[論文レビュー] Human Gender Prediction Based on Deep Transfer Learning from Panoramic Radiograph Images

I. Atas|arXiv (Cornell University)|May 19, 2022

Forensic Anthropology and Bioarchaeology Studies被引用数 6

ひとこと要約

本研究では、24,000枚のパノラマ歯科レントゲン画像（PDR）を用いて、DenseNet121を活用した深層転移学習アプローチを提案し、自動的人間の性別予測を実現した。転移学習による事前学習済み特徴を活用することで、モデルは97.25%の精度を達成し、バイナリ性別分類においてVGG16、ResNet50、EfficientNetB6を上回り、法医学的応用において高い効率性と正確性を示した。

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.

研究の動機と目的

• パノラマ歯科レントゲン画像（PDR）からの人間の性別予測を自動化し、時間のかかる手動測定に依存するのを減らす。
• 下顎構造の測定と専門家による分析を必要とする従来の法医学的手法の限界を解消する。
• 医療画像解析における深層学習を用いて分類精度と処理速度を向上させる。
• PDR画像における性別分類のため、複数の事前学習済みモデルを用いた転移学習の性能を評価する。
• 公開利用可能なPDRデータセットを用いて、法医学的応用に適した強固で高精度なモデルを構築する。

提案手法

• バイナリ性別分類（男性／女性）を目的とした、24,000枚のパノラマ歯科レントゲン画像から成るデータセットを構築した。
• 提案手法は、ImageNetからの重み初期化を用いてトレーニングを高速化し、特徴抽出を向上させるDenseNet121と転移学習を採用した。
• 転移学習は、初期層を凍結し、PDRデータセット上で最後の層を微調整することで、歯科解剖学的特徴に適応させた。
• モデルの一般化を向上させ、過学習を防ぐために、広範なハイパーパramータチューニングとデータオーグメンテーションを実施した。
• 標準指標（精度、適合率、F1スコアなど）を用いて、VGG16、ResNet50、EfficientNetB6と比較して性能をベンチマークした。
• モデルのトレーニングと検証には、妥当性と再現可能性を確保するための5分割交差検証を用いた。

実験結果

リサーチクエスチョン

• RQ1 深層転移学習は、パノラマ歯科レントゲン画像から自動的性別判別に適した特徴を効果的に抽出できるか？
• RQ2 提案されたDenseNet121モデルは、PDR画像においてVGG16、ResNet50、EfficientNetB6といった既存の転移学習モデルと比較して、性能に優れているか？
• RQ3 大規模なPDRデータセットを用いた転移学習により、バイナリ性別分類でどの程度の精度が達成可能か？
• RQ4 ランダム初期化からの学習と比較して、転移学習はトレーニング時間を著しく短縮し、モデル収束を改善するか？
• RQ5 自然画像から事前学習された特徴は、性別判別に向け、歯科レントゲン画像へどの程度一般化可能か？

主な発見

• 提案されたDenseNet121モデルは、性別分類精度97.25%を達成し、VGG16、ResNet50、EfficientNetB6を顕著に上回った。
• 転移学習によりトレーニング時間が短縮され、モデル収束が向上し、法医学的現場での迅速な導入が可能になった。
• 交差検証の全フォールドにおいて高いロバスト性と一般化性能を示し、信頼性の高さが裏付けられた。
• 事前学習済みImageNet重みの活用により、限られた歯科特化データからも効果的な特徴学習が可能となり、性能向上が達成された。
• 比較分析から、DenseNet121の密接続構造と特徴再利用メカニズムがPDR画像において優れた性能を発揮することが確認された。
• 結果から、転移学習を用いた深層学習は、PDR画像の手動法医学的分析の代替として実用的で正確かつ効率的な手法であると検証された。