Automated Biological Sex Estimation from Two-Dimensional Dental Arch Images Using Deep Learning

Technische Samenvatting: Geautomatiseerde biologische geslachtschatting op basis van tweedimensionale tandboogafbeeldingen met behulp van Deep Learning

Probleemstelling
Forensische identificatie van het biologische geslacht is een cruciale eerste stap bij het verkleinen van de kandidatenpool voor niet-geïdentificeerde menselijke resten. Hoewel het bekken en de schedel de meest seksueel dimorfe skeletelementen zijn, worden deze vaak vernietigd bij massale rampen, branden of langdurige begraving. Tandresten, die het meest gemineraliseerde weefsel vormen, overleven deze omstandigheden echter vaak. Bestaande geautomatiseerde methoden voor geslachtschatting die afhankelijk zijn van tandmorfologie, maken gebruik van ioniserende radiografie (orthopantomografie/OPG of cone-beam computertomografie/CBCT). Deze modaliteiten vormen aanzienlijke barrières voor inzet in veldomstandigheden, waaronder blootstelling aan straling, de noodzaak van kapitaalintensieve apparatuur en de afhankelijkheid van klinische infrastructuur. Bovendien vereist klassieke handmatige odontometrie intacte, niet-gesleten kronen en is het gevoelig voor inter-waarnemer variabiliteit. De auteurs stellen dat er een stralingsvrij alternatief bestaat in de vorm van tweedimensionale (2D) occlusale projecties van de tandboog, die seksueel dimorfe geometrische kenmerken (bijv. intercanine en intermolaire breedtes) coderen zonder interne structurele gegevens. De studie adresseert de kloof in het systematisch evalueren of deep learning-modellen in staat zijn tot end-to-end geslachtschatting vanaf deze stralingsvrije 2D-tandboogafbeeldingen zonder handmatige landmarking.

Methodologie
De studie maakte gebruik van een gebalanceerde corpus van 6.000 afbeeldingen (3.000 man, 3.000 vrouw) afkomstig van digitale intraorale scans van volwassenen in de leeftijd van 18–65 jaar, verkregen bij een enkele instelling in Marokko. De afbeeldingen werden gegenereerd door 3D-oppervlaktemeshes orthogonaal te projecteren op het occlusale vlak, waardoor een reproduceerbare projectieas vrij van perspectivische variantie werd gewaarborgd.

• Data Splitting: Een apart gehouden testset van 1.000 afbeeldingen (500 man, 500 vrouw) werd gereserveerd vóór de modelfitting. De resterende 5.000 afbeeldingen werden verdeeld in vijf gestratificeerde cross-validatievouwen om de leeftijd en het geslacht in balans te houden.
• Preprocessing Pipeline: Afbeeldingen ondergingen vier deterministische stappen: (1) Letterbox resizing naar 224×224 pixels om de aspectratio te behouden; (2) Conversie naar grijswaarden en toepassing van Contrast-Limited Adaptive Histogram Equalization (CLAHE) om het contrast van de boogranden te verbeteren; (3) Geometrische augmentatie (rotatie ±15°, horizontale spiegeling, schaaljitter) tijdens de training; en (4) Intensiteitsnormalisatie op basis van ImageNet-statistieken.
• Architecturen: Vier Convolutional Neural Network (CNN) backbones werden getest onder een identiek protocol met een gedeelde classificatiekop (Global Average Pooling, Dense 512, Dropout, Softmax):
  • Custom CNN: Een baseline getraind vanaf nul met drie convolutionele blokken.
  • EfficientNetB0: Een compound-scaled architectuur met Squeeze-and-Excitation (SE) modules.
  • MobileNetV2: Een depthwise-separable architectuur geoptimaliseerd voor edge-deployment.
  • ResNet50: Een diep residueel netwerk met 25,6 miljoen parameters.
• Training & Evaluatie: Modellen werden getraind met Adam-optimalisatie en categorical cross-entropy loss. Prestaties werden geëvalueerd met behulp van accuratesse, precisie, recall, F1-score en Area Under the Curve (AUC); statistische significantie werd beoordeeld via Bonferroni-gecorrigeerde gepaarde t-testen en Cohen's d effectgroottes.
• Verklaarbaarheid: Gradient-weighted Class Activation Mapping (Grad-CAM) werd toegepast op EfficientNetB0 om te verifiëren of de aandacht van het model overeenkwam met biologisch gevestigde dimorfe zones (intercanine breedte en intermolaire breedte).
• Ablatieonderzoek: Een factorial design isoleerde de bijdragen van CLAHE en geometrische augmentatie.

