《Forensic Imaging》：Sex prediction from direct pelvic radiographs using EfficientNet deep learning model
编辑推荐：
作者：Yusuf Secgin、Seyma Toy、Muhammet ?akmak、Zulal Oner、Rukiye Ciftci、Serkan Oner
土耳其卡拉布克大学医学院解剖学系
摘要
研究目的
EfficientNet 是一种先进的深度学习（DL）架构，也是法医
作者：Yusuf Secgin、Seyma Toy、Muhammet ?akmak、Zulal Oner、Rukiye Ciftci、Serkan Oner
土耳其卡拉布克大学医学院解剖学系
摘要
研究目的
EfficientNet 是一种先进的深度学习（DL）架构，也是法医学和基础医学领域中重要的计算机算法。本研究的目的是利用 EfficientNet 深度学习模型，通过直接拍摄的骨盆 X 光片图像来实现高度准确和精确的性别预测。
材料与方法
本研究使用了 423 名年龄在 18 至 65 岁之间的个体的骨盆 X 光片数据。为了提高深度学习模型的可靠性，对图像进行了数据增强处理，数据集规模增加到了 1400 张。研究同时比较了基于 EfficientNet V2 B0 架构的模型性能与其他主流架构（NASNet Mobile 和 ResNet152）的性能。
研究结果
研究发现，使用 EfficientNet 架构的性别预测准确率为 99.29%，NASNet Mobile 架构为 97.86%，ResNet152 架构为 95.71%。
结论
本研究表明，EfficientNet V2 B0、NASNet Mobile 和 ResNet152 深度学习架构在性别预测方面具有较高的准确性和可靠性。我们认为这项研究将为法医学和基础医学领域提供重要的指导。
引言
对于身份信息不明的个体而言，准确可靠的性别预测至关重要。这是因为性别预测能够显著缩小潜在的身份范围 [1]。在法医学中，常优先选择骨骼组织进行性别预测，因为骨骼组织由于其坚硬的结构，在燃烧和分解等事件中具有更强的抵抗力 [2,3]。
基于骨骼组织的性别预测主要依赖于形态学和测量方法。形态学方法存在主观性，因为结果受评估者经验和专业水平的影响；而测量方法则更为客观，因为它不依赖于个人经验，而是基于分析程序 [4]。然而，有研究表明，由经验丰富的专家进行的某些形态学观察具有非常高的准确率且观察者间误差较低。尽管 DNA 分析是可靠的方法，但其应用受到成本、实验室设施要求以及专业人员的限制 [1]。
性别二态性指的是男性和女性在解剖学、行为和生理方面的差异 [5]。根据现有文献，骨盆是最具性别二态性的骨骼之一，多年来一直是研究重点 [2,3]。骨盆骨骼的性别二态性主要源于出生生理和身体姿势 [3,6]。形态学上，女性骨盆较宽，髋骨较小，肌肉附着点较薄 [7]。具体来说，女性的骨盆入口较宽，耻骨下弓明显，而男性则具有较窄的坐骨切迹和耻骨 [8]。此外，骨盆的性别差异具有群体特异性，这被认为是由遗传结构和环境影响造成的 [9,10]。在骨盆骨骼之后，颅骨也是性别二态性最明显的骨骼 [11]。
人工智能（AI）领域的基于计算机的深度学习（DL）模型能够快速分析大量数据。DL 在医学诊断（特别是诊断成像）和法医学领域得到广泛应用 [12]。在法医学中，传统形态学方法由于存在较高的观察者间误差以及耗时性，存在局限性；而使用 DL 模型的形态学分析既快速又能消除观察者误差 [12,13]。
直接 X 光摄影（Radiography）是法医学中常用的放射成像方法，其结果通常与传统方法的分析结果一致 [9]。X 光片由于体积小、易于存储和传输，在 DL 研究中也具有重要意义 [14]。
本研究的目的是验证当前深度学习模型 EfficientNet V2 B0 在使用迁移学习技术进行骨盆骨骼性别预测时的准确性。同时，还将 EfficientNet V2 B0 与其他知名模型 NASNet Mobile 和 ResNet152 进行性能对比，以提高模型的可靠性。
章节摘录
数据集
本研究获得了来自……大学放射科培训与研究医院图像存档与通信系统（PACS）的 423 张骨盆 X 光片（213 张女性，210 张男性）。原始数据集中的部分样本如图 1 所示。
EfficientNet V2 B0
EfficientNet 是一系列卷积神经网络（CNN）的统称。EfficientNetV2 架构是在原有 EfficientNet 模型的基础上改进而来的高性能版本，旨在解决神经网络在计算复杂性和强度方面的问题。该架构的独特之处在于它通过平衡计算强度、准确性和复杂性实现了最佳性能。
结果
本研究利用 EfficientNet V2 B0、NASNet Mobile 和 ResNet152 等深度学习模型，实现了高达 99.29% 的准确率。表 3 显示了实验结果的精确度和敏感度数值。EfficientNet V2 B0 的准确率高达 99.29%，其中女性的敏感度为 100%，男性为 98.57%。NASNet Mobile 在性别分类方面也表现出色。
讨论
本研究使用 EfficientNet V2 B0、NASNet Mobile 和 ResNet152 架构进行了骨盆骨骼的性别预测，总体准确率为 99.29%。EfficientNet V2 B0 对女性的敏感度达到 100%，对男性的敏感度为 98.57%，显示出模型在正确识别两种性别方面的强大能力。
结论
本研究严格评估了三种深度学习模型（EfficientNet V2 B0、NASNet Mobile 和 ResNet152）在性别分类任务上的表现。结果表明，这些模型在性别分类领域具有显著优势，为该领域的研究人员和实践者提供了宝贵信息。
要点
- 1. 骨盆骨骼能否高精度地预测性别？
- 2. 使用骨盆骨骼和当前的 EfficientNet 深度学习模型，可以达到什么程度的性别预测准确率？
- 3. EfficientNet 与成熟模型 NASNet Mobile 和 ResNet152 在性别预测方面的比较结果如何？
- 4. 深度学习模型对法医学有哪些贡献？
文章分类
10.020：医学
10.030：科学
10.050：放射学
10.070：识别技术
10.090：人类学
10.150：计算机科学
本研究未获得任何财务支持。
CRediT 作者贡献声明
Yusuf Secgin：撰写 – 审稿与编辑、初稿撰写、软件开发、方法论设计、数据分析、形式化分析、数据管理、概念构思。Seyma Toy：撰写 – 审稿与编辑、写作。Muhammet ?akmak：软件开发、方法论设计、数据分析、形式化分析、数据管理。Zulal Oner：撰写 – 审稿与编辑、写作、监督、概念构思。
本研究已获得伊兹密尔 Bak?r?ay 大学非介入性地方伦理委员会（编号 1204）的批准。
由于研究的性质，相关支持数据（伦理/法律/商业数据）无法公开。
伦理审批与参与者同意
本研究已获得……大学非介入性地方伦理委员会（编号 1204）的批准。
CRediT 作者贡献声明
Yusuf Secgin：撰写 – 审稿与编辑、初稿撰写、可视化、验证、监督、软件开发、方法论设计、数据分析、形式化分析、数据管理、概念构思。Seyma Toy：撰写 – 审稿与编辑、初稿撰写、概念构思。Muhammet ?akmak：软件开发、方法论设计、数据分析、形式化分析、数据管理。Zulal Oner：撰写 – 审稿与编辑、初稿撰写。Rukiye Ciftci：撰写
