Использование нейронных сетей для оценки возрастных изменений некоторых структур черепа и шейных позвонков по данным КТ-снимков (пилотный проект)

Г.В. Золотенкова, Д.К. Валетов, М.П. Полетаева, Ю.В. Василевский

Ключевые слова: определение возраста; компьютерная томограмма; атланто-осевой сустав; позвонки; глубокое обучение; искусственная нейронная сеть.

Цель исследования — изучение возможности использования технологий искусственного интеллекта для прогнозирования возраста по данным КТ-исследования некоторых структур черепа и шейных позвонков.

Материалы и методы. В исследование включены 223 томограммы головы и шеи в сагиттальной проекции от пациентов без какой-либо патологии изучаемых структур. Морфометрический анализ выполняли при помощи программ PjaPro, Gradient, статистический анализ — SPSS Statistics. Применяли полностью сверточную нейронную сеть EfficientNet-B2, для которой проводили обучение в два этапа: выделение интересующей области и решение задачи регрессии.

Результаты. Морфометрическая оценка и последующий статистический анализ выделенной группы признаков выявили наличие наиболее сильной корреляционной связи с возрастом у показателя, характеризующего инволюцию срединного атланто-осевого сустава. Опробован метод использования системы глубокого обучения с помощью сверточной сети, которая автоматически выделяет нужную область на снимке (область соединения позвонков), классифицирует образец и дает предположение о возрасте неизвестного с точностью от 7,5 до 10,5 года.

Заключение. Получен положительный опыт, свидетельствующий о возможности использования сверточных нейронных сетей для установления возраста неизвестного, что расширяет доказательную базу и дает новые возможности для определения общегрупповых признаков личности в судебной медицине.

Введение

В современных реалиях судебно-медицинская экспертиза по установлению возраста является особенно востребованной [1, 2]. Это обусловлено, в частности, ежегодным ростом миграционной активности и, как следствие, увеличением числа лиц, находящихся на территории чужой страны без документов, удостоверяющих личность [3, 4].

Существует множество методов определения возраста, основанных на качественном или на количественном анализе морфологических параметров костных структур и их рентгенологических изображений [2, 5]. Рентгенологические методы исследования имеют ряд недостатков, основные из которых — низкая точность результатов и субъективность в оценке полученных данных. Кроме того, они зачастую достаточно трудоемки. Лучевые методы медицинской визуализации имеют ряд преимуществ перед обычным рентгеновским снимком. Так, КТ дает возможность более детально и точно исследовать не только орган, но и отдельные структуры, их организацию и саму костную ткань за счет получения изображений различных слоев с высоким разрешением, без наслоения.

В настоящее время существует потребность в разработке новых быстрых и «удобных» в рутинном использовании методов установления биологического возраста с помощью современных компьютерных программ, способных обеспечить воспроизводимость самой методики и достоверность экспертных выводов [6–8]. Конечным результатом подобной работы должен стать полностью автоматизированный, непредвзятый и неинвазивный метод точного определения возраста человека.

Технологии машинного обучения зарекомендовали себя как мощный и эффективный инструмент для работы с медицинскими изображениями и позволили оптимизировать многие рутинные процессы в диагностике. В частности, благодаря внедрению компьютерного зрения удалось заменить традиционные алгоритмы, основанные на ручном программировании функций [9–12]. В медицинской практике глубокие нейронные сети применяют для обнаружения паттернов интерстициальных заболеваний легких на КТ-изображениях органов грудной клетки [13, 14]; сегментации сосудистой сети глаза человека на фотографиях глазного дна [15]; прогнозирования развития феномена коронарной микрососудистой обструкции в ходе выполнения чрескожных коронарных вмешательств [16]; а также для определения возраста по рентгенограммам кисти [17] и зубов [8]. Важным преимуществом глубоких нейронных сетей является возможность получать высокорепрезентативные, иерархические представления изображений [18]. В дополнение к задачам сегментации и локализации многие методы, основанные на глубоком обучении, хорошо подходят для задач регрессии и классификации в медицинской визуализации, что позволяет успешно использовать их для оценки возраста и в судебной медицине [2, 5].

