CT三维重建技术结合深度学习算法推断成人坐骨年龄

doi:10.12116/j.issn.1004-5619.2023.231003

法医学杂志 ›› 2024, Vol. 40 ›› Issue (2): 154-163.DOI: 10.12116/j.issn.1004-5619.2023.231003

• 法医人类学年龄推断专题 • 上一篇下一篇

CT三维重建技术结合深度学习算法推断成人坐骨年龄

张怀瀚¹^,²(), 曹永杰²^,³(), 张吉², 熊剪²^,⁴, 马继伟²^,⁵, 杨孝通¹^,², 黄平²(), 马永刚⁶()

^1.山西医科大学法医学院，山西太原 030001
^2.司法鉴定科学研究院上海市法医学重点实验室司法部司法鉴定重点实验室上海市司法鉴定专业技术服务平台，上海 200063
^3.南京医科大学基础医学院法医学系，江苏南京 211166
^4.贵州医科大学法医学院，贵州贵阳 550004
^5.内蒙古医科大学法医学教研室，内蒙古呼和浩特 010030
^6.西安交通大学医学部附属三二〇一医院医学影像科，陕西汉中 723000

收稿日期:2023-10-30 发布日期:2024-06-07 出版日期:2024-04-25
通讯作者: 黄平,马永刚
作者简介:张怀瀚（1999—），男，硕士研究生，主要从事法医人类学研究；E-mail：victorgo24@163.com
曹永杰（1996—），男，硕士研究生，主要从事法医人类学研究；E-mail：1017824284@qq.com
第一联系人：张怀瀚和曹永杰为共同第一作者
基金资助:
国家重点研发计划资助项目(2022YFC3302002);上海市自然科学基金资助项目(23ZR1464400)

Adults Ischium Age Estimation Based on Deep Learning and 3D CT Reconstruction

Huai-han ZHANG¹^,²(), Yong-jie CAO²^,³(), Ji ZHANG², Jian XIONG²^,⁴, Ji-wei MA²^,⁵, Xiao-tong YANG¹^,², Ping HUANG²(), Yong-gang MA⁶()

^1.School of Forensic Medicine, Shanxi Medical University, Taiyuan 030001, China
^2.Shanghai Key Laboratory of Forensic Medicine, Key Laboratory of Forensic Science, Ministry of Justice, Shanghai Forensic Service Platform, Academy of Forensic Science, Shanghai 200063, China
^3.Department of Forensic Medicine, School of Basic Medical Sciences, Nanjing Medical University, Nanjing 211166, China
^4.School of Forensic Medicine, Guizhou Medical University, Guiyang 550004, China
^5.Department of Forensic Medicine, Inner Mongolia Medical University, Hohhot 010030, China
^6.Medical Imaging Department, 3201 Hospital of Xi’an Jiaotong University Health Science Center, Hanzhong 723000, Shaanxi Province, China

Received:2023-10-30 Online:2024-06-07 Published:2024-04-25
Contact: Ping HUANG, Yong-gang MA

1. 作者贡献声明和利益冲突声明.pdf(119KB)

摘要/Abstract

摘要：

目的探索适用于中国西部汉族人群的CT三维重建图像年龄自动推断深度学习模型，评估其可行性与可靠性。方法收集20.0~80.0岁中国西部汉族人群骨盆CT回顾性影像学数据1 200例（男性600例，女性600例），重建为三维虚拟骨骼模型，区分性别、左右截取坐骨结节特征区域图像建立样本库。使用ResNet34模型，随机抽取不同性别各500例样本作为训练及验证集，剩余样本作为测试集，使用初始学习及迁移学习对区分性别、左右的图像进行训练，以平均绝对误差（mean absolute error，MAE）、均方根误差（root mean square error，RMSE）作为主要指标评价模型。结果不同性别组成中预测结果存在差异，双侧模型预测结果优于左、右单侧模型，迁移模型预测结果优于初始模型。不同性别组成的双侧迁移模型预测结果中，男性MAE为7.74岁、RMSE为9.73岁，女性MAE为6.27岁、RMSE为7.82岁，混合性别MAE为6.64岁，RMSE为8.43岁。结论基于中国西部汉族人群坐骨结节图像应用ResNet34结合迁移学习算法构建的骨龄推断模型可以有效推断成人坐骨骨龄。

