用于骨龄评估的机器学习方法比较分析：基于三种不同模型的综合研究
计算机视觉与模式识别
2024-11-18 v1 机器学习
摘要
放射科医生和医生利用儿童和婴儿非优势手的 X 射线影像来评估遗传性疾病和生长异常的可能性。这是通过评估利用 X 射线发现的实际生长程度与受试者实际年龄之间的差异来完成的。传统上，评估采用 Greulich-Pyle (GP) 或 Tanner-Whitehouse (TW) 方法。这些方法需要高水平的专业知识，且往往导致观察者偏差。因此，为了实现 X 射线评估过程的自动化，并提高其准确性和效率，开发了多种机器学习模型。这些机器学习模型在准确性和效率方面存在若干差异，导致根据需求和可用资源选择合适模型变得不明确。方法：本研究分析了用于骨龄预测自动化的 3 种最广泛使用的模型，即 Xception 模型、VGG 模型和 CNN 模型。这些模型在预处理后的数据集上训练，并使用以月为单位的 MAE 来测量每个模型的准确性。利用此结果进行模型间的比较。结果：Xception、VGG 和 CNN 这 3 种模型已针对准确性和其他相关因素进行了测试。
引用
@article{arxiv.2411.10345,
title = {Comparative Analysis of Machine Learning Approaches for Bone Age Assessment: A Comprehensive Study on Three Distinct Models},
author = {Nandavardhan R. and Somanathan R. and Vikram Suresh and Savaridassan P},
journal= {arXiv preprint arXiv:2411.10345},
year = {2024}
}