Методы машинного обучения представляются перспективными для снижения зависимости результатов от пользователя при одновременном ускорении процесса и стандартизации измерений. Недавние достижения в области искусственного интеллекта позволили автоматизировать рабочие процессы и получить новые результаты в области медицины [18, 19]. Искусственные нейронные сети, выступая в качестве селекторов функций, могут быть обучены извлекать информацию, относящуюся к конкретной задаче [20]. В связи с вышесказанным разработка и внедрение нейронных сетей для оценки возрастных изменений является актуальной задачей.

Материалы и методы

Материалы. Изучали КТ-сканограммы черепа пациентов, обследованных в отделении лучевой диагностики Университетской клинической больницы №1 Первого Московского государственного медицинского университета им. И.М. Сеченова за период с 2018 по 2022 гг. Все исследования были проведены на компьютерном томографе Canon Aguillion One (Toshiba, Япония) (количество рядов детекторов — 320, толщина среза — 0,5 мм). Полученные данные экспортировали в формат DICOM, а затем при помощи программы Merge Healthcare–eFilm Workstation 4.2 сагиттальные проекции черепа в костном режиме были экспортированы в формат BMP для дальнейших исследований.

Характеристика выборки. В исследование включены 223 анонимизированные томограммы головы и шеи пациентов в возрасте от 17 до 79 лет в сагиттальной проекции без какой-либо патологии структур внутреннего основания черепа и краниовертебральной области, а именно лобных, клиновидной пазух и I, II шейных позвонков. Возраст человека в годах рассчитывали исходя из даты рождения и даты получения изображения. Соотношение женщин и мужчин в выборке — 54 и 46% соответственно, фильтрацию образцов не применяли. Возрастные распределения между мужчинами и женщинами почти одинаковы. Данные смещены в сторону более молодых выборок, хотя средний возраст составляет 39 лет, что статистически относит выборки к категории «взрослых». Возрастные группы старше 60 лет имеют значительно меньший размер. Подробное распределение выборок по полу и возрасту представлено на рис. 1.

Рис. 1. Распределение выборок по полу и возрасту:

а — женщины, б — мужчины

Морфометрический анализ КТ-изображений выполняли при помощи программы PjaPro, предназначенной для автоматизированного выделения «пятен» с сохранением координат и параметров в файле (оценка геометрических характеристик изображений лобных и клиновидных пазух, признаки 1–17 в таблице), и программы Gradient для анализа диффузных изображений цветных или оттенков серого (оценка неоднородности изображения костной ткани в области блюменбахова ската и спинки турецкого седла, признаки 18–25 в таблице) [21]. В PjaPro на основании полученных исходных величин рассчитаны величина среднего размера пазух, отношение площадей лобных пазух к площади клиновидной пазухи в условных единицах (пикселях) и две новые безразмерные величины, характеризующие степень вытянутости изображения пазух, — среднее значение вытянутости пазух и максимальное значение вытянутости пазух. Подробная методика проведения измерений изучаемых признаков изложена в предыдущей работе [22].

Следующий этап исследования заключался в анализе соотношения позвонков в атланто-аксиальном суставе Крювелье с помощью визуально-морфометрического метода исследования КТ-снимков. Для удобства оценки инволютивных изменений сустава была проведена дополнительная разбивка выборки на возрастные группы с 10-летним интервалом.

Сформирован общий перечень изучаемых признаков (параметров), составленный на основании изучения специализированной литературы по возрастной морфологии (см. таблицу).