关键词: 法医人类学, 年龄推断, 深度学习, 三维重建, 骨盆, 坐骨结节, 迁移学习, 汉族

Abstract:

Objective To develop a deep learning model for automated age estimation based on 3D CT reconstructed images of Han population in western China, and evaluate its feasibility and reliability. Methods The retrospective pelvic CT imaging data of 1 200 samples （600 males and 600 females） aged 20.0 to 80.0 years in western China were collected and reconstructed into 3D virtual bone models. The images of the ischial tuberosity feature region were extracted to create sex-specific and left/right site-specific sample libraries. Using the ResNet34 model, 500 samples of different sexes were randomly selected as training and verification set, the remaining samples were used as testing set. Initialization and transfer learning were used to train images that distinguish sex and left/right site. Mean absolute error （MAE） and root mean square error （RMSE） were used as primary indicators to evaluate the model. Results Prediction results varied between sexes, with bilateral models outperformed left/right unilateral ones, and transfer learning models showed superior performance over initial models. In the prediction results of bilateral transfer learning models, the male MAE was 7.74 years and RMSE was 9.73 years, the female MAE was 6.27 years and RMSE was 7.82 years, and the mixed sexes MAE was 6.64 years and RMSE was 8.43 years. Conclusion The skeletal age estimation model, utilizing ischial tuberosity images of Han population in western China and employing the ResNet34 combined with transfer learning, can effectively estimate adult ischium age.

Key words: forensic anthropology, age estimation, deep learning, three-dimensional reconstruction, pelvis, ischial tuberosity, transfer learning, Han population

中图分类号:

张怀瀚, 曹永杰, 张吉, 熊剪, 马继伟, 杨孝通, 黄平, 马永刚. CT三维重建技术结合深度学习算法推断成人坐骨年龄[J]. 法医学杂志, 2024, 40(2): 154-163.

Huai-han ZHANG, Yong-jie CAO, Ji ZHANG, Jian XIONG, Ji-wei MA, Xiao-tong YANG, Ping HUANG, Yong-gang MA. Adults Ischium Age Estimation Based on Deep Learning and 3D CT Reconstruction[J]. Journal of Forensic Medicine, 2024, 40(2): 154-163.

