نشریه علمی پژوهشی طب انتظامی Journal of Police Medicine
دوره 12، شماره 1 - ( 1402 )
جلد 12 شماره 1 |
برگشت به فهرست نسخه ها
Ethics code: IR.IAU.SRB.REC.1402.139
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
dorostkar yaghouti B, rahbar K, taheri F. Bone Age Assessment Using Content-Based Image Retrieval System Using VGG-19 Deep Neural Network. J Police Med 2023; 12 (1)
URL: http://jpmed.ir/article-1-1194-fa.html
URL: http://jpmed.ir/article-1-1194-fa.html
درستکار یاقوتی بهنام، رهبر کامبیز، طاهری فاطمه. ارزیابی سن استخوانی به کمک سیستم بازیابی تصاویرمبتنی بر محتوا با استفاده از شبکه عصبی عمیق VGG-19. نشریه طب انتظامی. 1402; 12 (1)
1- گروه فناوری اطلاعات وارتباطات، دانشگاه علوم انتظامی امین، تهران، ایران
2- گروه مهندسی کامپیوتر، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران ،kambiz.rahbar@gmail.com
3- گروه مهندسی کامپیوتر، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران
2- گروه مهندسی کامپیوتر، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران ،
3- گروه مهندسی کامپیوتر، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران
چکیده: (2065 مشاهده)
اهداف: ارزیابی سن استخوان اغلب برای ارزیابی رشد و برای تشخیص بسیاری از اختلالات غدد درون‌ریز انجام می‌شود. سن استخوان نشان‌دهنده یک شاخص رایج برای تعریف بلوغ اسکلتی است. استفاده از عکس اشعه ایکس دست رایج‌ترین روش ارزیابی سن استخوان است. پژوهش حاضر با هدف ارزیابی و تخمین سن استخوانی به کمک بازیابی تصویر مبتنی بر محتوا انجام شد.
مواد و روش‌ها: این مطالعۀ مشاهده‌ای، در سال 1402 بر روی مجموعه «اطلس تصاویر دیجیتال دست» شامل 1389 تصویر اشعه ایکس استخوان دست انجام شد. تصاویر این مجموعه شامل چهار نژاد آسیایی، سیاه‌پوست، قفقازی و اسپانیایی است و نمونه‌ها از هر دو جنسیت زن و مرد انتخاب شدند. تعداد نمونه‌ها برای هر فرد زیر 10 سال، پنج نمونه و برای افراد بالای 10 سال، 10 نمونه تصویر بود. سن هر نمونه تصویر استخوانی توسط دو رادیولوژیست حرفه‌ای از قبل مشخص شده بود. در این روش، ارزیابی سن استخوان به کمک سیستم بازیابی تصویر و با استفاده از شبکه عصبی عمیق انجام شد. با هدف کاهش زمان جستجو، کاهش ابعاد بردار ویژگی به کمک تحلیل مؤلفه‌های اصلی انجام شد. نتایج رویکرد پیشنهادی به صورت کمی و با محاسبه میانگین وزنی خطای مطلق صورت گرفت. پیاده‌سازی و تحلیل آماری روش پیشنهادی نیز با نرم‌افزار متلب نسخه 2022a انجام شد.
یافته‌ها: مجموعه دادۀ مورد استفاده، شامل تصاویر اشعه ایکس استخوان افراد 1 تا 18ساله بود. ارزیابی سن استخوانی به کمک بازیابی نمونه‌های مشابه و با محاسبه میانگین وزنی خطای مطلق انجام شد. نتایج ارزیابی، نرخ خطای 0.29 سال معادل 3.5 ماه را برای نمونه‌های ارزیابی‌شده در مجموعه داده نشان داد.
نتیجه‌گیری: بر اساس این پژوهش، ارزیابی سن استخوانی به کمک بازیابی تصویر، روشی مؤثر در تخمین سن استخوانی است. بنابراین متخصصان این حوزه می‌توانند از این روش برای تأیید و تشخیص سن افراد بدون مدارک هویتی و سایر موارد مرتبط استفاده کنند.
مواد و روش‌ها: این مطالعۀ مشاهده‌ای، در سال 1402 بر روی مجموعه «اطلس تصاویر دیجیتال دست» شامل 1389 تصویر اشعه ایکس استخوان دست انجام شد. تصاویر این مجموعه شامل چهار نژاد آسیایی، سیاه‌پوست، قفقازی و اسپانیایی است و نمونه‌ها از هر دو جنسیت زن و مرد انتخاب شدند. تعداد نمونه‌ها برای هر فرد زیر 10 سال، پنج نمونه و برای افراد بالای 10 سال، 10 نمونه تصویر بود. سن هر نمونه تصویر استخوانی توسط دو رادیولوژیست حرفه‌ای از قبل مشخص شده بود. در این روش، ارزیابی سن استخوان به کمک سیستم بازیابی تصویر و با استفاده از شبکه عصبی عمیق انجام شد. با هدف کاهش زمان جستجو، کاهش ابعاد بردار ویژگی به کمک تحلیل مؤلفه‌های اصلی انجام شد. نتایج رویکرد پیشنهادی به صورت کمی و با محاسبه میانگین وزنی خطای مطلق صورت گرفت. پیاده‌سازی و تحلیل آماری روش پیشنهادی نیز با نرم‌افزار متلب نسخه 2022a انجام شد.