Нейронные сети. 3D-изображения получали из необработанных файлов DICOM путем конвертации их в файлы .nii. Затем с помощью библиотеки SimpleITK эти изображения загружали в Python в виде массивов NumPy.Результирующие 3D-изображения имели разрешение 512×512×Z, где Z варьировался в диапазоне от 197 до 631. Применяли полностью сверточную нейронную сеть EfficientNet-B2 [20] для выделения интересующей нас области и нейросеть, состоящую преимущественно из слоев 3D-свертки кастомной архитектуры, для решение задачи регрессии возраста. Для оценки точности и эффективности решаемой задачи классификации нейронными сетями использовали визуализацию данных — матрицу ошибок [18, 19], а для оценки качества решения задачи регрессии — диаграмму рассеяния значений для тренировочных и тестовых данных.

Статистический анализ. Статистический анализ результатов морфометрического исследования выполнен с помощью программы SPSS Statistics 21. Был применен метод описательной статистики c вычислением среднеарифметического значения статистической погрешности средней арифметической; среднего квадратического отклонения; медианы, минимального и максимального значения признака. Показатель нормальности распределения рассчитывали по тесту Колмогорова–Смирнова. У ряда показателей имелось сильное некомпактное и асимметричное распределение (признаки 24 и 25). Для показателей с некомпактным и асимметричным распределением использовали непараметрические методы статистики, поэтому считали не только среднее арифметическое значение, но и медиану с квартилями. Для учета взаимного влияния факторов в работе применяли также метод корреляционного анализа с вычислением коэффициентов корреляции Пирсона (r). Статистическую значимость различий определяли по U-критерию Манна–Уитни, считая различия статистически значимыми при уровне р<0,05.

Результаты

Морфометрическая оценка возрастных изменений лобных и клиновидных пазух заключалась в определении геометрии пазух и их размерных характеристик с использованием программы PjaPro [16, 18]. В ходе исследования проанализированы 17 метрических параметров лобных и клиновидных пазух (см. таблицу, признаки 1–17). Помимо метрических размеров лобных и клиновидных пазух рассчитывали коэффициенты их соотношения и разности локации условных центров синусов по вертикальной оси. В результате статистического анализа установлена незначительная связь изученных показателей с возрастом. Следовательно, данные параметры (см. таблицу, рис. 2) не могут использоваться для дальнейшей работы.

Перечень параметров для проведения измерений в программах Gradient и PjaPro с указанием коэффициента корреляции между исследуемыми параметрами и возрастом

Рис. 2. Тепловая карта (Heatmap) показателей возрастных изменений изучаемых структур черепа

ЛП — лобная пазуха, КП — клиновидная пазуха

Изучение возрастных изменений в области спинки турецкого седла и блюменбахова ската. Проанализировали выраженность и распространенность разрежения костного вещества на КТ-снимках для оценки возрастных изменений в области спинки турецкого седла и блюменбахова ската. При помощи программы Gradient оценивали неоднородность цвета костной ткани этих анатомических структур. Определены степени яркости каждой точки костной ткани в диапазоне от 0 (черная) до 255 (ярко-белая), после чего полученный массив яркостей точек оценивали как количество наблюдений случайной величины. Для дальнейшего исследования выбраны 9 параметров (признаки 18–25 в таблице). С целью визуального анализа зависимостей признаков построена тепловая карта, представленная на рис. 2.

При корреляционном анализе установлено следующее: среднее значение яркости серого точек структуры костного вещества блюменбахова ската и спинки турецкого седла (признак 18) уменьшается с возрастом (становится темнее на тепловой карте); дисперсия (признак 19) и среднеквадратичное отклонение яркости (признак 20) становятся более однородными с возрастом; коэффициент вариации (признак 21) и третий центральный момент яркости (признак 22) не имеют статистически значимых корреляций с возрастом; четвертый центральный момент (признак 24) и коэффициент эксцесса (признак 25) распределяются менее компактно в зависимости от количества прожитых лет. Наиболее сильная связь с возрастом обнаружена у показателя «среднеквадратичное отклонение яркости структуры костного вещества блюменбахова ската и спинки турецкого седла» (признак 20). На основании исследования распределения яркости точек была показана взаимосвязь возраста с особенностями изображения костной ткани. Зафиксированы характеристики, в целом отражающие процессы изменения плотности костной ткани, ее разряжения и неоднородности, которые прогрессируют с возрастом.