图/表 7

参考文献 38

1	占梦军，张世杰，陈虎，等. 骨龄自动化评估的研究进展[J].法医学杂志，2020，36（2）：249-255. doi：10.12116/j.issn.1004-5619.2020.02.019 .
	ZHAN M J， ZHANG S J， CHEN H， et al. Research progress on automatic assessment of bone age[J]. Fa-yixue Zazhi，2020，36（2）：249-255.
2	GARVIN H M， PASSALACQUA N V. Current practices by forensic anthropologists in adult skeletal age estimation[J]. J Forensic Sci，2012，57（2）：427-433. doi：10.1111/j.1556-4029.2011.01979.x .
3	GARVIN H M， PASSALACQUA N V， UHL N M， et al. Developments in forensic anthropology： Age-at-death estimation[M]// DIRKMAAT D. A Companion to forensic anthropology， Malden， Massachusetts： Wiley-Blackwell，2012：202-223.
4	MÁRQUEZ-GRANT N. An overview of age estimation in forensic anthropology： Perspectives and practical considerations[J]. Ann Hum Biol，2015，42（4）：308-322. doi：10.3109/03014460.2015.1048288 .
5	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.
6	GUO Y C， WANG Y H， OLZE A， et al. Dental age estimation based on the radiographic visibility of the periodontal ligament in the lower third molars： Application of a new stage classification[J]. Int J Legal Med，2020，134（1）：369-374. doi：10.1007/s00414-019-02178-y .
7	LU T， DIAO Y R， TANG X E， et al. Deep learning enables automatic adult age estimation based on CT reconstruction images of the costal cartilage[J]. Eur Radiol，2023，33（11）：7519-7529. doi：10.1007/s00330-023-09761-3 .
8	熊剪，曹永杰，马永刚，等. 基于机器学习和CT三维重建技术的成人耻骨联合年龄推断[J].复旦学报（医学版），2023，50（5）：731-742. doi：10.3969/j.issn.1672-8467.2023.05.012 .
	XIONG J， CAO Y J， MA Y G， et al. A method based on CT three-dimensional reconstruction and machine learning for age estimation of pubic symphysis in adults[J]. Fudan Xuebao （Medical sciences），2023，50（5）：731-742.
9	LISTI G A. The use of entheseal changes in the femur and os coxa for age assessment[J]. J Forensic Sci，2016，61（1）：12-18. doi：10.1111/1556-4029.12905 .
10	ZHANG K， DONG X A， CHEN X G， et al. The ossification of the ischial tuberosity for forensic age diagnostics in conventional radiography[J]. Aust J Forensic Sci，2014，46（4）：455-462. doi：10.1080/00450618.2014.891652 .
11	SCHEUER L. Application of osteology to forensic medicine[J]. Clin Anat，2002，15（4）：297-312. doi：10 .
	1002/ca.10028.
12	STEYN M， BECKER P J， L’ABBÉ E N， et al. An assessment of the repeatability of pubic and ischial measurements[J]. Forensic Sci Int，2012，214（1/2/3）：210.e1-210.e4. doi：10.1016/j.forsciint.2011.07.049 .
13	RISSECH C， GARCÍA M， MALGOSA A. Sex and age diagnosis by ischium morphometric analysis[J]. Forensic Sci Int，2003，135（3）：188-196. doi：10.1016/s0379-0738（03）00215-9 .
14	TORIMITSU S， MAKINO Y， SAITOH H， et al. Stature estimation in Japanese cadavers based on pelvic measurements in three-dimensional multidetector computed tomographic images[J]. Int J Legal Med，2015，129（3）：633-639. doi：10.1007/s00414-014-1000-6 .
15	IMAIZUMI K， USUI S， TANIGUCHI K， et al. Development of an age estimation method for bones based on machine learning using post-mortem computed tomography images of bones[J]. Forensic Imag，2021，26：200477. doi：10.1016/j.fri.2021.200477 .
16	马永刚，曹永杰，赵益花，等. 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）：129-136，143. doi：10.12116/j.issn.1004-5619.2022.220505 .
	MA Y G， CAO Y J， ZHAO Y H， et al. Sex estimation of medial aspect of the ischiopubic ramus in adults based on deep learning[J]. Fayixue Zazhi，2023，39（2）：129-136，143.
17	XIONG J， MA Y， CAO Y， et al. Age estimation by modified Suchey-Brooks method using three-dimensional reconstructed CT images of Chinese Han population[J]. Leg Med （Tokyo），2023，65：102304. doi：10.1016/j.legalmed.2023.102304 .
18	杨孝通，孙丞辉，马永刚，等. 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. doi：10.12116/j.issn.1004-5619.2022.220101 .
	YANG X T， SUN C H， MA Y G， et al. Sex estimation of Han adults in western China based on three-dimensional cranial CT reconstruction[J]. Fayi-xue Zazhi，2023，39（1）：27-33.
19	CAO Y， MA Y， VIEIRA D N， et al. A potential method for sex estimation of human skeletons using deep learning and three-dimensional surface scanning[J]. Int J Legal Med，2021，135（6）：2409-2421. doi：10.1007/s00414-021-02675-z .
20	LECUN Y， BENGIO Y， HINTON G. Deep lear-ning[J]. Nature，2015，521（7553）：436-444. doi：10.1038/nature14539 .
21	HE K， ZHANG X， REN S， et al. Deep residual learning for image recognition[C]// 2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）， Nevada， USA： Las Vegas，2016：27-30.
22	PAN S J， YANG Q. A survey on transfer learning[J]. IEEE Trans Knowl Data Eng，2010，22（10）：1345-1359. doi：10.1109/TKDE.2009.191 .
23	RODRIGUEZ J D， PEREZ A， LOZANO J A. Sensitivity analysis of k-fold cross validation in prediction error estimation[J]. IEEE Trans Pattern Anal Mach Intell，2010，32（3）：569-575. doi：10.1109/TPAMI.2009.187 .
24	CALCE S E， ROGERS T L. Evaluation of age estimation technique： Testing traits of the acetabulum to estimate age at death in adult males[J]. J Forensic Sci，2011，56（2）：302-311. doi：10.1111/j.1556-4029. 2011.01700.x .
25	KOLESOVA O， KOLESOVS A， VETRA J. Age-related trends of lesser pelvic architecture in females and males： A computed tomography pelvime-try study[J]. Anat Cell Biol，2017，50（4）：265-274. doi：10.5115/acb.2017.50.4.265 .
26	MALLARD A M， SAVELL K R R， AUERBACH B M. Morphological integration of the human pelvis with respect to age and sex[J]. Anat Rec （Hoboken），2017，300（4）：666-674. doi：10.1002/ar.23547 .
27	KONDOU H， MOROHASHI R， ICHIOKA H， et al. Deep neural networks-based age estimation of cadavers using CT imaging of vertebrae[J]. Int J Environ Res Public Health，2023，20（6）：4806. doi：10.3390/ijerph20064806 .
28	SAN-MILLÁN M， RISSECH C， TURBÓN D. New approach to age estimation of male and female adult skeletons based on the morphological characteristics of the acetabulum[J]. Int J Legal Med，2017，131（2）：501-525. doi：10.1007/s00414-016-1406-4 .
29	MAYS S. The effect of factors other than age upon skeletal age indicators in the adult[J]. Ann Hum Biol，2015，42（4）：332-341. doi：10.3109/03014460.2015.1044470 .
30	MERRITT C E. The influence of body size on adult skeletal age estimation methods[J]. Am J Phys Anthropol，2015，156（1）：35-57. doi：10.1002/ajpa.22626 .
31	LI Y， HUANG Z， DONG X， et al. Forensic age estimation for pelvic X-ray images using deep learning[J]. Eur Radiol，2019，29（5）：2322-2329. doi：10.1007/s00330-018-5791-6 .
32	SHIN H C， ROTH H R， GAO M C， et al. Deep convolutional neural networks for computer-aided detection： CNN architectures， dataset characteristics and transfer learning[J]. IEEE Trans Med Imaging，2016，35（5）：1285-1298. doi：10.1109/TMI.2016.2528162 .
33	TAJBAKHSH N， SHIN J Y， GURUDU S R， et al. Convolutional neural networks for medical image analysis： Full training or fine tuning?[J]. IEEE Trans Med Imaging，2016，35（5）：1299-1312. doi：10.1109/TMI.2016.2535302 .
34	NAGATA T， TANIGUCHI K， OGAWA Y， et al. Age estimation from human skeleton by machine learning[C]// 2020 21st International Conference on Research and Education in Mechatronics （REM）. Cracow， Poland，2020：1-4. doi：10.1109/REM49740.2020.9313896 .
35	田雪梅，张继宗，闵建雄，等. 青少年骨关节X线片的骨龄研究[J].刑事技术，2001（2）：6-11.
	TIAN X M， ZHANG J Z， MIN J X， et al. Legal age estimation of northern Chinese by skeletal maturity[J]. Xingshi Jishu，2001（2）：6-11.
36	朱广友，王亚辉，万雷. 中国青少年骨龄鉴定标准图谱法[M].上海：上海科学技术文献出版社，2016：61-81.
	ZHU G Y， WANG Y H， WAN L. Determination of skeleton age for Chinese teenagers by standard radiographic atlas[M]. Shanghai： Shanghai Scientific and Technological Literature Press，2016：61-81.
37	LOVEJOY C O， MEINDL R S， PRYZBECK T R， et al. Chronological metamorphosis of the auricular surface of the ilium： A new method for the determination of adult skeletal age at death[J]. Am J Phys Anthropol，1985，68（1）：15-28. doi：10.1002/ajpa.1330680103 .
38	MILES A E W， BULMAN J S. Growth curves of immature bones from a Scottish island population of sixteenth to mid-nineteenth century： Shoulder girdle， ilium， pubis and ischium[J]. Int J Osteoarchaeol，1995，5（1）：15-27. doi：10.1002/oa.1390050103 .

