[論文レビュー] Forensic Dental Age Estimation Using Modified Deep Learning Neural Network

İsa Ataş, Cüneyt Özdemir+2 more|arXiv (Cornell University)|Aug 21, 2022

Dental Radiography and Imaging参考文献 35被引用数 4

ひとこと要約

本研究では、8–68歳の被験者におけるパノラマレントゲン写真（DPR）を用いた自動化された法医学的歯科年齢推定のため、修正されたInceptionV3深層学習モデルを提案する。トランスファー学習とアーキテクチャの剪定を活用することで、平均絶対誤差（MAE）3.13年、平均二乗誤差（RMSE）4.77、決定係数（R²）87.2%を達成し、手動による特徴抽出を必要とせず、年齢予測において高い正確性と効率性を示した。

ABSTRACT

Dental age is one of the most reliable methods to identify an individual's age. By using dental panoramic radiography (DPR) images, physicians and pathologists in forensic sciences try to establish the chronological age of individuals with no valid legal records or registered patients. The current methods in practice demand intensive labor, time, and qualified experts. The development of deep learning algorithms in the field of medical image processing has improved the sensitivity of predicting truth values while reducing the processing speed of imaging time. This study proposed an automated approach to estimate the forensic ages of individuals ranging in age from 8 to 68 using 1,332 DPR images. Initially, experimental analyses were performed with the transfer learning-based models, including InceptionV3, DenseNet201, EfficientNetB4, MobileNetV2, VGG16, and ResNet50V2; and accordingly, the best-performing model, InceptionV3, was modified, and a new neural network model was developed. Reducing the number of the parameters already available in the developed model architecture resulted in a faster and more accurate dental age estimation. The performance metrics of the results attained were as follows: mean absolute error (MAE) was 3.13, root mean square error (RMSE) was 4.77, and correlation coefficient R$^2$ was 87%. It is conceivable to propose the new model as potentially dependable and practical ancillary equipment in forensic sciences and dental medicine.

研究の動機と目的

• 時間のかかる手動手法への依存を減らすために、パノラマレントゲン写真（DPR）を用いた自動的で正確かつ効率的な法医学的歯科年齢推定手法の開発を目的とする。
• 主観的評価、測定バイアス、高負荷な作業量といった従来の年齢推定手法の限界を是正することを目的とする。
• 成長期を過ぎた被験者では歯の発達が遅くなることから、広い年齢範囲（8–68歳）における年齢予測の正確性を向上させることを目的とする。
• パラメータ削減と速度・性能の向上を図るために、事前学習済みInceptionV3アーキテクチャを変更することでトランスファー学習を最適化することを目的とする。
• Grad-CAMヒートマップを用いたモデルの注目領域の検証により、解釈可能性を確保するとともに、年齢推定に重要な解剖学的領域と整合していることを確認することを目的とする。

提案手法

• 1,332枚のDPR画像を用いて、事前学習済みInceptionV3、DenseNet201、EfficientNetB4、MobileNetV2、VGG16、ResNet50V2モデルを用いてトランスファー学習を実施した。
• 最も優れた性能を示したInceptionV3をベースモデルとして選定し、パラメータ削減を目的としたアーキテクチャの変更を施し、InceptionV3Mixed_04という変種を生成した。
• 一般化性能とロバスト性の向上を図るために、前処理段階でデータオーグメンテーション技術を適用した。
• 手動によるセグメンテーションや特徴工学を一切行わず、修正されたInceptionV3Mixed_04モデルを用いてDPR画像から特徴抽出を実施した。
• 抽出された特徴を被時系列年齢にマッピングするために線形回帰を用い、エンドツーエンドの回帰ベースの年齢推定を実現した。
• モデルの注目領域を可視化し、解釈性を高めるためにGrad-CAMヒートマップを生成した。特に上顎および上顎歯の領域に注目していることが確認された。

実験結果

リサーチクエスチョン

• RQ1 修正されたトランスファー学習ベースの深層ニューラルネットワークは、DPR画像を用いて8–68歳という広い年齢範囲で、高い正確性を達成できるか？
• RQ2 事前学習済みInceptionV3モデルのアーキテクチャの剪定は、歯科年齢推定における性能、推論速度、パラメータ効率性にどのように影響するか？
• RQ3 深層学習モデルは、年齢推定の過程でDPR画像のどの解剖学的領域に主に注目しているか？ また、これらの領域は臨床的に年齢関連の歯科的変化と整合しているか？
• RQ4 提案された修正されたInceptionV3モデルの性能は、従来の手法と比較して、MAE、RMSE、R²の観点から多様な年齢層でどのように差がつくか？
• RQ5 55歳以上の高齢者において、モデルの正確性はどの程度維持されるか？ また、このグループで性能が低下する要因は何か？

主な発見

• 修正されたInceptionV3Mixed_04モデルは、8–68歳の年齢範囲で平均絶対誤差（MAE）3.13年を達成し、年齢推定の高精度性を示した。
• 平均二乗誤差（RMSE）は4.77であり、モデルの全体的な予測誤差分布とロバスト性を反映している。
• 決定係数（R²）は87.2%に達し、予測された年齢と実際の被時系列年齢との間の強い相関関係を示した。
• 特に16–65歳の年齢群では、先行研究で報告されたMAE 6.48–8.58と比較して、本モデルはより高い正確性を示した。
• Grad-CAM可視化により、モデルが主に上顎および上顎歯に注目していることが確認され、臨床的に年齢推定に重要な領域と整合していた。
• 55歳以上の被験者では性能の低下が観察されたが、これは歯の発達変化が著しく減少し、かつその年齢層の訓練データが限られていることが主な要因と考えられる。