یافته‌ها: مجموعه دادۀ مورد استفاده، شامل تصاویر اشعه ایکس استخوان افراد 1 تا 18ساله بود. ارزیابی سن استخوانی به کمک بازیابی نمونه‌های مشابه و با محاسبه میانگین وزنی خطای مطلق انجام شد. نتایج ارزیابی، نرخ خطای 0.29 سال معادل 3.5 ماه را برای نمونه‌های ارزیابی‌شده در مجموعه داده نشان داد.
نتیجه‌گیری: بر اساس این پژوهش، ارزیابی سن استخوانی به کمک بازیابی تصویر، روشی مؤثر در تخمین سن استخوانی است. بنابراین متخصصان این حوزه می‌توانند از این روش برای تأیید و تشخیص سن افراد بدون مدارک هویتی و سایر موارد مرتبط استفاده کنند.
نوع مقاله: پژوهشی اصيل |
موضوع مقاله:
فناوری‌های مرتبط با طب انتظامی
دریافت: 1402/2/8 | پذیرش: 1402/3/30 | انتشار: 1402/4/24
دریافت: 1402/2/8 | پذیرش: 1402/3/30 | انتشار: 1402/4/24
فهرست منابع
1. Silva W, Gonçalves T, Härmä K, Schröder E, Obmann VC, Barroso MC, et al. Computer-aided diagnosis through medical image retrieval in radiology. Sci Report 2022;12(1):1-14. https://www.nature.com/articles/s41598-022-25027-2 [DOI:10.1038/s41598-022-25027-2] [PMID] [PMCID]
2. Mandal D, Rao P, Biswas S. Semi-Supervised Cross-Modal Retrieval with Label Prediction. IEEE Trans Multimed. 2020;22(9):2345-53. https://arxiv.org/pdf/1812.01391.pdf [DOI:10.1109/TMM.2019.2954741]
3. Safaei AA. Text-based multi-dimensional medical images retrieval according to the features-usage correlation. Med Biol Eng Comput. 2021;59(10):1993-2017. https://pubmed.ncbi.nlm.nih.gov/34415513/ [DOI:10.1007/s11517-021-02392-0] [PMID] [PMCID]
4. Shamna P, Govindan VK, Abdul Nazeer KA. Content-based medical image retrieval by spatial matching of visual words. J King Saud Univ Comput Inf Sci. 2022;34(2):58-71. [DOI:10.1016/j.jksuci.2018.10.002]
5. Pathak D, Raju USN. Content-based image retrieval using feature-fusion of GroupNormalized-Inception-Darknet-53 features and handcraft features. Optik (Stuttg). 2021;246. [DOI:10.1016/j.ijleo.2021.167754]
6. Takagi Y, Hashimoto N, Masuda H, Miyoshi H, Ohshima K, Hontani H, et al. Transformer-based personalized attention mechanism for medical images with clinical records. J Pathol Inform. 2023;14:100185.
https://doi.org/10.1016/j.jpi.2022.100185 [DOI:10.48550/arXiv.2206.03003] [PMID] [PMCID]
7. Wang X, Du Y, Yang S, Zhang J, Wang M, Zhang J, et al. RetCCL: Clustering-guided contrastive learning for whole-slide image retrieval. Med Image Anal. 2023;83:102645. [DOI:10.1016/j.media.2022.102645] [PMID]
8. Taheri F, Rahbar K, Salimi P. Effective features in content-based image retrieval from a combination of low-level features and deep Boltzmann machine. Multimed Tools Appl. 2022; 2023;1-24. https://link.springer.com/article/10.1007/s11042-022-13670-w [DOI:10.1007/s11042-022-13670-w]
9. Mall PK, Singh PK, Yadav D. GLCM based feature extraction and medical X-RAY image classification using machine learning techniques. IEEE Conf Inf Commun Technol CICT. 2019. https://ieeexplore.ieee.org/document/9066263 [DOI:10.1109/CICT48419.2019.9066263]
10. Garg M, Dhiman G. A novel content-based image retrieval approach for classification using GLCM features and texture fused LBP variants. Neural Comput Appl. 2023;33(4):1311-28. https://link.springer.com/article/10.1007/s00521-020-05017-z [DOI:10.1007/s00521-020-05017-z]
11. Kumar A, Kim J, Cai W, Fulham M, Feng D. Content-based medical image retrieval: a survey of applications to multidimensional and multimodality data. J Digit Imaging. 2013;26(6):1025-39. https://pubmed.ncbi.nlm.nih.gov/23846532/ [DOI:10.1007/s10278-013-9619-2] [PMID] [PMCID]
12. Gordo A, Almazán J, Revaud J, Larlus D. End-to-End learning of deep visual representations for image retrieval. Int J Comput Vis. 2017;124(2):237-54. https://dl.acm.org/doi/10.1007/s11263-017-1016-8 [DOI:10.1007/s11263-017-1016-8]
13. Chen Y, Tang Y, Huang J, Xiong S. Multi-scale triplet hashing for medical image retrieval. Comput Biol Med. 2023;155:106633. [DOI:10.1016/j.compbiomed.2023.106633] [PMID]
