Biological Sex Determination in Cadavers Using Deep Learning Algorithms from Computed Tomography Images of Pelvis and Skull
Diese Studie zeigt, dass Deep-Learning-Algorithmen, die auf 2D-Projektionen von 3D-CT-Rekonstruktionen des Beckens und des Schädels angewendet werden, eine hohe Genauigkeit (95,65 %) bei der automatischen Bestimmung des biologischen Geschlechts von dekomponierten Leichen erreichen können und somit eine schnelle und objektive Alternative zu traditionellen forensisch-anthropologischen Methoden bieten.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen eine Person zu identifizieren, die verstorben ist, aber ihr Körper befindet sich in einem Zustand, in dem eine Betrachtung mit bloßem Auge schwierig oder unmöglich ist. Vielleicht ist der Körper zersetzt oder es gab einen Unfall, der die Knochen beschädigt hat. Traditionell hätte ein forensischer Experte (ein „Knochen-Detektiv“) den Schädel und das Becken (die Hüftknochen) physisch untersuchen müssen, um nach spezifischen Formen zu suchen, die sich normalerweise zwischen Männern und Frauen unterscheiden. Das ist so, als würde man versuchen, das Geschlecht einer Person anhand eines verschwommenen, beschädigten Fotos zu erraten; es kostet Zeit, hängt von der Stimmung oder der Sehkraft des Experten ab und kann falsch sein, wenn das Foto zu stark beschädigt ist.
Dieses Paper stellt einen neuen „digitalen Assistenten“ für diese Knochen-Detektive vor. Anstatt die Knochen direkt zu betrachten, haben die Forscher dem Computer beigebracht, CT-Scans (die wie 3D-Röntgenbilder sind) des Schädels und des Beckens zu analysieren.
So haben sie es gemacht, einfach erklärt:
1. Die „Schule der Knochen“
Die Forscher stellten eine Bibliothek von CT-Scans von 141 echten Körpern zusammen, die in einem forensischen Institut in Brasilien gefunden wurden. Dies waren keine perfekten, musealen Skelette. Es waren reale Fälle, einige mit gebrochenen Knochen, einige mit Verbrennungen und einige, die bereits im Zersetzungsprozess waren. Das ist wichtig, denn es ist so, als würde man einen Schüler nicht nur anhand perfekter Lehrbuchdiagramme trainieren, sondern anhand von chaotischen, realen Hausaufgaben.
2. Der „Magische Kamera“-Trick
Computer sind gut darin, flache Bilder (2D) zu betrachten, aber CT-Scans sind 3D-Objekte. Um dies zu ermöglichen, nahmen die Forscher die 3D-Scans und drehten sie um, wobei sie 11 verschiedene „Schnappschüsse“ machten (so als würde man ein Foto einer Statue von vorne, von der Seite und aus jedem anderen Winkel aufnehmen). Diese flachen Schnappschüsse speisten sie dann in ein Deep-Learning-System ein.
Betrachten Sie Deep Learning als einen sehr hungrigen Schüler, der lernt, indem er tausende Beispiele betrachtet. Die Forscher versuchten, diesen Schüler mit verschiedenen „Lehrbüchern“ (Algorithmen wie YOLO, ResNet und VGG) zu unterrichten. Sie wollten sehen, welches Lehrbuch dem Schüler helfen würde, am schnellsten und genauesten zu lernen.
3. Die zwei Arten, das Spiel zu spielen
Der Computer wurde gebeten, zwei verschiedene Spiele zu spielen:
- Spiel A (Binär): Einfach nur „Junge“ oder „Mädchen“ raten.
- Spiel B (Quartär): „Junge-Schädel“, „Mädchen-Schädel“, „Junge-Becken“ oder „Mädchen-Becken“ raten.
Es stellte sich heraus, dass Spiel B der Gewinner war. Es ist, als würde man versuchen, eine Frucht zu identifizieren. Es ist schwieriger, nur zu sagen: „Ist das eine Frucht?“, denn ein Apfel und ein Stein könnten im Dunkeln ähnlich aussehen. Aber wenn man sagt: „Ist das ein roter Apfel, ein grüner Apfel, ein Stein oder ein Blatt?“, erkennt der Computer viel besser die winzigen Details, die sie unterscheiden. Durch die Trennung von Schädel und Becken konnte sich der Computer auf die spezifischen „Hinweise“ in jedem Bereich konzentrieren, ohne verwirrt zu werden.
4. Das „Betrugs“-Problem (Datenknappheit)
Es gab ein Problem: Es gab viel mehr männliche Körper (104) als weibliche Körper (38) in ihrer Bibliothek. Wenn man einen Schüler mit 100 Bildern von Jungen und nur 40 von Mädchen trainiert, wird der Schüler einfach jedes Mal „Junge“ raten, um eine hohe Punktzahl zu erreichen.
Um dies zu beheben, nutzten die Forscher Data Augmentation (Datenaugmentation). Stellen Sie sich vor, Sie nehmen ein Foto eines Skeletts und nutzen einen digitalen Editor, um es leicht zu drehen, die Helligkeit zu ändern oder ein wenig „Rauschen“ (wie das statische Rauschen eines alten Fernsehers) hinzuzufügen. Sie taten dies, um neue künstliche Fotos aus den echten zu erstellen, was dem Computer effektiv mehr Übungsmaterial gab, damit er nicht zugunsten der männlichen Beispiele voreingenommen wäre.
5. Die Ergebnisse: Der „Super-Schüler“
Nach dem Training wurde das beste Computermodell (eine spezifische Version namens YOLO26-Nano) an Körpern getestet, die es noch nie zuvor gesehen hatte.
- Die Punktzahl: Es lieferte in 95,65 % der Fälle die richtige Antwort bei der Betrachtung der gesamten Person (Patienten-Ebene).
- Das Becken: Es war fast perfekt darin, das Becken (die Hüftknochen) zu identifizieren.
- Der Schädel: Es war sehr gut beim Schädel, obwohl dieser etwas schwieriger war, da weibliche Schädel etwas mehr wie männliche Schädel aussehen können als das Becken.
- Der „Black-Box“-Check: Normalerweise ist KI eine „Black Box“ – man gibt ein Bild hinein, eine Vermutung kommt heraus, aber man weiß nicht warum. Die Forscher nutzten ein Werkzeug namens Heatmaps (ähnlich einer Wärmebildkamera), um zu sehen, worauf der Computer achtete. Sie fanden heraus, dass der Computer genau dieselben Stellen betrachtete, auf die auch menschliche Experten schauen: die Form des Kinns, die Augenbrauenwölbung und den Winkel des Hüftknochens. Dies bewies, dass der Computer nicht nur rät, sondern tatsächlich „Anatomie gelernt“ hat.
6. Die Einschränkung
Das Paper ist sich seiner Grenzen sehr bewusst. Der Computer wurde mit Daten aus einem spezifischen Krankenhaus unter Verwendung eines spezifischen CT-Scanners trainiert. Es ist, als hätte ein Schüler nur in einem einzigen Klassenzimmer mit einem einzigen Lehrer gelernt. Während sie in diesem speziellen Klassenzimmer großartige Arbeit geleistet haben, wissen wir noch nicht, ob sie auch in einer anderen Schule mit anderem Licht oder anderen Lehrbüchern genauso gut abschneiden werden. Die Forscher sagen, dass wir dies in mehr Krankenhäusern und mit verschiedenen Maschinen testen müssen, bevor wir es überall vertrauen können.
Zusammenfassung
Zusammenfassend zeigt dieses Paper, dass wir einen Computer lehren können, CT-Scans von beschädigten oder zersetzten Skeletten zu betrachten und uns mit sehr hoher Genauigkeit zu sagen, ob sie männlich oder weiblich waren. Er arbeitet schneller als ein Mensch, wird nicht müde und sucht nach denselben Hinweisen wie Menschen. Dennoch muss er derzeit noch mit verschiedenen Arten von Maschinen und Krankenhäusern üben, bevor er als Standardwerkzeug in jeder Leichenhalle eingesetzt werden kann.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.