模型	性别	部位	MAE/岁	RMSE/岁	MBE/岁	AE<5%	AE<10%
初始模型	男性	左侧	7.76/9.13	10.12/11.27	-0.16/-1.52	40.00%/36.00%	71.00%/56.00%
		右侧	7.88/9.18	10.53/11.62	-1.26/-3.25	43.60%/37.00%	71.80%/57.00%
		双侧	7.58/8.59	9.90/10.90	-0.62/-2.02	44.00%/40.00%	72.30%/63.50%
	女性	左侧	7.24/7.49	9.22/9.24	-0.12/0.97	45.00%/41.00%	73.80%/70.00%
		右侧	7.60/7.71	9.58/9.47	-0.99/-1.92	42.80%/39.00%	73.80%/69.00%
		双侧	6.84/7.40	8.70/9.02	-1.07/-1.55	46.60%/37.50%	74.60%/71.50%
	混合性别	左侧	7.48/8.17	9.58/10.11	-0.92/-1.58	43.90%/35.50%	72.20%/66.50%
		右侧	7.59/7.75	9.56/9.77	-0.39/-1.55	40.90%/40.50%	72.00%/70.00%
		双侧	7.17/7.67	9.21/9.69	-0.82/-1.61	45.30%/42.00%	73.70%/69.50%
迁移模型	男性	左侧	6.72/8.28	8.85/10.41	-0.50/-1.99	49.40%/42.00%	79.20%/60.00%
		右侧	6.91/7.80	8.99/9.86	-1.11/-2.28	46.80%/40.00%	75.40%/71.00%
		双侧	6.26/7.74	8.14/9.73	-0.42/-1.74	51.10%/39.00%	78.80%/67.00%
	女性	左侧	5.99/6.62	7.72/7.94	-0.63/0.21	51.40%/42.00%	82.00%/78.00%
		右侧	5.92/6.37	7.51/8.21	0.29/0.02	50.20%/50.00%	81.60%/77.00%
		双侧	5.60/6.27	7.19/7.82	-0.26/-0.11	55.00%/45.50%	83.50%/81.00%
	混合性别	左侧	6.19/7.26	8.05/9.05	-0.68/-1.13	51.60%/40.50%	80.50%/74.00%
		右侧	6.18/6.74	8.03/8.72	-0.41/-0.91	51.00%/47.50%	79.40%/76.00%
		双侧	6.04/6.64	7.85/8.43	-0.67/-1.09	53.10%/46.00%	80.90%/77.75%