Морфометрическое исследование трансформации (инволюции) срединного атланто-осевого сустава (сустава Крювелье). Оценивали в динамике морфологические изменения I и II шейных позвонков, а также анализировали взаимосвязь между позвонками в ходе морфометрического исследования трансформации (инволюции) срединного атланто-осевого сустава (сустава Крювелье). Динамика возрастной трансформации срединного атланто-осевого сустава подробно описана в работе [22].

На основании изученных КТ-снимков предложена 7-балльная шкала (0–6) качественной оценки инволютивно-дегенеративных признаков срединного атланто-осевого сустава.

0 баллов (возрастной диапазон 14–20 лет) — поверхности передней дуги атланта и зуба аксиса ровные и гладкие, контуры несколько угловаты. Расстояние между передней поверхностью зуба осевого позвонка и внутренней поверхностью дуги атланта в верхней трети составляет в среднем около 3 мм. Верхушка зуба, как правило, выше, чем видимый верхний участок дуги атланта. Передняя дуга атланта расположена под острым углом, который открыт кверху относительно передней поверхности зуба осевого позвонка (рис. 3).

Рис. 3. 3D-реконструкция КТ-снимка срединного атланто-осевого сустава юноши 18 лет

1 балл (возрастной диапазон 21–30 лет) — поверхности передней дуги атланта и зуба аксиса ровные. Верхушка зуба, как правило, находится на уровне видимого верхнего участка дуги атланта, хотя может быть и несколько выше его. Передняя дуга атланта расположена под острым углом, который открыт кверху относительно передней поверхности зуба осевого позвонка. Расстояние между передней поверхностью зуба осевого позвонка и внутренней поверхностью дуги атланта в верхней трети составляет в среднем около 2–3 мм. Отмечается тенденция к стремлению передней дуги атланта к параллельному расположению относительно передней поверхности зуба CII.

2 балла (возрастной диапазон 31–39 лет) — поверхности передней дуги атланта и зуба аксиса ровные, при этом ближе к концу данного интервала наблюдается некоторая шероховатость за счет впервые появляющихся костных наростов, расположенных в области верхнего края дуги атланта. Расстояние между передней поверхностью зуба осевого позвонка и внутренней поверхностью дуги атланта в верхней трети составляет в среднем около 2–3 мм. Контуры передней дуги атланта приобретают линейно-дуговидную форму.

3 балла (возрастной диапазон 40–49 лет) — передняя дуга атланта расположена в большинстве случаев параллельно передней суставной поверхности зуба осевого позвонка. Расстояние между передней поверхностью зуба осевого позвонка и внутренней поверхностью дуги атланта в верхней трети составляет в среднем около 1–2 мм. Поверхности шероховатые за счет костных наростов. В области верхнего края дуги атланта определяются костные наросты. В данном возрастном интервале также отмечается формирование костных наростов в области нижнего края дуги атланта и на верхушке зуба осевого позвонка. К концу возрастного отрезка отмечаются случаи дугообразного расположения поверхностей срединного атланто-осевого сустава, но дуга в данном случае открыта кзади.

4 балла (возрастной диапазон 50–59 лет) — передняя дуга атланта расположена либо параллельно прямолинейно передней суставной поверхности зуба осевого позвонка, либо несколько шире в верхней части срединного атланто-осевого сустава, чем в его нижней части. Расстояние между передней поверхностью зуба осевого позвонка и внутренней поверхностью дуги атланта в верхней трети составляет в среднем около 1 мм. Костные наросты в области верхнего края, в области нижнего края дуги атланта и на верхушке зуба осевого позвонка становятся отчетливо выраженными.

