基于机器学习和颅缝CT-MPR技术的北方成人年龄推断

doi:10.12116/j.issn.1004-5619.2023.231209

法医学杂志 ›› 2024, Vol. 40 ›› Issue (2): 128-134.DOI: 10.12116/j.issn.1004-5619.2023.231209

• 法医人类学年龄推断专题 • 上一篇

基于机器学习和颅缝CT-MPR技术的北方成人年龄推断

魏璇¹(), 陈雨珊¹, 丁杰², 宋长兴², 王俊静², 彭钊³, 邓振华¹, 伊旭²(), 范飞¹()

^1.四川大学华西基础医学与法医学院，四川成都 610041
^2.秦皇岛市北戴河医院影像科，河北秦皇岛 066100
^3.四川大学华西医院放射科，四川成都 610041

收稿日期:2023-12-26 发布日期:2024-06-07 出版日期:2024-04-25
通讯作者: 伊旭,范飞
作者简介:魏璇（2002—），女，主要从事法医临床学和法医影像学研究；E-mail：weixuanmara@163.com
基金资助:
国家自然科学基金面上项目(81971801);上海市法医学重点实验室暨司法部司法鉴定重点实验室开放课题资助项目(KF202209);上海市现场物证重点实验室开放课题资助项目(2020XCWZK04)

Age Estimation by Machine Learning and CT-Multiplanar Reformation of Cranial Sutures in Northern Chinese Han Adults

Xuan WEI¹(), Yu-shan CHEN¹, Jie DING², Chang-xing SONG², Jun-jing WANG², Zhao PENG³, Zhen-hua DENG¹, Xu YI²(), Fei FAN¹()

^1.West China School of Basic Medical Sciences & Forensic Medicine, Sichuan University, Chengdu 610041, China
^2.Department of Radiology, Beidaihe Hospital of Qinhuangdao, Qinhuangdao 066100, Hebei Province, China
^3.Department of Radiology, West China Hospital, Sichuan University, Chengdu 610041, China

Received:2023-12-26 Online:2024-06-07 Published:2024-04-25
Contact: Xu YI, Fei FAN

1. 作者贡献声明和利益冲突声明.pdf(123KB)

摘要/Abstract

摘要：

目的运用CT和多平面重组（multiplanar reformation，MPR）技术获取颅缝断层图像，建立中国北方汉族成人年龄推断模型，探讨颅缝闭合规律在中国北方汉族人群年龄推断中的适用性。方法回顾性收集29~80岁健康北方汉族成人头部CT样本132例。对颅骨进行容积重组（volume reconstruction，VR）和MPR，每例样本生成160张颅缝断层图像。根据颅缝闭合分级标准对颅缝MPR图像进行评分，分别计算矢状缝、左右侧冠状缝和左右侧人字缝的平均闭合等级。以上述等级为自变量，建立北方汉族成人年龄推断的线性回归模型和梯度提升回归、支持向量回归、决策树回归和贝叶斯岭回归4种机器学习模型，并评估各模型推断年龄的准确性。结果各颅缝闭合等级均与年龄呈正相关，其中矢状缝相关性最高。4种机器学习模型年龄推断的准确性均高于线性回归模型，其中支持向量回归模型的准确性最高，平均绝对误差为9.542岁。结论机器学习模型和颅骨CT-MPR技术可联合用于中国北方汉族成人的年龄推断，但在法医学实践中仍需与其他成人年龄推断指标联合使用。

关键词: 法医人类学, 年龄推断, 机器学习, 颅缝, 计算机体层成像, 多平面重组, 汉族

Abstract:

