基于深度学习框架及R-Mixup增强技术，对耻骨联合CT图像中多个区域进行加权估计以实现年龄推断

《Scientific Reports》：Weighted estimation of multiple regions in CT-derived images of the pubic symphysis for age estimation using a deep learning framework with R-Mixup augmentation

　　

摘要

深度学习已被广泛用于基于CT图像的法医年龄估算，而数据量对于提升模型性能至关重要。然而，传统的数据增强方法，如翻转、旋转和调整对比度，并不适合用于年龄估算这类回归任务。本研究将R-Mixup这种数据增强技术应用于DenseNet121模型训练，以此对耻骨联合的CT图像进行年龄估算。研究分析了1,200名20至80岁个体的数据，其图像被分割为五个感兴趣区域：耻骨联合表面、坐骨结节、耻骨背侧、耻骨腹侧以及耻骨突。结果表明，R-Mixup显著提升了模型性能，尤其是与迁移学习结合使用时，能降低所有感兴趣区域图像的估算平均绝对误差。其中耻骨腹侧区域提供的信息最为丰富，女性的估算平均绝对误差最低，为4.89岁，男性为6.32岁。基于多个感兴趣区域的加权估算进一步提高了精度，表现最佳的组合中，女性的估算平均绝对误差为4.55岁，男性为6.00岁。这项研究证明了基于CNN的法医年龄估算方法的有效性，同时也凸显了多感兴趣区域分析以及非传统数据增强技术的优势。未来的研究将探讨共训练技术，以提高在骨骼遗骸不完整的案例中的模型稳定性。