5 баллов (возрастной диапазон 60–70 лет) — передняя дуга атланта расположена или параллельно прямолинейно, или параллельно дугообразно передней суставной поверхности зуба осевого позвонка, что отмечается на всем протяжении поверхностей срединного атланто-осевого сустава. Расстояние между передней поверхностью зуба осевого позвонка и внутренней поверхностью дуги атланта в верхней трети составляет в среднем менее 1 мм. Костные разрастания в области верхнего края дуги атланта, в области нижнего края дуги атланта и на верхушке зуба осевого позвонка выражены отчетливо; за счет возникновения костных наростов формируется некоторая угловая шероховатость поверхностей передней дуги атланта и зуба осевого позвонка.

6 баллов (старше 71 года) — передняя дуга атланта расположена параллельно передней суставной поверхности зуба осевого позвонка. Расстояние между передней поверхностью зуба осевого позвонка и внутренней поверхностью дуги атланта в верхней трети составляет в среднем менее 1 мм. Костные разрастания в области верхнего края дуги атланта, в области нижнего края дуги атланта и на верхушке зуба, как правило, ярко выражены (рис. 4).

Рис. 4. 3D-реконструкция фрагмента КТ-снимка срединного атланто-осевого сустава мужчины 69 лет

Все исследуемые снимки были оценены по представленной классификации. В результате статистической обработки обнаружена сильная прямая связь возраста с величиной инволюции срединного атланто-осевого сустава (признак 26); r=0,89; р<0,001 (см. рис. 2).

Исследование возрастных изменений в области краниовертебрального перехода с помощью нейронных сетей позволило выявить признаки, наиболее точно отражающие дегенеративные процессы в костной ткани. Среди всей изученной группы признаков наибольшая корреляционная связь наблюдалась у показателя 26 — инволюция сустава Крювелье, поэтому дальнейшая работа была сфокусирована на данном признаке и состояла из двух этапов: выделение интересующей области (проявляющей общую тенденцию старения) и решение задачи регрессии.

Первый этап — выделение интересующей области: изучаемая область является окрестностью позвонков атланта и аксиса. Для каждого изображения находили три точки: точку атланта с наивысшим положением (максимальная Z-координата), точку атланта с наименьшим положением (минимальная Z-координата), вершину оси d-зуба (зубовидный отросток) с наивысшим положением (максимальная Z-координата). Для каждой точки сохранили координаты — Zmin и Zmax, для кончика оси зуба — X0, Y0, Z0. Эти значения должны быть определены автоматически, чтобы сгенерировать интересующую область — [X0–64, X0+64]×[Y0–64, Y0+64]×[Zmin, Zmax].

С этой целью использовали сверточную нейронную сеть EfficientNet-B2 [20], которая классифицирует 2D-срезы в аксиальной, сагиттальной и корональной проекциях (рис. 5) одновременно и присваивает срезу метку 1 (интересный класс), если он пересекает интересующую область; все остальные срезы получают метку 0. Обучающий набор изображений снабдили аннотациями, вручную указав вышеописанные координаты. Конфигурация обучения нейросети следующая: размер пакета равен 128 2D-изображений, размер 2D-фрагментов изменен до 128 пикселей по высоте и ширине, используются оптимизатор Adam со скоростью обучения 0,000001 (безразмерная величина) и косинусная регулировка скорости обучения с прогревом, количество проходов по обучающему набору данных равно 10. После обучения модель slicer способна извлекать интересующие 3D-области.

Рис. 5. Фрагменты КТ-снимков, используемые для машинного обучения, в аксиальных и горизонтальных областях у мужчины 25 лет (а, б) и у мужчины 57 лет (в, г):

а, в — горизонтальная проекция; б, г — сагиттальная проекция

Второй этап — решение регрессионной задачи для прогнозирования возраста; реализован с использованием 3D-сверточной нейронной сети, структура которой продемонстрирована на рис. 6.