Objective To establish age estimation models of northern Chinese Han adults using cranial suture images obtained by CT and multiplanar reformation （MPR）, and to explore the applicability of cranial suture closure rule in age estimation of northern Chinese Han population. Methods The head CT samples of 132 northern Chinese Han adults aged 29-80 years were retrospectively collected. Volume reconstruction （VR） and MPR were performed on the skull, and 160 cranial suture tomography images were generated for each sample. Then the MPR images of cranial sutures were scored according to the closure grading criteria, and the mean closure grades of sagittal suture, coronal sutures （both left and right） and lambdoid sutures （both left and right） were calculated respectively. Finally taking the above grades as independent variables, the linear regression model and four machine learning models for age estimation （gradient boosting regression, support vector regression, decision tree regression and Bayesian ridge regression） were established for northern Chinese Han adults age estimation. The accuracy of each model was evaluated. Results Each cranial suture closure grade was positively correlated with age and the correlation of sagittal suture was the highest. All four machine learning models had higher age estimation accuracy than linear regression model. The support vector regression model had the highest accuracy among the machine learning models with a mean absolute error of 9.542 years. Conclusion The combination of skull CT-MPR and machine learning model can be used for age estimation in northern Chinese Han adults, but it is still necessary to combine with other adult age estimation indicators in forensic practice.

Key words: forensic anthropology, age estimation, machine learning, cranial suture, computed tomography, multiplanar reformation, Han population

中图分类号:

魏璇, 陈雨珊, 丁杰, 宋长兴, 王俊静, 彭钊, 邓振华, 伊旭, 范飞. 基于机器学习和颅缝CT-MPR技术的北方成人年龄推断[J]. 法医学杂志, 2024, 40(2): 128-134.

Xuan WEI, Yu-shan CHEN, Jie DING, Chang-xing SONG, Jun-jing WANG, Zhao PENG, Zhen-hua DENG, Xu YI, Fei FAN. Age Estimation by Machine Learning and CT-Multiplanar Reformation of Cranial Sutures in Northern Chinese Han Adults[J]. Journal of Forensic Medicine, 2024, 40(2): 128-134.

图/表 7

表1 132例样本的年龄与性别分布 (例)

Tab. 1 Age and sex distribution of 132 samples

实际年龄/岁	男性	女性	合计
合计	57	75	132
29.00~<40.00	9	11	20
40.00~<50.00	12	16	28
50.00~<60.00	12	16	28
60.00~<70.00	13	21	34
70.00~80.00	11	11	22

图1 颅缝CT图像的预处理流程图（以矢状缝为例）

Fig. 1 Preprocessing flow diagram of cranial sutureCT images （take the sagittal suture as an example）

表2 颅缝闭合等级示意图

Tab. 2 Schematic diagram of cranial suture closure grades

分级	描述	示意图	图像（以矢状缝为例）
等级1	颅缝未闭合
等级2	颅内缝开始闭合
等级3	颅内缝完全闭合
等级4	颅缝小部分闭合（<50%）
等级5	颅缝大部分闭合（>50%）
等级6	颅缝完全闭合，可见残留闭合线
等级7	颅缝完全闭合，闭合线消失

表3 4种机器学习模型的参数

Tab. 3 Parameters of 4 machine learning models

模型	参数
梯度提升回归	n_estimators=20，min_samples_split=100，max_depth=1，subsample=1
支持向量回归	kernel=rbf，C=10，gamma=0.01
决策树回归	max_depth=1，min_samples_leaf=1，min_samples_split=2
贝叶斯岭回归	max_iter=1，tol=0.0001

表4 各颅缝闭合等级的分布情况

Tab. 4 Distribution of closure grade of each cranial suture

颅缝	等级/（n=132， $x ¯$ ±s）	等级≥6		ρ值^1）
颅缝	等级/（n=132， $x ¯$ ±s）	最小年龄/岁	例数	ρ值^1）
矢状缝	4.40±1.49	45	17	0.501
左侧人字缝	3.50±1.37^2）	-	0	0.360
右侧人字缝	3.47±1.46^2）	59	1	0.398
左侧冠状缝	3.93±1.30^2）3）4）	56	4	0.463
右侧冠状缝	3.79±1.33^{2）3）4）5）}	62	1	0.463

表4 各颅缝闭合等级的分布情况

Tab. 4 Distribution of closure grade of each cranial suture

颅缝	等级/（n=132， $x ¯$ ±s）	等级≥6		ρ值^1）
颅缝	等级/（n=132， $x ¯$ ±s）	最小年龄/岁	例数	ρ值^1）
矢状缝	4.40±1.49	45	17	0.501
左侧人字缝	3.50±1.37^2）	-	0	0.360
右侧人字缝	3.47±1.46^2）	59	1	0.398
左侧冠状缝	3.93±1.30^2）3）4）	56	4	0.463
右侧冠状缝	3.79±1.33^{2）3）4）5）}	62	1	0.463

