基于全景放射影像深度迁移学习的人类性别预测
图像与视频处理
2022-12-09 v3 计算机视觉与模式识别
摘要
全景牙科放射摄影（PDR）图像处理是法医学中用途最广的性别判定人工方法之一。借助 PDR 图像，可通过分析表现两性异形的骨骼结构来完成一个人的生物学性别判定。人工方法需要大量以公制单位度量的下颌参数测量值。除了耗时外，这些方法还需要经验丰富的专业人员参与。在此背景下，深度学习模型因其处理速度快、准确率高和稳定性好，当今被广泛用于放射影像的自动分析。在我们的研究中，制备了一个由 24,000 张牙科全景图像组成的数据集用于二分类，并采用迁移学习方法来加速训练并提升我们所提出的 DenseNet121 深度学习模型的性能。通过迁移学习，而非从零开始学习过程，我们使用了先前已学到的现有模式。利用深度迁移学习（DTL）模型 VGG16、ResNet50 和 EfficientNetB6 进行了广泛比较，以评估所提模型在 PDR 图像中的分类性能。根据比较分析的结果，所提模型以 97.25% 的性别分类成功率优于其他方法。
引用
@article{arxiv.2205.09850,
title = {Human Gender Prediction Based on Deep Transfer Learning from Panoramic Radiograph Images},
author = {I. Atas},
journal= {arXiv preprint arXiv:2205.09850},
year = {2022}
}
备注
12 pages, 10 figures, 12 tables