t e r l a b e l i n ga n d i m a g e s e g m e n t a t i o no f t h ee p i p h y s e a l p l a t e so f t h ed i s t a l f e m u r s a n dp r o x i m a l t i b i a e,t h e i n t e r n a ld a t as e tw a sd i v i d e di n t ot r a i n i n gg r o u p(9 7 1c a s e s)a n
8、dv a l i d a t i o ng r o u p(2 4 1c a s e s)a tar a t i oo f82a c c o r d i n gt ot h e i ra g eg r o u p su s i n ga r a n d o mn u m b e r t a b l e f o rm o d e l i n g,a n d t h ee x t e r n a l d a t as e t(t e s tg r o u p)w a su s e d f o rm o d e l e v a l u a t i o n.T h ep e r f o r m a n
9、 c eo f t h em o d e lw a s t e s t e da n dv a l i d a t e db a s e do na c c u r a c y,p r e c i s i o n,r e c a l l r a t e,s e n s i t i v i t y,a n ds p e c i f i c i t y.R e s u l t s T h ea c c u r a c y,p r e c i s i o n,r e c a l lr a t e,s p e c i f i c i t y,a n ds e n s i t i v i t yo ft
10、 h ev a l i d a t i o ng r o u pw e r e8 5.7 1 3%,8 4.7 3 2%,8 5.7 1 3%,9 7.7 2 9%,a n d8 5.7 1 3%,r e s p e c t i v e l y;t h es a m ei n d i c a t o r so ft h et e s tg r o u pw e r e8 2.5 7 8%,8 3.1 4 5%,8 2.5 7 8%,9 7.4 4 2%,a n d8 2.5 7 8%,r e s p e c t i v e l y.T h e r ew e r en os i g n i f
11、i c a n td i f f e r e n c e s i nt h ea b o v e i n d i c a t o r sb e t w e e nt h ev a l i d a-t i o ng r o u pa n d t h e t e s t g r o u p(P0.0 5).C o n c l u s i o n Ad e e p l e a r n i n gm o d e l b a s e do n t h eT1W I o f t h ek n e e j o i n t s i s s u c c e s s f u l-l yc o n s t r u
12、c t e d,a n d i t c a nb eu s e df o ra g ee s t i m a t i o no f a d o l e s c e n t sa g e d1 0-1 8y e a r s.K E YWO R D S K n e e j o i n t;M a g n e t i c r e s o n a n c e i m a g i n g;F o r e n s i cm e d i c i n e;D e e p l e a r n i n g;A g e d e t e r m i n a t i o nb y s k e l e t o n;A d
13、 o l e s c e n t 在 中华人民共和国刑法修正案(十一)中,将我国刑事责任能力相关年龄节点进行了下调,其中有1 2、1 4、1 6、1 8周岁这4个关键年龄节点。因此判定青少年的年龄,对刑事责任和民事行为能力的准确判定和量刑非常关键。如何简单、快速、准确地判定青少年年龄,一直是法医学领域研究的重要课题。MR I因为无电离辐射,成为推断活体年龄的常用检查方法1。人体发育过程中,相较于其他关节(如腕关节),膝关节成熟年龄相对较晚,比较适合作为准确判定青少年年龄的依据。深度学习是一复杂机器学习算法,可以学习样本数据内在规律,在图像识别方面有巨大优势,在人脸识别、性别鉴定等法医学领域,以
14、及肺结节的筛查和评估等疾病诊断学领域,都有比较成熟的应用2-9。本研究拟将深度学习和膝关节MR IT1加权成像(T1W I)结合起来,建立深度学习模型,旨在用以辅助推断青少年的年龄。1 资料和方法1.1 研究资料收 集2 0 1 5年1月2 0 2 1年1 2月 青 岛 大 学 附504精准医学杂志2 0 2 3年1 0月第3 8卷第5期 JP r e c i sM e d,O c t o b e r2 0 2 3,V o l.3 8,N o.5属医院和青岛市市立医院的1 01 8岁15 5 3例男性膝关节MR IT1W I图像。人员纳入标准:胶东半岛地区汉族人群;图像清晰,无伪影,符合临床诊
