[论文解读] 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 4

一句话总结

本研究提出了一种改进的InceptionV3深度学习模型，用于基于8–68岁个体的全景牙科X光片（DPR）进行自动法医牙科年龄估计。通过利用迁移学习和网络结构剪枝，该方法实现了3.13年的平均绝对误差（MAE）、4.77的均方根误差（RMSE）以及87.2%的决定系数（R²），在无需人工特征提取的情况下，展现出高精度与高效率的年龄预测能力。

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.

研究动机与目标

• 开发一种自动化、高精度且高效的法医牙科年龄估计方法，利用牙科全景X光片（DPR）以减少对耗时的人工技术的依赖。
• 解决传统年龄估计方法的局限性，包括主观性、测量偏差以及高劳动强度。
• 在较广年龄范围（8–68岁）内提升年龄预测精度，特别是在牙齿发育减缓的青春期后个体中。
• 通过修改InceptionV3架构优化迁移学习，减少参数量，提升速度与性能。
• 利用Grad-CAM热力图验证模型的关注区域，确保可解释性，并与年龄估计中关键的解剖区域保持一致。

提出的方法

• 在1,332张DPR图像上，使用预训练的InceptionV3、DenseNet201、EfficientNetB4、MobileNetV2、VGG16和ResNet50V2模型进行迁移学习。
• 选择表现最佳的InceptionV3作为基础模型，并对其架构进行修改以减少参数，形成InceptionV3Mixed_04变体。
• 在预处理阶段应用数据增强技术，以提升模型的泛化能力与鲁棒性。
• 使用改进的InceptionV3Mixed_04模型对DPR图像进行特征提取，无需人工分割或特征工程。
• 采用线性回归将提取的特征映射到实际年龄，实现端到端的回归式年龄估计。
• 生成Grad-CAM热力图以可视化并解释模型对特定解剖区域（如上颌骨和上牙）的关注程度。

实验结果

研究问题

• RQ1 基于迁移学习的改进深度神经网络是否能在8–68岁广泛年龄范围内，利用DPR图像实现高精度的牙科年龄估计？
• RQ2 对预训练的InceptionV3模型进行架构剪枝，如何影响其在牙科年龄估计中的性能、推理速度与参数效率？
• RQ3 在年龄预测过程中，深度学习模型主要关注DPR图像中的哪些解剖区域？这些区域是否与临床公认的年龄相关牙科变化区域一致？
• RQ4 与现有方法相比，所提出的改进InceptionV3模型在不同年龄群体中的MAE、RMSE与R²表现如何？
• RQ5 该模型在55岁以上个体中的准确性是否保持稳定？性能下降的可能因素有哪些？

主要发现

• 改进的InceptionV3Mixed_04模型在8–68岁年龄范围内实现了3.13年的平均绝对误差（MAE），表明其年龄估计具有高精度。
• 均方根误差（RMSE）为4.77，反映出模型整体预测误差的分布特征与鲁棒性。
• 决定系数（R²）达到87.2%，表明预测年龄与实际年龄之间具有强相关性。
• 在广泛年龄范围内，该模型在准确度上优于现有方法，尤其在16–65岁年龄段，此前研究报道的MAE值为6.48–8.58。
• Grad-CAM可视化结果表明，模型主要关注上颌骨和上牙区域，与临床公认的年龄相关牙科变化区域一致。
• 在55岁以上个体中观察到性能下降，可能原因包括牙齿发育变化减少以及该年龄段训练数据有限。