表5 各颅缝年龄推断模型在测试集中的准确性

Tab. 5 Accuracy of each cranial suture age estimation models in the test set

编号	模型	r	ME/岁	MAE/岁	RMSE/岁	AE<10%^1）
1	线性回归（y=4.571 x₁-1.906 x₂-0.112 x₃+0.575 x₄+2.343 x₅+32.247）	0.530	3.668	10.164	12.605	62.96%（17/27）
2	梯度提升回归	0.592	3.346	9.843	12.259	62.96%（17/27）
3	支持向量回归	0.622	3.075	9.542	11.915	66.67%（18/27）
4	决策树回归	0.546	3.737	9.648	12.450	62.96%（17/27）
5	贝叶斯岭回归	0.568	3.427	9.877	12.366	55.56%（15/27）
6	线性回归（y=2.765 x₁+1.996 x₂+4.033 x₄+13.235）^2）	0.580	-3.845	10.211	12.157	59.26%（16/27）
7	线性回归（y=11.02 x₆+17.19）^3）	0.598	0.072	11.104	13.949	55.56%（15/27）

图2 模型预测年龄与实际年龄的Bland-Altman图A：本研究建立的SVR模型；B：本研究建立的线性回归模型；C：裘诗文等[13]建立的线性回归模型；D：HARTH等[7]建立的线性回归模型。横坐标为预测年龄和实际年龄的平均值，纵坐标为预测年龄与实际年龄的差值（预测年龄-实际年龄）。

