Predição de idade óssea a partir de imagens radiográficas do carpo usando aprendizado profundo
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1361Palavras-chave:
Radiodiagnóstico, Deep Learning, Idade ósseaResumo
A idade biológica, indicador crucial do desenvolvimento humano, reflete as mudanças físicas e mentais associadas ao envelhecimento. A estimativa da idade óssea, um método comum na prática clínica que busca informações sobre idade biológica, pode ser subjetiva e imprecisa. Objetivo: Este estudo propõe métodos baseados em técnicas de aprendizado profundo para estimar a idade esquelética a partir de imagens de raios-X da mão. Método: Utilizamos conjuntos de dados divididos por gênero e idade para treinar e testar os modelos. Resultados: Os resultados demonstram promissoras estimativas, com erros médios de 10,808 meses em um conjunto de dados público e 15,548 meses em um conjunto privado. A ferramenta desenvolvida, com sua interface gráfica intuitiva, oferece uma utilização prática para profissionais médicos e pesquisadores. Conclusão: Este estudo aplica aprendizado profundo para prever a idade óssea, o que pode auxiliar na avaliação do desenvolvimento esquelético em áreas como pediatria e ortopedia.
Referências
Prokop-Piotrkowska M, Marszałek-Dziuba K, Moszczyńska E, Szalecki M, Jurkiewicz E. Traditional and new methods of bone age assessment-an overview. J Clin Res Pediatric Endocrinology. 2021;13:251.
Dallora AL, Anderberg P, Kvist O, Mendes E, Diaz Ruiz S, Sanmartin Berglund J. Bone age assessment with various machine learning techniques: A systematic literature review and meta-analysis. PLoS One. 2019;14
Delorme AL. Automatic methodology for bone age estimation using shape analysis in carpal radiographs [dissertação de mestrado]. São Carlos: School of Engineering of São Carlos, University of São Paulo; 2010. [citado em 13 fev 2023].
Vrbaški S, Ito M, Moyano LG, de Santana VF. Characterization of breast tissues in density and effective atomic number basis via spectral X-ray computed tomography. Physics in Medicine & Biology. 2023;68(14):145019.
Todd TW. Atlas of Skeletal Maturation. The C.V. Mosby Company; 1937. p. 37.
Olivete Júnior C, Rodrigues ELL. Bone maturity: estimation by simplifications of the Eklof and Ringertz method. Radiol Bras. 2010;43.
Halabi SS, et al. The RSNA pediatric bone age machine learning challenge. Radiology. 2019;290:498-503.
Zulkifley MA, Mohamed NA, Abdani SR, Kamari NAM, Moubark AM, Ibrahim AA. Intelligent bone age assessment: an automated system to detect a bone growth problem using convolutional neural networks with attention mechanism. Diagnostics. 2021;11(5):765.
An DY. Bone age estimation using mosaics of ossification centers from carpal radiographs as input images for Deep Learning [dissertação de mestrado]. Espírito Santo: Federal Institute of Espírito Santo; 2017.
Lee H, et al. Fully Automated Deep Learning System for Bone Age Assessment. Boston: Springer; 2017. p. 30, 427-441.
Tuma CESN, et al. Assessment of bone age in children aged 9 to 12 years in the city of Manaus-AM. Dental Press J Orthod. 2011;16(3):63-69.
Pinto VCM, et al. Relationship of bone age and hormonal markers with the physical capacity of adolescents. J Hum Growth Dev. 2017;27(1):77-83.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
A submissão de um artigo ao Journal of Health Informatics é entendida como exclusiva e que não está sendo considerada para publicação em outra revista. A permissão dos autores para a publicação de seu artigo no J. Health Inform. implica na exclusiva autorização concedida aos editores para incluí-lo na revista. Ao submeter um artigo, ao autor será solicitada a permissão eletrônica de um Termo de Transferência de Direitos Autorais. Uma mensagem eletrônica será enviada ao autor correspondente confirmando o recibo do manuscrito e o aceite da Declaração de Direito Autoral.
