Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: bone age assessment

Sortuj według:

Ogranicz wyniki do:

Differentiating age and sex in vertebral body CT scans – Texture analysis versus deep learning approach

Nurzynska Karolina, Piórkowski Adam, Strzelecki Michał, Kociołek Marcin, Banyś Robert Paweł, Obuchowicz Rafał

Biocybernetics and Biomedical Engineering

2024

Vol. 44, no. 1

20--30

The automated analysis of computed tomography (CT) scans of vertebrae, for the purpose of determining an individual’s age and sex constitutes a vital area of research. Accurate assessment of bone age in children facilitates the monitoring of their growth and development. Moreover, the determination of both age and sex has significant relevance in various legal contexts involving human remains. We have built a dataset comprising CT scans of vertebral bodies from 166 patients of diverse genders, acquired during routine cardiac examinations. These images were rescaled to 8-bit data, and textural features were computed using the qMaZda software. The results were analysed employing conventional machine learning techniques and deep convolutional networks. The regression model, developed for the automatic estimation of bone age, accurately determined patients’ ages, with a mean absolute error of 3.14 years and R2 = 0.79. In the context of classifying patient gender through textural analysis supported by machine learning, we achieved an accuracy of 69 %. However, the application of deep convolutional networks for this task yielded a slightly lower accuracy of 59 %.

An automated segmentation and features extraction from hand radiographs

Gertych A., Piętka E.

Archiwum Informatyki Teoretycznej i Stosowanej

2003

T. 15, z. 3

223-234

An improved and fully automated image segmentation method applied to radiological regions of interests is described. Pre-processed and filtered regions of interests are subjected to a segmentation function with hierarchical multigrid approach. This approach uses the Gibbs random fields method and estimation of intensity functions to separate the bony structure, soft tissue, and cartilage if any. The segmentation is performed by a maximization of the a posteriori probability density function. A known segmentation procedure is improved by implementing an adaptive method of a noise estimation and modeling of pixels interactions coefficient based on a global contrast of input image. These values do not depend on the segmentation algorithm and are not estimated during the segmentation process. Segmented regions are subjected to extraction features, which reflect the size and shape of epiphysis. The algorithm was tested on 264 regions of interest for boys population between 0 to 14 years of age.

W pracy opisano ulepszoną I w pełni zautomatyzowaną metodę segmentacji obrazów zastosowaną do radiologicznych zdjęć nadgarstka. Wstępnie przetworzone i przefiltrowane regiony zainteresowań są poddawane procedurze segmentacji z wykorzystaniem techniki zmiany rozdzielczości obrazu. W procesie segmentacji w celu rozdzielenia tkanek miękkiej, kostnej oraz chrzęstnej zastosowano teorię pól losowych Gibbsa oraz estymację funkcji intensywności obrazu. Segmentacja dokonuje się przez maksymalizację funkcji gęstości prawdopodobieństwa a posteriori. Opracowana na podstawie literatury metoda segmentacji jest ulepszona o implementację adaptacyjnej metody estymacji zakłóceń oraz modelowania współczynnika interakcji pomiędzy sąsiadującymi pikselami obrazu w oparciu o globalny kontrast w analizowanym obrazie. Wartości te nie zależą od algorytmu segmentacji i nie są szacowane podczas procesu segmentacji. Wysegmentowane obszary poddawane są procesowi ekstrakcji cech, które odzwierciedlają wielkość i kształt nasady. Algorytm przetestowano na 264 przypadkach w populacji chłopców w wieku od 0 do 14 lat.