Fig. 2 Bland-Altman graphs of the predicted age and actual age of the model

参考文献 24

1	TODD T W， LYON JR D W. Endocranial suture closure. Its progress and age relationship. Part Ⅰ. — Adult males of white stock[J]. Am J Phys Anthropol，1924，7（3）：325-384. doi：10.1002/ajpa.1330070320 .
2	TODD T W， LYON JR D W. Cranial suture closure. Its progress and age relationship. Part Ⅱ. — Ectocranial closure in adult males of white stock[J]. Am J Phys Anthropol，1925，8（1）：23-45. doi：10.1002/ajpa.1330080103 .
3	MEINDL R S， LOVEJOY C O. Ectocranial suture closure： A revised method for the determination of skeletal age at death based on the lateral-anterior sutures[J]. Am J Phys Anthropol，1985，68（1）：57-66. doi：10.1002/ajpa.1330680106 .
4	范飞，占梦军，戴鑫华，等. 影像学方法推断成人年龄研究进展[J].法医学杂志，2020，36（5）：605-613. doi：10.12116/j.issn.1004-5619.2020.05.002 .
	FAN F， ZHAN M J， DAI X H， et al. Research progress of adult age determination with imaging methods[J]. Fayixue Zazhi，2020，36（5）：605-613.
5	OBERT M， SCHULTE-GEERS C， SCHILLING R L， et al. High-resolution flat-panel volumetric CT images show no correlation between human age and sagittal suture obliteration — Independent of sex[J]. Forensic Sci Int，2010，200（1/2/3）：180.e1-180.e12. doi：10.1016/j.forsciint.2010.04.006 .
6	NIKOLOVA S， TONEVA D， GEORGIEV I， et al. Sagittal suture maturation： Morphological reorganization， relation to aging， and reliability as an age-at-death indicator[J]. Am J Phys Anthropol，2019，169（1）：78-92. doi：10.1002/ajpa.23810 .
7	HARTH S， OBERT M， RAMSTHALER F， et al. Estimating age by assessing the ossification degree of cranial sutures with the aid of flat-panel-CT[J]. Leg Med （Tokyo），2009，11（S1）：186-189. doi：10 .
	1016/j.legalmed.2009.01.091.
8	BOYD K L， VILLA C， LYNNERUP N. The use of CT scans in estimating age at death by examining the extent of ectocranial suture closure[J]. J Forensic Sci，2015，60（2）：363-369. doi：10.1111/1556-4029.12683 .
9	BARSZCZ M， WOŹNIAK K. Complete sagittal suture closure evaluation based on post mortem computed tomography[J]. Leg Med （Tokyo），2021，52：101907. doi：10.1016/j.legalmed.2021.101907 .
10	莫世泰，张文光，雷绍伯，等. 中国人颅骨缝的变化与年龄关系[J].人类学学报，1989，8（2）：131-138.
	MO S T， ZHANG W G， LEI S B， et al. The relation between the age and changes in Chinese skull suture[J]. Renleixue Xuebao，1989，8（2）：131-138.
11	FAN F， TU M， LI R， et al. Age estimation by multidetector computed tomography of cranial sutures in Chinese male adults[J]. Am J Phys Anthropol，2020，171（3）：550-558. doi：10.1002/ajpa.23998 .
12	CHIBA F， MAKINO Y， MOTOMURA A， et al. Age estimation by multidetector CT images of the sagittal suture[J]. Int J Legal Med，2013，127（5）：1005-1011. doi：10.1007/s00414-013-0883-y .
13	裘诗文，涂梦，范飞，等. 应用颅缝薄层CT扫描推断汉族成人年龄[J].法医学杂志，2020，36（4）：507-513. doi：10.12116/j.issn.1004-5619.2020.04.015 .
	QIU S W， TU M， FAN F， et al. Age estimation in Han adults by thin-layer CT scan of cranial sutures[J]. Fayixue Zazhi，2020，36（4）：507-513.
14	印国樑. 颅内外骨缝推断年龄的探讨[J].中国法医学杂志，1987，2（4）：214-216. doi：10.13618/j.issn.1001-5728.1987.04.008 .
	YIN G L. A study of the ectocranial and endocranial suture closure for the age estimation[J]. Zhongguo Fayixue Zazhi，1987，2（4）：214-216.
15	LI J， CHEN Z， ZHONG W， et al. A study of 285 cases of cranial vault suture closure in Chinese adults[J]. Surg Radiol Anat，2022，44（3）：361-368. doi：10.1007/s00276-021-02854-y .
16	RUENGDIT S， PRASITWATTANASEREE S， ME-KJAIDEE K， et al. Age estimation approaches using cranial suture closure： A validation study on a Thai population[J]. J Forensic Leg Med，2018，53：79-86. doi：10.1016/j.jflm.2017.11.009 .
17	FAN F， DONG X， WU X， et al. An evaluation of statistical models for age estimation and the assessment of the 18-year threshold using conventional pelvic radiographs[J]. Forensic Sci Int，2020，314：110350. doi：10.1016/j.forsciint.2020.110350 .
18	XU C， QU H， WANG G， et al. A novel strategy for forensic age prediction by DNA methylation and support vector regression model[J]. Sci Rep，2015，5：17788. doi：10.1038/srep17788 .
19	VELEMÍNSKÁ J， PILNÝ A， CEPEK M， et al. Dental age estimation and different predictive ability of various tooth types in the Czech population： Data mining methods[J]. Anthropol Anz，2013，70（3）：331-345. doi：10.1127/0003-5548/2013/0311 .
20	ŠTEPANOVSKÝ M， IBROVÁ A， BUK Z， et al. Novel age estimation model based on development of permanent teeth compared with classical approach and other modern data mining methods[J]. Forensic Sci Int，2017，279：72-82. doi：10.1016/j.forsciint.2017.08.005 .
21	MEINL A， HUBER C D， TANGL S， et al. Comparison of the validity of three dental methods for the estimation of age at death[J]. Forensic Sci Int，2008，178（2/3）：96-105. doi：10.1016/j.forsciint.2008.02.008 .
22	LIVERSIDGE H M， SMITH B H， MABER M. Bias and accuracy of age estimation using developing teeth in 946 children[J]. Am J Phys Anthropol，2010，143（4）：545-554. doi：10.1002/ajpa.21349 .
23	AYKROYD R G， LUCY D， POLLARD A M， et al. Technical note： Regression analysis in adult age estimation[J]. Am J Phys Anthropol，1997，104（2）：259-265. doi：10.1002/（SICI）1096-8644（199710）104：2<259：：AID-AJPA11>3.0.CO；2-Z .
24	TANGMOSE S， THEVISSEN P， LYNNERUP N， et al. Age estimation in the living： Transition analysis on developing third molars[J]. Forensic Sci Int，2015，257：512.e1-512.e7. doi：10.1016/j.forsciint.2015.07.049 .