Рис. 6. Архитектура 3D-сверточной сети

Числа в формате «a→b» описывают преобразование количества каналов через слои

Конфигурация обучения нейросети следующая: размер пакета равен 16 3D-изображениям, использовался оптимизатор Adam со скоростью обучения 0,001 (безразмерная величина) при регулировании скорости обучения косинусной функцией с прогревом. Все 3D-области были приведены к размеру 64×64×64 перед передачей их в нейронную сеть; количество проходов по обучающему набору данных — 150.

Исходный набор изображений был разделен на обучающие и тестовые подмножества случайным образом в соотношении 4:1. Во время тренировки использовались обычные аугментации изображений (вращение, инвертирование и зеркальное отображение). Нормализация целевого показателя (возраста) не оказала какого-либо существенного влияния на конечный результат.

С помощью вышеописанных конфигураций обучения были получены следующие результаты: на первом этапе, который заключался в выделении интересующей области, — тестовая матрица ошибок (confusion matrix), представлена на рис. 7. Точность 0-го класса близка к 1,0; полнота 1-го класса равна 0,98. Однако точность 1-го класса составляет 0,38. Этой точности недостаточно для использования всех изображений с меткой 1. Поэтому интересующую область выделяли с помощью процедуры, которая гарантирует включение пространства между атлантом и осью. Сначала вычисляли Zm — среднюю Z-координату XY-срезов с меткой 1, Xm — среднюю X-координату всех ZY-срезов с меткой 1 и Ym — среднюю Y-координату всех ZX-срезов с меткой 1. Следующий шаг — вычисление STD, т.е. стандартного отклонения Z-координат для XY-срезов с меткой 1. Область, представляющая интерес, это поле [Xm–64, Xm+64]×[Ym–64, Ym+64]×[Zm–STD, Zm+STD]. На рис. 8 представлены два примера извлеченных областей.

Рис. 7. Матрица ошибок на тестовых данных для нейронной сети

Рис. 8. Примеры областей, представляющих интерес (Z-образный вырез)

Верхушка зубовидного отростка аксиса имеет форму круга и окружена атлантом. Атлант не образует петли, так как вырез пересекает его под некоторым углом

Цель второго этапа состояла в решении регрессионной задачи для прогнозирования возраста. На рис. 9 представлена диаграмма рассеяния значений для тренировочных и тестовых данных. В результате обучения среднеквадратичная ошибка на тренировочных данных составила 7,5 года, а на тестовых — 10,5 года.

Рис. 9. Диаграмма рассеяния предсказаний нейросети для тренировочных и тестовых данных

Обсуждение

По данным A.L. Dallora с соавт. [12], наиболее востребованными объектами для определения возраста с помощью методов машинного обучения являются снимки костей кисти и запястья. Для получения изображений большинство авторов выбирают рентгенографию, реже встречается МРТ и в одной работе — КТ. Самым распространенным интеллектуальным методом оценки оказалось машинное обучение, основанное на регрессионном анализе. Кроме того, сообщается о небольшом количестве работ, посвященных разработке методов оценки костного возраста с использованием сверточных нейронных сетей, несмотря на достигнутые при их использовании положительные результаты.

Узкий круг объектов и методов исследования, а также преобладание работ из США и Западной Европы подразумевают получение ограниченных данных от конкретной популяции. Большинство публикаций посвящено оценке возраста детей и подростков и лишь незначительное количество — определению возраста взрослых [12]. Данное обстоятельство, а также недостаток сведений о возможности использования снимков черепа и шейных позвонков для диагностики костного возраста у взрослого человека обусловили цель и выбор объекта для проведения настоящего исследования.