模型	性别	部位	MAE/岁	RMSE/岁	MBE/岁	AE<5%	AE<10%
初始模型	男性	左侧	7.76/9.13	10.12/11.27	-0.16/-1.52	40.00%/36.00%	71.00%/56.00%
		右侧	7.88/9.18	10.53/11.62	-1.26/-3.25	43.60%/37.00%	71.80%/57.00%
		双侧	7.58/8.59	9.90/10.90	-0.62/-2.02	44.00%/40.00%	72.30%/63.50%
	女性	左侧	7.24/7.49	9.22/9.24	-0.12/0.97	45.00%/41.00%	73.80%/70.00%
		右侧	7.60/7.71	9.58/9.47	-0.99/-1.92	42.80%/39.00%	73.80%/69.00%
		双侧	6.84/7.40	8.70/9.02	-1.07/-1.55	46.60%/37.50%	74.60%/71.50%
	混合性别	左侧	7.48/8.17	9.58/10.11	-0.92/-1.58	43.90%/35.50%	72.20%/66.50%
		右侧	7.59/7.75	9.56/9.77	-0.39/-1.55	40.90%/40.50%	72.00%/70.00%
		双侧	7.17/7.67	9.21/9.69	-0.82/-1.61	45.30%/42.00%	73.70%/69.50%
迁移模型	男性	左侧	6.72/8.28	8.85/10.41	-0.50/-1.99	49.40%/42.00%	79.20%/60.00%
		右侧	6.91/7.80	8.99/9.86	-1.11/-2.28	46.80%/40.00%	75.40%/71.00%
		双侧	6.26/7.74	8.14/9.73	-0.42/-1.74	51.10%/39.00%	78.80%/67.00%
	女性	左侧	5.99/6.62	7.72/7.94	-0.63/0.21	51.40%/42.00%	82.00%/78.00%
		右侧	5.92/6.37	7.51/8.21	0.29/0.02	50.20%/50.00%	81.60%/77.00%
		双侧	5.60/6.27	7.19/7.82	-0.26/-0.11	55.00%/45.50%	83.50%/81.00%
	混合性别	左侧	6.19/7.26	8.05/9.05	-0.68/-1.13	51.60%/40.50%	80.50%/74.00%
		右侧	6.18/6.74	8.03/8.72	-0.41/-0.91	51.00%/47.50%	79.40%/76.00%
		双侧	6.04/6.64	7.85/8.43	-0.67/-1.09	53.10%/46.00%	80.90%/77.75%