15、断要求者。排除标准:有影响骨骺发育的疾病或外伤史者;有激素药物使用史者;膝关节部位存在解剖变异者。将全部数据按照来源不同分为内部数据集(青岛大学附属医院12 1 2例)和外部数据集(青岛市市立医院3 4 1例,测试组)。采用随机数字表法将内部数据集各年龄段按照82分为训练组(9 7 1例)和验证组(2 4 1例)。见表1。表1 训练组、验证组、测试组各年龄段样本分布(例)年龄训练组验证组测试组1 0岁4 11 03 51 1岁6 91 74 81 2岁9 12 35 31 3岁1 1 32 83 91 4岁1 0 82 74 51 5岁1 2 93 23 61 6岁1 3 33 32 91 7
16、岁1 4 23 52 91 8岁1 4 53 62 7合计9 7 12 4 13 4 11.2 研究方法1.2.1 图像预处理和标准化 对训练组和验证组的膝关节MR IT1W I图像进行图像预处理和标准化,包括图像重采样、灰度值标准化、图像对齐、噪声去除、形态学处理等,使所有图像的分辨率和对比度均相同。1.2.2 图像的标记和U-N e t分割训练 采用i t k-S NA P软件对训练组每一层膝关节MR IT1W I图像中的兴趣部位(股骨远端骺板和胫骨近端骺板)进行标记,然后利用U-N e t对图像进行分割训练,以达到U-N e t能准确识别兴趣部位的目的。1.2.3 G o o g L e
17、 N e t的分类训练 将训练组的MR IT1W I图像和年龄通过端对端形式从U-N e t输出到G o o g L e N e t,进行分类训练。在训练过程中没有冻结参数,对全部参数进行训练。采用了损失函数交叉熵C r o s s E n t r o p y并利用A d a m优化器进行训练。学习率初始化为0.0 0 1,然后逐渐下降到0.0 0 03。B a t c h值设置为8。随着训练的进行,l o s s曲线逐渐收敛,当训练2 0 0轮左右时,l o s s值达到最小,即模型训练过程结束。1.2.4 模型的验证和测试 分别用验证组和测试组数据对模型进行评价,采用五折交叉验证的方式,计
18、算两组数据的整体准确率、精准率、召回率、灵敏度和特异度。1.3 统计学分析采用S P S S2 6.0软件对数据进行分析,利用方差齐性检验和独立样本t检验对验证组数据和测试组数据进行差异性比较,以P0.0 5为差异无统计学意义。2 结 果验证组和测试组各有1 01 8岁9组样本,对模型进行五折交叉验证以后分别得到4 5组数据,结果显示,验证组的整体准确率为8 5.7 1 3%,精准率为8 4.7 3 2%,召回率为8 5.7 1 3%,特异度为9 7.7 2 9%,灵敏度为8 5.7 1 3%;而测试组的整体准确率则为8 2.5 7 8%,精准率为8 3.1 4 5%,召回率为8 2.5 7
19、8%,特异度为9 7.4 4 2%,灵敏度为8 2.5 7 8%。两组数据的上述指标经方差齐性检验为方差齐(P0.0 5),独立样本t检验结果显示,验证组和测试组的上述指标比较差异均无统计学意义(P0.0 5),具体结果见表2,受试者工作特性曲线(R O C)见图1。表2 测试组和验证组均值、标准差以及方差齐性检验和独立样本t检验结果项目分组样本量均值标准差方差齐性检验FP独立样本t检验tP准确率 测试组4 5 0.8 2 57 8 0.0 9 58 6验证组4 5 0.8 5 71 3 0.0 6 00 1 3.4 80.0 6 5-1.8 60.0 6 6精准率 测试组4 5 0.8 3
20、14 5 0.0 7 46 2验证组4 5 0.8 4 73 2 0.0 6 55 6 1.1 40.2 8 8-1.0 70.2 8 7召回率 测试组4 5 0.8 2 57 8 0.0 9 58 6验证组4 5 0.8 5 71 3 0.0 6 00 1 3.4 80.0 6 5-1.8 60.0 6 6灵敏度 测试组4 5 0.9 7 44 2 0.0 1 31 3验证组4 5 0.9 7 72 9 0.0 1 22 3 0.2 20.6 3 7-1.0 70.2 8 7特异度 测试组4 5 0.8 2 57 8 0.0 9 58 6验证组4 5 0.8 5 71 3 0.0 6 00
21、1 3.4 80.0 6 5-1.8 60.0 6 63 讨 论在法医学中,对青少年年龄推断,主要参考的是干骺端的融合情况。研究显示,沿海地区青少年膝关节和踝关节长骨干骺融合时间顺序为腓骨远端、胫骨远端、腓骨近端、股骨远端、胫骨近端,踝部长骨融合明显早于膝部长骨融合。男性和女性的干骺端融合时间不同,男性要明显晚于女性1 0,故本研究只选取了男性的膝关节MR IT1W I图像作为研究对象。在常规膝关节MR I检查中,会进行3种不同序列的扫描,分别是T1W I、T2W I和P DW I,3种序604精准医学杂志2 0 2 3年1 0月第3 8卷第5期 JP r e c i sM e d,O c t
22、 o b e r2 0 2 3,V o l.3 8,N o.5A、B、C、D、E分别是验证组五折交叉验证的R O C,F、G、H、I、J分别为测试组五折交叉验证的R O C图1 验证组和测试组的R O C列对于不同组织的显示各有特点。彭钊等1 1研究显示,T1W I与年龄的相关性最好,其次为P DW I、T2W I,3种序列与年龄的相关性男性高于女性。因此本研究采用男性膝关节MR IT1W I图像作为研究对象。针对71 2岁的儿童,通常使用格雷里奇和派尔方法或坦纳-怀特豪斯方法以左手/腕关节X线正位片进行年龄推断1 2。然而,随着年龄的增长,要想达到准确地骨龄推断越来越难。国内研究显示膝关节、
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于膝关节MRI T_%281%29WI深度学习模型的构建和活体年龄的推断 基于 膝关节 MRI T_ 281 29 WI 深度 学习 模型 构建 活体 年龄 推断
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。