В представленной работе проанализированы возрастные изменения различных анатомических областей черепа и шейных позвонков с использованием сверточных нейронных сетей. Предложено компьютеризированное и автоматическое решение для оценки биологического возраста по КТ-изображениям. Результаты настоящего пилотного проекта демонстрируют эффективность инновационного подхода и свидетельствуют о перспективности дальнейшего привлечения искусственного интеллекта для решения подобного рода задач. Важным преимуществом разработанной модели является возможность ее использования как при установлении возраста живых лиц, так и при виртопсии. В условиях текущей сложной геополитической ситуации нередко возникает потребность в проведении экспертных исследований для идентификации личности, что подчеркивает государственную и социальную значимость данного исследования.

Заключение

Изучена возрастная изменчивость некоторых структур черепа по данным КТ-снимков. Среди 26 признаков сильная корреляционная связь с возрастом установлена у показателя, характеризующего величину инволюции срединного атланто-осевого сустава. В связи с этим сустав Крювелье стал «областью интереса» для оценки возрастных изменений и прогнозирования хронологического возраста подэкспертных. В результате исследования получен положительный опыт применения системы глубокого обучения с помощью сверточной нейронной сети, которая автоматически выделяет нужную область («область интереса») на КТ-снимке, классифицирует образец и прогнозирует возраст неизвестного, неопознанного субъекта с точностью от 7,5 до 10,5 года. Созданная и обученная модель показала хорошие результаты, что дает возможность развивать и усовершенствовать данный метод, а так же успешно внедрить и применить его на практике. В будущем планируется расширить базу данных, внести дополнительную информацию с целью улучшения дальнейшего обучения и повысить точность прогноза возраста.

Финансирование исследования и конфликт интересов. Исследование не финансировалось какими-либо источниками, и конфликты интересов, связанные с данным исследованием, отсутствуют.