年龄段/岁	男性	女性	混合性别
20.0~<30.0	6.41/6.01	4.79/4.69	4.59/4.36
30.0~<40.0	5.64/1.97	4.08/2.54	4.85/2.09
40.0~<50.0	6.29/1.60	5.51/2.80	6.04/2.09
50.0~<60.0	7.41/0.26	4.94/0.93	5.95/0.42
60.0~<70.0	8.34/-7.81	8.52/-5.97	8.56/-6.88
70.0~80.0	11.97/-11.28	9.96/-5.69	9.67/-8.89

年龄段/岁	男性	女性	混合性别
20.0~<30.0	6.41/6.01	4.79/4.69	4.59/4.36
30.0~<40.0	5.64/1.97	4.08/2.54	4.85/2.09
40.0~<50.0	6.29/1.60	5.51/2.80	6.04/2.09
50.0~<60.0	7.41/0.26	4.94/0.93	5.95/0.42
60.0~<70.0	8.34/-7.81	8.52/-5.97	8.56/-6.88
70.0~80.0	11.97/-11.28	9.96/-5.69	9.67/-8.89

[1]	吕途, 舒永康, 田雪梅. 骨龄重新鉴定2例[J]. 法医学杂志, 2024, 40(2): 168-171.
[2]	韩佳璇, 沈诗慧, 吴怡文, 孙晓丹, 陈天南, 陶疆. 基于CBCT中牙髓和牙体体积的机器学习用于青少年儿童年龄推断[J]. 法医学杂志, 2024, 40(2): 143-148.
[3]	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.
[4]	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.
[5]	郭瑜鑫, 卜雯卿, 唐羽, 吴迪, 杨徽, 孟昊天, 郭昱成. Demirjian法结合机器学习算法推断北方汉族儿童及青少年牙龄[J]. 法医学杂志, 2024, 40(2): 135-142.
[6]	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.
[7]	周慧明, 李丹阳, 王亚辉. 同年龄段两性青少年骨骺发育差异性比较2例[J]. 法医学杂志, 2024, 40(2): 164-167.
[8]	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.
[9]	霍德民, 马开军, 徐敬兰, 宋旭, 毛晓燕, 刘夏, 赵开放, 张剑, 杜猛. 基于第三磨牙根管可见度判断华东地区个体是否年满18周岁[J]. 法医学杂志, 2024, 40(2): 149-153.
[10]	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.
[11]	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.
[12]	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.
[13]	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.
[14]	张美香, 张晓彤. 面部盲管创的损伤程度鉴定1例[J]. 法医学杂志, 2023, 39(2): 224-226.
[15]	孙雪阳, 施群, 朱运良, 董贺文, 杨明真, 田志岭, 万雷, 邹冬华, 刘宁国. Dandy-Walker综合征女婴受虐致头部损伤后死亡1例[J]. 法医学杂志, 2023, 39(2): 200-202.

CT三维重建技术结合深度学习算法推断成人坐骨年龄

Adults Ischium Age Estimation Based on Deep Learning and 3D CT Reconstruction

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 38

相关文章 15

编辑推荐

Metrics

年龄段/岁	男性		女性		合计
年龄段/岁	训练及验证集	测试集	训练及验证集	测试集	合计
合计	500	100	500	100	1 200
20.0~<30.0	62	10	58	17	147
30.0~<40.0	88	14	78	11	191
40.0~<50.0	106	23	97	21	247
50.0~<60.0	91	22	108	18	239
60.0~<70.0	88	13	76	23	200
70.0~80.0	65	18	83	10	176