Age assessment of living persons plays an important role in clinical and sports medicine, as well as in law practice. Traditional methods have a number of problems: age restrictions, technical difficulties of visualization, low reproducibility and subjectivity of estimation. The proposed approach, which implies the use of multispiral computed tomography (MSCT) and database mining, will eliminate these drawbacks and improve the estimation of age. The aim of the study was to investigate the use of deep learning algorithms to classify the age groups (with a threshold level of 18 years) for CT images of knee joint. The study included 455 MSCT images of the knee joint of male and female subjects aged from 13 to 24. The method included score assessment of the distal femur's epiphyseal synostosis stages, tibia and fibula proximal epiphyses and a preliminary statistical analysis of correlations between age and stages of synostosis. The challenge of binary classification of target age groups with the use of convolutional neural networks was implemented at the second phase of the trial. Various architectures of convolutional neural networks and their ensembles were tested. The result of the study showed that the total score of epiphyseal synostosis has the highest correlation with the age (r=0.88). The proposed method of chronological age assessment on the basis of the knee area CT images research using deep learning algorithms demonstrated a good result. The classification accuracy (threshold level of 18 years) was 0.86.
Оценка возраста живых лиц играет важную роль в клинической и спортивной медицине, а также в юридической практике. Традиционные методы имеют ряд проблем: возрастные ограничения, технические трудности визуализации, низкую воспроизводимость, субъективизм оценки. Предлагаемый подход: использование мультиспиральной компьютерной томографии (МСКТ) и интеллектуального анализа данных — позволит устранить эти недостатки и улучшить оценку возраста. Цель исследования — изучение возможности использования методов глубокого обучения для классификации возрастной группы (с пороговым значением 18 лет) по КТ-изображениям коленного сустава. Исследование включало 445 снимков МСКТ коленного сустава от субъектов обоих полов в возрасте от 13 до 24 лет. Метод включал балльную оценку стадий эпифизарного сращения дистального отдела бедренной кости, проксимальных эпифизов большеберцовой и малоберцовой костей, предварительный статистический анализ корреляционных взаимосвязей возраста и стадий сращения. На втором этапе выполнено решение задачи бинарной классификации целевых возрастных групп с использованием сверточных нейронных сетей. Были протестированы различные архитектуры сверточных нейронных сетей и их ансамбли. Результат исследования показал, что суммарный балл эпифизарного сращения имеет наибольшую корреляционную связь с возрастом (r=0,88) Предложенный метод оценки хронологического возраста на основе исследования КТ-изображений области колена с использованием алгоритмов глубокого обучения (сверточных нейронных сетей) продемонстрировал хороший результат. Точность классификации (пороговое значение 18 лет) составила 0,86.
Keywords: age assessment of living persons; age assessment of pediatric persons; bone age; computed tomography; convolutional neural networks; deep learning algorithm; knee; machine learning; medical visualization; skeletal maturity.