[1]	施蕾, 薛冶, 邱丽蓉, 鲁婷, 范飞, 周宇驰, 邓振华. 基于磁共振成像技术的牙龄推断研究进展[J]. 法医学杂志, 2024, 40(2): 112-117.
[2]	王亚辉, 陈腾. 法医学活体年龄推断研究前沿与挑战[J]. 法医学杂志, 2024, 40(2): 109-111.
[3]	李丹阳, 潘宇, 周慧明, 万雷, 李成涛, 汪茂文, 王亚辉. 医学统计和机器学习方法在活体年龄推断中的应用[J]. 法医学杂志, 2024, 40(2): 118-127.
[4]	赵欣, 陈志明, 刘文蕴, 王博, 李泓漾, 杨丽垚, 滕岩, 王利君, 高艳斌, 陈为龙, 张磊. 尸体靶向心脏冠状动脉造影在诊断冠心病猝死中的应用[J]. 法医学杂志, 2023, 39(6): 542-548.
[5]	黄逸航, 梁伟波, 蹇慧, 屈胜秋. 基于DNA甲基化推断年龄的建模方法与影响因素[J]. 法医学杂志, 2023, 39(6): 601-607.
[6]	马星宇, 程浩, 张忠铎, 李烨铭, 赵东. 代谢组学技术结合机器学习算法在损伤时间推断中的研究进展[J]. 法医学杂志, 2023, 39(6): 596-600.
[7]	郭科建, 黄磊, 李士林, 殷才湧, 汤真. 山东汉族人群37个Y-STR基因座多态性与突变调查[J]. 法医学杂志, 2023, 39(5): 501-506.
[8]	王紫薇, 李成涛, 刘希玲. DNA甲基化年龄推断模型在华东汉族人群中的跨平台应用[J]. 法医学杂志, 2023, 39(5): 441-446.
[9]	向青青, 陈立方, 苏秦, 杜宇坤, 梁沛妍, 康晓东, 石河, 徐曲毅, 赵建, 刘超, 陈晓晖. 微生物群落演替在死亡时间推断中的研究进展[J]. 法医学杂志, 2023, 39(4): 399-405.
[10]	曹宇奇, 施妍, 向平, 郭寅龙. 机器学习辅助非靶向筛查策略用于芬太尼类物质识别鉴定的研究进展[J]. 法医学杂志, 2023, 39(4): 406-416.
[11]	马永刚, 曹永杰, 赵益花, 周新军, 黄斌, 张高潮, 黄平, 王亚辉, 马开军, 陈峰, 张东川, 张吉. 基于深度学习实现成人坐骨耻骨支内侧缘的性别推断[J]. 法医学杂志, 2023, 39(2): 129-136.
[12]	郝虹霞, 王亚辉, 周智露, 刘太昂, 陈瑾, 何宇亨, 万雷, 夏文涛. 膝关节MRI活体年龄推断研究进展[J]. 法医学杂志, 2023, 39(1): 66-71.
[13]	王紫薇, 徐倩南, 李成涛, 刘希玲. DNA甲基化年龄推断及其在法医学中的应用展望[J]. 法医学杂志, 2023, 39(1): 72-82.
[14]	杨孝通, 孙丞辉, 马永刚, 曹永杰, 熊剪, 张吉, 黄平. 基于CT三维重建技术推断西部地区汉族成人颅骨性别[J]. 法医学杂志, 2023, 39(1): 27-33.
[15]	罗结珊, 黄颖, 邝文健, 许传超. 粤西茂名地区汉族人群20个STR基因座遗传多态性[J]. 法医学杂志, 2022, 38(5): 657-661.

基于机器学习和颅缝CT-MPR技术的北方成人年龄推断

Age Estimation by Machine Learning and CT-Multiplanar Reformation of Cranial Sutures in Northern Chinese Han Adults

RichHTML

PDF (PC)

补充材料

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 24

相关文章 15

编辑推荐

Metrics