Литература

Loganathan T., Chan Z.X., Hassan F., Ong Z.L., Majid H.A. Undocumented: an examination of legal identity and education provision for children in Malaysia. PLoS One 2022; 17(2): e0263404, https://doi.org/10.1371/journal.pone.0263404.
Zolotenkova G.V., Rogachev A.I., Pigolkin Y.I., Edelev I.S., Borshchevskaya V.N., Cameriere R. Age сlassification in forensic medicine using machine learning techniques. Sovremennye tehnologii v medicine 2022; 14(1): 15, https://doi.org/10.17691/stm2022.14.1.02.
Knudtzen F.C., Mørk L., Nielsen V.N., Astrup B.S. Accessing vulnerable undocumented migrants through a healthcare clinic including a community outreach programme: a 12-year retrospective cohort study in Denmark. J Travel Med 2022; 29(7): taab128, https://doi.org/10.1093/jtm/taab128.
International Commission of Jurists. Migration and International Human Rights Law. A practitioners’ guide. Updated edition, 2014. URL: https://www.icj.org/wp-content/uploads/2014/ 10/Universal-MigrationHRlaw-PG-no-6- Publications-PractitionersGuide-2014-eng.pdf.
Cummaudo M., De Angelis D., Magli F., Minà G., Merelli V., Cattaneo C. Age estimation in the living: a scoping review of population data for skeletal and dental methods. Forensic Sci Int 2021; 320: 110689, https://doi.org/10.1016/j.forsciint.2021.110689.
Priya E. Methods of skeletal age estimation used by forensic anthropologists in adults: a review. Forensic Res Criminol Int J 2017; 4(2): 41–51, https://doi.org/10.15406/frcij.2017.04.00104.
Bailey C., Vidoli G. Age-at-death estimation: accuracy and reliability of common age-reporting strategies in forensic anthropology. Forensic Sci 2023; 3(1): 179–191, https://doi.org/10.3390/forensicsci3010014.
Zaborowicz M., Zaborowicz K., Biedziak B., Garbowski T. Deep learning neural modelling as a precise method in the assessment of the chronological age of children and adolescents using tooth and bone parameters. Sensors (Basel) 2022; 22(2): 637, https://doi.org/10.3390/s22020637.
Гридина Н.В., Золотенкова Г.В., Рогачев А.И., Пиголкин Ю.И. Инструментальное обеспечение решения задачи классификации при судебно-медицинской диагностике биологического возраста неопознанного индивидуума. Системы высокой доступности 2020; 16(4): 64–70, https://doi.org/10.18127/j20729472-202004-06.
Chetverikov S.F., Arzamasov K.M., Andreichenko A.E., Novik V.P., Bobrovskaya T.M., Vladzimirsky A.V. Approaches to sampling for quality control of artificial intelligence in biomedical research. Sovremennye tehnologii v medicine 2023; 15(2): 19, https://doi.org/10.17691/stm2023.15.2.02.
LeCun Y., Bengio Y., Hinton G. Deep learning. Nature 2015; 521(7553): 436–444, https://doi.org/10.1038/nature14539.
Dallora A.L., 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(7): e0220242, https://doi.org/10.1371/journal.pone.0220242.
Anthimopoulos M., Christodoulidis S., Ebner L., Christe A., Mougiakakou S. Lung pattern classification for interstitial lung diseases using a deep convolutional neural network. IEEE Trans Med Imaging 2016; 35(5): 1207–1216, https://doi.org/10.1109/tmi.2016.2535865.
Gogoberidze Y.T., Klassen V.I., Natenzon M.Y., Prosvirkin I.A., Vladzimirsky A.V., Sharova D.E., Zinchenko V.V. PhthisisBioMed artificial medical intelligence: software for automated analysis of digital chest X-ray/fluorograms. Sovremennye tehnologii v medicine 2023; 15(4): 5, https://doi.org/10.17691/stm2023.15.4.01.
Liskowski P., Krawiec K. Segmenting retinal blood vessels with deep neural networks. IEEE Trans Med Imaging 2016; 35(11): 2369–2380, https://doi.org/10.1109/tmi.2016.2546227.
Frolov А.А., Pochinka I.G., Shakhov B.Е., Mukhin А.S., Frolov I.А., Barinova М.K., Sharabrin Е.G. Using an artificial neural network to predict coronary microvascular obstruction (no-reflow phenomenon) during percutaneous coronary interventions in patients with myocardial infarction. Sovremennye tehnologii v medicine 2021; 13(6): 6, https://doi.org/10.17691/stm2021.13.6.01.
Li S., Liu B., Li S., Zhu X., Yan Y., Zhang D. A deep learning-based computer-aided diagnosis method of X-ray images for bone age assessment. Complex Intell Systems 2022; 8(3): 1929–1939, https://doi.org/10.1007/s40747-021-00376-z.
Greenspan H., Hayit G., van Ginneken B., Summers R.M. Guest editorial deep learning in medical imaging: overview and future promise of an exciting new technique. IEEE Trans Med Imaging 2016; 35(5): 1153–1159, https://doi.org/10.1109/tmi.2016.2553401.
Huang G., Liu Z., Van Der Maaten L., Weinberger K.Q. Densely connected convolutional networks. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Honolulu, HI; 2017; p. 4700–4708, https://doi.org/10.1109/cvpr.2017.243.
Tan M., Le Q.V. EfficientNet: rethinking model scaling for convolutional neural networks. In: Proceedings of the 36th International Conference on Machine Learning. ICML; 2019; p. 6105–6114, http://proceedings.mlr.press/v97/tan19a.html.
Список программ по анализу изображений с сайта 1mgmu.com. URL: http://1mgmu.com/nau/spisokizo.html.
Ковалев А.В., Аметрин М.Д., Золотенкова Г.В., Герасимов А.Н., Горностаев Д.В., Полетаева М.П. Судебно-медицинское определение возраста на основе анализа КТ-сканограмм черепа и краниовертебральной области в сагиттальной проекции. Судебно-медицинская экспертиза 2018; 61(1): 21–27, https://doi.org/10.17116/sudmed201861121-27.