Belangrijkste Bijdragen

1. Stralingsvrije Pipeline: Een volledig geautomatiseerde, end-to-end pipeline gedefinieerd en gevalideerd die 2D-tandboogafbeeldingen direct in kaart brengt naar de waarschijnlijkheid van het geslacht, zonder handmatige meting of ioniserende straling.
2. Uitgebreide Benchmarking: Vier verschillende CNN-architecturen (custom, compound-scaled, mobile-separable en deep-residual) systematisch vergeleken onder een rigoureus vijfvoudig cross-validatieprotocol.
3. Statistische Rigor: Gedetailleerde statistische validatie geleverd, inclus_ief 95% bootstrap betrouwbaarheidsintervallen, paarwijze vergelijkingen en effectgroottes om conclusies tussen modellen te ondersteunen.
4. Biologische Traceerbaarheid: Kwalitatieve Grad-CAM-analyse gepresenteerd die aantoont dat de aandacht van het model geconcentreerd is op anatomisch relevante dimorfe regio's (intercanine en intermolaire breedtes), wat een basis biedt voor forensische toelaatbaarheid.
5. Preprocessing Analyse: Een ablatieonderzoek uitgevoerd dat de bijna-additieve impact van contrastverbetering en geometrische augmentatie op de modelprestaties kwantificeerde.

Resultaten

• Prestaties: EfficientNetB0 behaalde de hoogste accuratesse (96,39% ± 0,84%) en AUC (0,980 ± 0,006). MobileNetV2 volgde nauw met 95,88% ± 0,91% accuratesse.
• Statistische Significantie: EfficientNetB0 presteerde significant beter dan de Custom CNN en ResNet50 (p < 0,001). Het verschil tussen EfficientNetB0 en MobileNetV2 was echter niet statistisch significant na Bonferroni-correctie (p = 0,042), wat suggereert dat MobileNetV2 een levensvatbaar alternatief is voor omgevingen met beperkte middelen.
• Onderpresteren van ResNet50: Ondanks de 25,6 miljoen parameters bereikte ResNet50 de laagste accuratesse (79,38%) en de hoogste variantie, wat wijst op overfitting op de structureel ijle inputdata.
• Bevindingen Ablatieonderzoek: De combinatie van CLAHE en geometrische augmentatie zorgde voor een accuratesse-winst van 4,69 procentpunt ten opzien van de baseline (zonder preprocessing), waarbij de twee stappen op een bijna-additieve wijze werkten.
• Klassenbalans: Het beste model (EfficientNetB0) vertoonde een symmetrische precisie en recall over de mannelijke en vrouwelijke klassen, wat duidt op een gebrek aan systematische bias.
• Verklaarbaarheid: Grad-CAM visualisaties bevestigden dat het model zich concentreerde op de intercanine en intermolaire regio's, consistent met populatiebrede morfometrische studies, terwijl het niet-dimorfe gebieden zoals de palatale middenlijn negeerde.

Significantie en Claims
Het artikel claimt dat tandbooggeometrie, wanneer vastgelegd via 2D occlusale projecties, een levensvatbare, stralingsvrije modaliteit is voor forensische geslachtschatting. De voorgestelde methode bereikt accuratesse-niveaus die concurrerend zijn met state-of-the-art radiografische deep learning-modellen (bijv. die gebruikmaken van OPG of CBCT), terwijl de noodzaak voor ioniserende straling en gespecialiseerde klinische infrastructuur wordt geëlimineerd.

De auteurs benadrukken dat voor inzet in het veld, met name bij rampen en identificatie van slachtoffers (DVI) waar apparatuur en stroom beperkt zijn, MobileNetV2 te verkiezen is vanwege het lagere aantal parameters (3,4M vs. 5,3M) en de lagere computationele kosten, gezien de statistische pariteit met EfficientNetB0. De studie concludeert dat de aanpak een "stralingsvrij" alternatief biedt dat sneller in te zetten is dan radiografie en toepasbaar is, zelfs bij gedeeltelijk edentate subjecten (via de contouren van de alveolaire kam), mits de data wordt verkregen via gestandaardiseerde intraorale scans. De auteurs merken expliciet op dat hoewel de resultaten veelbelovend zijn, de modaliteit externe validatie vereist op multi-etnische, multi-site datasets en verdere karakterisering van de domeinkloof tussen scanner-afgeleide projecties en veldfotografie voordat operationele adoptie kan plaatsvinden.