این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مجله دانشکده پزشکی اصفهان، جلد ۴۰، شماره ۷۰۰، صفحات ۱۰۳۷-۱۰۴۳
عنوان فارسی تخمین سن استخوانی کودکان مبتنی بر یادگیری عمیق با استفاده از رادیوگرافی دست
چکیده فارسی مقاله مقاله پژوهشی مقدمه: از تصاویر رادیوگرافی دست، به صورت رایج جهت ارزیابی بلوغ استخوانی استفاده می‌‌شود. به طوری که تفاوت چشمگیر میان سن ارزیابی‌ شده و سن تقویمی می‌تواند نشان‌دهنده‌ی اختلال در رشد باشد. با این حال ارزیابی دستی تصاویر، معمولاً فرایندی زمان‌بر و وابسته به ناظر است. لذا هدف از انجام این مطالعه، ایجاد روشی خودکار برای ارزیابی سن استخوانی با استفاده از تصاویر رادیوگرافی دست می‌باشد. روش‌ها: در این پژوهش که از نوع بنیادی- کاربردی می‌باشد، از مجموعه تصاویر رادیوگرافی انجمن رادیولوژی آمریکای شمالی (Radiological Society of North America) RSNA استفاده شد و روش یادگیری انتقالی برای تخمین سن استخوانی کودکان پیشنهاد گردید. تصاویر ورودی، ابتدا به دلیل کیفیت پایین مورد پیش‌پردازش قرار گرفتند. سپس مدل از پیش آموزش دیده 121DenseNet- برای استخراج ویژگی‌های مکانی متمایزکننده مورد استفاده قرار گرفت. یافته‌ها: ارزیابی‌ها با استفاده از پنج مدل از پیش آموزش دیده و بر روی مجموعه‌ی داده‌ی RSNA نشان دادند که مدل 121DenseNet- پس از تنظیم می‌تواند با میانگین خطای مطلق 9/8 ماه بهتر از سایر مدل‌ها عمل کند. نتیجه‌گیری: بلوغ اسکلتی می‌تواند با استفاده از مدل 121DenseNet- با دقت رضایت‌بخشی تخمین زده شود و از این روش می‌توان به رادیولوژیست‌ها در اندازه‌گیری سریع و دقیق سن استخوانی کمک نمود.
کلیدواژه‌های فارسی مقاله اختلالات رشد، اندازه‌گیری، یادگیری عمیق، سن استخوانی، رادیوگرافی،
عنوان انگلیسی Deep Learning-Based Pediatric Bone Age Estimation Using Hand Radiography
چکیده انگلیسی مقاله Background: Hand radiographs are commonly used to evaluate bone maturity. So that the significant difference between the estimated bone age and the chronological age can indicate a developmental disorder. However, the manual evaluation of images is usually a time-consuming and observer-dependent process. Therefore, in this paper, an automatic method for the assessment of bone age using radiographs of children's hands is proposed. Methods: In this fundamental-applied research, the collection of radiographic images of the Radiological Society of North America (RSNA) was used, and transfer learning methods were proposed. The input images were first pre-processed due to low quality. Then a pre-trained model based on DenseNet-121 was used to extract the discriminating spatial features. Findings: Evaluations using five pre-trained models on the RSNA dataset showed that the DenseNet-121 model, after adjustment, could perform better than other models, with a mean absolute error of 9.8 months. Conclusion: Skeletal maturity can be estimated with satisfactory accuracy using the DenseNet-121 model, and this method can help radiologists in quick and accurate measurement of bone age.
کلیدواژه‌های انگلیسی مقاله اختلالات رشد, اندازه‌گیری, یادگیری عمیق, سن استخوانی, رادیوگرافی
نویسندگان مقاله مجتبی سیرتی-امشه |
دانشجوی کارشناسی ارشد، گروه فیزیک پزشکی، دانشکده‌ی پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

الهام شعبانی نیا |
استادیار، گروه ریاضی کاربردی، دانشکده‌ی علوم و فناوری‌های نوین، دانشگاه تحصیلات تکمیلی و فناوری پیشرفته، کرمان، ایران

علی چاپاریان |
استاد، گروه فیزیک پزشکی، دانشکده‌ی پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران

نشانی اینترنتی https://jims.mui.ac.ir/article_28037_5da6224a52a336a64e2fa5b7cccea963.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات