[논문 리뷰] Human Gender Prediction Based on Deep Transfer Learning from Panoramic Radiograph Images

I. Atas|arXiv (Cornell University)|2022. 05. 19.

Forensic Anthropology and Bioarchaeology Studies인용 수 6

한 줄 요약

이 연구는 24,000장의 풍경 치과 레이저 영상(PDR)을 사용하여 딥 트랜스퍼 러닝 기반의 접근법을 제안한다. 이는 인간의 성별 예측을 자동화하기 위한 것으로, 사전 훈련된 특징을 활용함으로써 모델은 이진 성별 분류에서 97.25%의 정확도를 달성하며, VGG16, ResNet50, EfficientNetB6를 능가하여 법의학적 응용 분야에서 높은 효율성과 정밀도를 보여준다.

ABSTRACT

Panoramic Dental Radiography (PDR) image processing is one of the most extensively used manual methods for gender determination in forensic medicine. With the assistance of the PDR images, a person's biological gender determination can be performed through analyzing skeletal structures expressing sexual dimorphism. Manual approaches require a wide range of mandibular parameter measurements in metric units. Besides being time-consuming, these methods also necessitate the employment of experienced professionals. In this context, deep learning models are widely utilized in the auto-analysis of radiological images nowadays, owing to their high processing speed, accuracy, and stability. In our study, a data set consisting of 24,000 dental panoramic images was prepared for binary classification, and the transfer learning method was used to accelerate the training and increase the performance of our proposed DenseNet121 deep learning model. With the transfer learning method, instead of starting the learning process from scratch, the existing patterns learned beforehand were used. Extensive comparisons were made using deep transfer learning (DTL) models VGG16, ResNet50, and EfficientNetB6 to assess the classification performance of the proposed model in PDR images. According to the findings of the comparative analysis, the proposed model outperformed the other approaches by achieving a success rate of 97.25% in gender classification.

연구 동기 및 목표

• 풍경 치과 레이저 영상(PDR)에서 인간의 성별을 자동으로 예측하여 수동 측정에 의존도를 줄이기 위해.
• 하颌골 구조의 메트릭 측정과 전문가 분석이 필요한 전통적 법의학 방법의 한계를 해결하기 위해.
• 의료 영상 분석에서 딥 러닝을 활용해 분류 정확도와 처리 속도를 향상시키기 위해.
• 다양한 사전 훈련된 모델을 사용한 트랜스퍼 러닝의 성능을 평가하여 PDR 영상에서의 성별 분류에 응용하기 위해.
• 공개된 PDR 데이터셋을 활용하여 법의학적 응용 분야에서 강력하고 고정확도의 모델을 구축하기 위해.

제안 방법

• 이진 성별 분류(남성/여성)를 위한 24,000장의 풍경 치과 레이저 영상 데이터셋을 구축하였다.
• 제안된 모델은 ImageNet에서 초기 가중치를 가져와 훈련 속도를 높이고 특징 추출 성능을 향상시키기 위해 DenseNet121를 사용한 트랜스퍼 러닝을 적용하였다.
• 트랜스퍼 러닝은 초기 레이어를 고정하고 PDR 데이터셋에서 마지막 레이어를 미세 조정하여 치과解부학적 특징에 적합하도록 하였다.
• 모델 일반화 성능 향상과 과적합 방지를 위해 광범위한 초모델 조정 및 데이터 증강 기법을 사용하였다.
• 정확도, 정밀도, F1-스코어와 같은 표준 지표를 사용하여 VGG16, ResNet50, EfficientNetB6와의 성능 비교를 수행하였다.
• 모델의 훈련 및 검증은 복수의 교차 검증(5-폴드)을 통해 수행되어 강건성과 재현 가능성을 확보하였다.

실험 결과

연구 질문

• RQ1 딥 트랜스퍼 러닝은 풍경 치과 레이저 영상에서 성별을 구분할 수 있는 특징을 효과적으로 추출하여 자동 성별 예측을 가능하게 할 수 있는가?
• RQ2 제안된 DenseNet121 모델은 PDR 영상에서 VGG16, ResNet50, EfficientNetB6와 같은 기존 트랜스퍼 러닝 모델에 비해 성능 면에서 어떻게 비교되는가?
• RQ3 대규모 PDR 데이터셋을 사용한 트랜스퍼 러닝을 통해 이진 성별 분류에서 어떤 정도의 정확도를 달성할 수 있는가?
• RQ4 랜덤 초기화에서 훈련하는 것에 비해 트랜스퍼 러닝은 훈련 시간을 크게 단축시키고 모델 수렴을 향상시키는가?
• RQ5 자연 영상에서 사전 훈련된 특징이 치과 레이저 영상에 일반화되어 성별 결정에 효과적으로 활용될 수 있는가?

주요 결과

• 제안된 DenseNet121 모델은 성별 분류 정확도 97.25%를 달성하였으며, 이는 VGG16, ResNet50, EfficientNetB6를 뛰어넘었다.
• 트랜스퍼 러닝은 훈련 시간을 단축시키고 모델 수렴을 향상시켜 법의학적 환경에서의 신속한 구현을 가능하게 하였다.
• 모든 교차 검증 폴드에서 높은 강건성과 일반화 능력을 보이며 강력한 신뢰성을 입증하였다.
• 사전 훈련된 ImageNet 가중치의 사용으로 제한된 치과 전용 데이터에서 효과적인 특징 학습이 가능해져 성능 향상에 기여하였다.
• 비교 분석을 통해 DenseNet121의 밀집 연결 및 특징 재사용 메커니즘이 PDR 영상에서 뛰어난 성능을 발휘하는 것으로 확인되었다.
• 결과적으로 딥 러닝과 트랜스퍼 러닝은 PDR 영상의 수동 법의학 분석에 비해 실현 가능하고 정확하며 효율적인 대안으로 검증되었다.