14. Karthik K, Kamath SS. A deep neural network model for content-based medical image retrieval with multi-view classification. Vis Comput. 2021;37(7):1837-50. https://link.springer.com/article/10.1007/s00371-020-01941-2 [DOI:10.1007/s00371-020-01941-2]
15. Wang X, Lan R, Wang H, Liu Z, Luo X. Fine-grained correlation analysis for medical image retrieval. Comput Electr Eng. 2021;90:106992. [DOI:10.1016/j.compeleceng.2021.106992]
16. Kobayashi K, Hataya R, Kurose Y, Miyake M, Takahashi M, Nakagawa A, et al. Decomposing normal and abnormal features of medical images for content-based image retrieval of glioma imaging. Med Image Anal. 2021;74:102227. [DOI:10.1016/j.media.2021.102227] [PMID]
17. Campbell D, William Garrett Jr by E, Speer KP. Assessment of skeletal maturity and prediction of adult height (TW3 method). 3rd edition. Cameron. Pp 110. London. 2002. [DOI:10.1046/j.1440-1673.2003.01196.x]
18. Babaei M, Shirzad J, Keshavarz Meshkin Pham K, Faghih Fard P, eftekhari A. Challenges of Using Biometric Evidence in Identification. J Police Med. 2022; 11(1):e29. http://jpmed.ir/article-1-1100-en.pdf
19. Satoh M. Bone age: assessment methods and clinical applications. Clin Pediatr Endocrinol. 2015;24(4):143.
https://doi.org/10.1297/cpe.24.143 [DOI:10.1297%2Fcpe.24.143] [PMID] [PMCID]
20. Spampinato C, Palazzo S, Giordano D, Aldinucci M, Leonardi R. Deep learning for automated skeletal bone age assessment in X-ray images. Med Image Anal. 2017;36:41-51. https://pubmed.ncbi.nlm.nih.gov/27816861/ [DOI:10.1016/j.media.2016.10.010] [PMID]
21. Li S, Liu B, Li S, Zhu X, Yan Y, Zhang D. A deep learning-based computer-aided diagnosis method of X-ray images for bone age assessment. Complex Intell Syst. 2022;8(3):1929-39. https://link.springer.com/article/10.1007/s40747-021-00376-z [DOI:10.1007/s40747-021-00376-z] [PMID] [PMCID]
22. Liang B, Zhai Y, Tong C, Zhao J, Li J, He X, et al. A deep automated skeletal bone age assessment model via region-based convolutional neural network. Futur Gener Comput Syst. 2019;98:54-9. [DOI:10.1016/j.future.2019.01.057]
23. Wibisono A, Saputri MS, Mursanto P, Rachmad J, Alberto, Yudasubrata ATW, et al. Deep learning and classic machine learning approach for automatic bone age assessment. Conf Intell Robot Syst ACIRS. 2019;235-40. https://ieeexplore.ieee.org/document/8935965 [DOI:10.1109/ACIRS.2019.8935965]
24. Cardoso MJ, Arbel T, Carneiro G, Syeda-Mahmood T, Tavares JMRS, Moradi M, et al., editors. Deep learning in medical image analysis and multimodal learning for clinical decision support. 2017;10553. http://link.springer.com/10.1007/978-3-319-67558-9 [DOI:10.1007/978-3-319-67558-9]
25. Escobar M, González C, Torres F, Daza L, Triana G, Arbeláez P. Hand pose estimation for pediatric bone age assessment. Lect Notes Comput Sci. 2019:531-9. http://dx.doi.org/10.1007/978-3-030-32226-7_59 [DOI:10.1007/978-3-030-32226-7_59]
26. Awais M, Long X, Yin B, Chen C, Akbarzadeh S, Abbasi SF, et al. Can pre-trained convolutional neural networks be directly used as a feature extractor for video-based neonatal sleep and wake classification? BMC Res Notes. 2020;13(1):1-6.
https://doi.org/10.1186/s13104-020-05343-4 [DOI:10.1186%2Fs13104-020-05343-4] [PMID] [PMCID]
27. De Capitani di Vimercati S, Foresti S, Livraga G, Samarati P. Digital infrastructure policies for data security and privacy in smart cities. Smart Cities Policies Financ. 2022;249-61. https://ipilab.usc.edu/research/baaweb/ [DOI:10.1016/B978-0-12-819130-9.00007-3]
28. Liu S, Deng W. Very deep convolutional neural network based image classification using small training sample size. 2016;730-4. https://ieeexplore.ieee.org/document/7486599?denied=
29. Qasim M, Mahmood D, Bibi A, Masud M, Ahmed G, Khan S, et al. PCA-based advanced local octa-directional pattern (ALODP-PCA): A texture feature descriptor for image retrieval. Electron. 2022;11(2):202. https://www.mdpi.com/2079-9292/11/2/202/htm [DOI:10.3390/electronics11020202]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |