Evaluating Children’s Growth Based on Carpal Bones in Left-Hand X-Ray Images Using Deep Learning

Technische Samenvatting: Evaluatie van de groei van kinderen op basis van carpale botten in röntgenfoto's van de linkerhand met behulp van Deep Learning

Probleemstelling
Botleeftijdmeting (Bone Age Assessment, BAA) is een cruciaal diagnostisch instrument in de pediatrische radiologie en endocrinologie voor het evalueren van de skeletmaturatie en het begeleiden van de behandeling van groeistoornissen. Traditionele klinische methoden, zoals de Greulich–Pyle (GP) atlas en het Tanner–Whitehouse (TW) score systeem, vertrouwen op handmatige visuele vergelijking van ossificatiecentra. Deze benaderingen zijn inherent subjectief, tijdrovend en gevoelig voor inter- en intra-waarnemersvariabiliteit. Hoewel recente ontwikkelingen in deep learning de BAA hebben geautomatiseerd, behandelen de meeste state-of-the-art modellen de volledige handröntgenfoto als een globale input. Bijgevolg blijft de specifieke voorspellende bijdrage van afzonderlijke anatomische regio's — met name de carpale botten voorbij de vroege kindertijd — ondergekarakteriseerd. Dit onderzoek onderzoekt of de carpale botten alleen voldoende leeftijdsgebonden informatie bevatten om een nauwkeurige BAA te ondersteunen over de gehele kindertijd en adolescentie, wat potentieel een meer gefocuste en efficiëntere alternatief biedt voor de analyse van de gehele hand.

Methodologie
Het onderzoek maakt gebruik van de RSNA Pediatric Bone Age dataset, bestaande uit 12.811 röntgenfoto's van de linkerhand van pediatrische patiënten (leeftijden 1–228 maanden). Vanwege de onbalans in de oorspronkelijke dataset (specifiek het gebrek aan monsters in de vroege zuigelingentijd en na de puberteit) en het gebrek aan publieke labels voor de officiële testset, hebben de auteurs de gelabelde trainingsdata herverdeeld in een 80:10:10 split voor training, validatie en testen.

• Region of Interest (ROI): In tegenstelling tot eerdere studies die de gehele hand of meerdere regio's analyseren, isoleert dit werk de carpale botten. De bovenste 50% van elke röntgenfoto wordt bijgesneden om de carpale regio te behouden, terwijl de onderste 10% wordt opgevuld met witte pixels om afsnijding tijdens rotatie-augmentatie te voorkomen.
• Preprocessing Pipelines: Er zijn twee verschillende preprocessing pipelines ontwikkeld en vergeleken:
  1. Pipeline 1 (Niet-gedrempelde): Past Contrast Limited Adaptive Histogram Equalization (CLAHE) toe voor lokale contrastverbetering, gevolgd door Gaussische vervaging en median filtering voor ruisonderdrukking.
  2. Pipeline 2 (Gedrempelde): Bevat alle stappen van Pipeline 1, maar voegt een adaptieve drempelwaarde stap toe om de afbeeldingen om te zetten in binaire representaties.
  • Opmerking: Een grid search bepaalde de optimale parameters (Gaussische kernel=11, median kernel=3, block size=33, C=2) op basis van handmatige validatie van de duidelijkheid van de contouren van de carpale botten.
• Modelarchitectuur: Een ResNet-50 backbone, vooraf getraind op ImageNet, werd aangepast voor regressie door de classificatiekop te vervangen door een volledig verbonden laag (fully connected layer) om de leeftijd in maanden te voorspellen.
• Trainingsstrategie: Een progressieve fine-tuning benadering werd toegepast. Aanvankelijk werd alleen de regressiekop getraind. Vervolgens werden diepere lagen geleidelijk ontdoord (unfrozen). De niet-gedrempelde pipeline vereiste volledige netwerk fine-tuning om optimale prestaties te bereiken, terwijl de gedrempelde pipeline stabiliseerde na het ontdooien van de laatste 30 lagen.
• Data Augmentatie: Tijdens de training werden de afbeeldingen genormaliseerd en onderworpen aan kleine rotaties (±5°), horizontale/verticale verschuivingen (tot 10%/5%) en zoomvariaties (5%).

Belangrijkste Resultaten

• Algemene Prestaties: De best presterende configuratie (Pipeline 1, zonder adaptieve drempelwaarde) behaalde een Mean Absolute Error (MAE) van 8,38 ± 0,39 maanden op de testset. Dit resultaat presteerde beter dan de gedrempelde configuratie, die een aanzienlijk hogere MAE van 14,85 ± 0,72 maanden opleverde.
• Vergelijking met Voorgaand Werk: Hoewel de 8,38 maanden MAE hoger is dan de best presterende modellen voor de gehele hand of meerdere regio's (bijv. Kasani en Sajedi 2023 rapporteerden 3,84 maanden met MobileNetV2 op volledige handen), laat deze studie zien dat een model dat uitsluitend vertrouwt op de carpale regio een concurrerende nauwkeurigheid kan bereiken ten opzichte van full-hand methoden, met name wanneer het wordt vergeleken met eerdere ResNet-50 benchmarks op de RSNA-dataset (bijv. Iglovikov et al. 2018 rapporteerden ~8,42 maanden voor de volledige hand).
• Impact van Preprocessing: Het verwijderen van de adaptieve drempelwaarde stap was de meest kritieke factor voor de verbetering van de prestaties. De auteurs schrijven de degradatie in het gedrempelde model toe aan de onderdrukking van fijnmazige texturele cues die essentieel zijn voor leeftijdschatting.
• Demografische en Leeftijdsspecifieke Prestaties:
  • Geslacht: Het model presteerde iets beter op mannen (MAE 7,91 maanden) dan op vrouwen (MAE 8,95 maanden).
  • Leeftijdsgroepen: De nauwkeurigheid varieerde per ontwikkelingsfase. Het model vertoonde lagere fouten tijdens de vroege, midden en late puberteit (bijv. 6,27 maanden voor late puberteit bij mannen) waar de carpale ossificatie actief is. De prestaties waren verminderd in de vroege zuigelingentijd, een beperking die de auteurs toeschrijven aan de dataset-onbalans (slechts 13 monsters voor leeftijden 1–10 maanden) en de beperkte anatomische variabiliteit in gedeeltelijk ontwikkelde ossificatiecentra.

Betekenis en Claims
Het artikel beweert dat carpale botten substantiële leeftijdsgebonden informatie coderen die voldoende is voor betrouwbare botleeftijdvoorspelling wanneer deze wordt gecombineerd met geschikte deep learning modellen en zorgvuldige preprocessing. De studie daagt de aanname uit dat analyse van de gehele hand strikt noodzakelijk is voor een hoge nauwkeurigheid bij geautomatiseerde BAA.

De auteurs positioneren hun bevindingen als een stap naar efficiëntere en interpreteerbare klinische systemen. Door te focussen op een kleinere, goed gedefinieerde anatomische regio (de carpale botten), zouden dergelijke benaderingen potentieel de annotatie-inspanning kunnen verminderen, de evaluatietijd kunnen verkorten en consistente metingen kunnen bieden zonder de complexiteit van het analyseren van de gehele hand. De auteurs blijven echter bescheiden over de absolute nauwkeurigheid en erkennen dat, hoewel carpal-only modellen levensvatbaar zijn, ze momenteel niet presteren boven de meest geavanceerde whole-hand of multi-region hiërarchische modellen. De studie benadrukt dat de keuze van de preprocessing — specif kind de agressieve binarisatie te vermijden — een beslissende factor is bij het maximaliseren van de deep learning prestaties voor deze medische beeldvormingstaak.