Predicción de la edad ósea a partir de imágenes radiográficas del carpo usando aprendizaje profundo
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1361Palabras clave:
Radiodiagnóstico, Aprendizaje profundo, Edad ósseaResumen
La edad biológica, un indicador crucial del desarrollo humano, refleja los cambios físicos y mentales asociados con el envejecimiento. La estimación de la edad ósea, un método común en la práctica clínica que busca información sobre la edad biológica, puede ser subjetiva e imprecisa. Objetivo: Este estudio propone métodos basados en técnicas de aprendizaje profundo para estimar la edad esquelética a partir de imágenes de rayos X de la mano. Método: Utilizamos conjuntos de datos divididos por género y edad para entrenar y probar los modelos. Resultados: Los resultados muestran estimaciones prometedoras, con errores medios de 10,808 meses en un conjunto de datos público y 15,548 meses en un conjunto de datos privado. La herramienta desarrollada, ofrece un uso práctico para profesionales. Conclusión: Este estudio aplica aprendizaje profundo para predecir la edad ósea, lo que puede ayudar en la evaluación del desarrollo esquelético en áreas como pediatría y ortopedia.
Citas
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.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
La sumisión de un artículo a el Journal of Health Informatics es entendida como exclusiva y que no esta siendo considerado para publicación en otro periódico. La permisión de los autores para la publicación de su artículo en lo JHI implica en la exclusiva autorización concedida a los editores para su inclusión en la revista. Al someter un artículo, a lo autor será solicitada la permisión electrónica de una Nota de Copyright. Una mensaje electrónica será enviada a lo autor correspondiente confirmando el recibo del manuscrito y lo aceite de la Nota de Copyright.
