利用牙齿/骨骼MRI及深度学习网络构建西北汉族青少年年龄评价体系的研究

Age estimation is hard to address in the practice of forensic identification. The development of different parts of skeletons based on X-rays is often used for age estimation. The shortcomings are as follows: radiation exposure, accuracy declining after epiphyseal fusion and poor consistency based on manual evaluation. However, the appearance of MRI, deep learning networks and combining the development of teeth and bones together provide possibilities to solve these problems. In this study, we intend to select 500 northwestern Han volunteers to take MRI of teeth, wrist and clavicles. Firstly, we construct the training data set through assessment of the development of teeth, left hand and medial epiphysis of clavicle. Then convolutional neuron network which is one of the deep learning models is trained and established by the data set. The accuracy of the model in practice is evaluated by calculating the accuracy rate. Finally, the age estimation sparse model of northwestern Han adolescents is established by the MRI of the teeth, wrist and clavicles. Our research could not only improve the accuracy when estimating ages through the development of teeth and bones based on MRI, but also provide a foundation for the development of age evaluation software. This is of great significance to the application of forensic practice.

年龄推断是目前法医实践中面临的难题之一。采用X线片中骨骼关节发育判断年龄存在辐射暴露、骨骺融合后准确性下降以及人工读片一致性、可靠性差等缺点。而MRI技术和深度学习网络的应用以及联合牙齿和骨骼发育共同进行年龄推断为解决上述问题提供了可能。本研究拟选取500名中国西北汉族志愿者拍摄牙齿、腕关节和锁骨MRI，通过对牙齿和骨骼发育进行评估，采用人工手动标注不同组织发育分期，构建用于深度学习训练的数据集；然后将标注的数据集输入到深度学习中的卷积神经网络训练，生成判断牙齿、骨骼发育分期的深度学习模型，通过计算准确率评价该模型的准确性；最后基于MRI影像中的牙齿、腕关节和锁骨胸骨端骨骺发育建立中国西北汉族青少年年龄推断的稀疏化模型。该研究成果不仅建立了基于MRI的牙齿和骨骼发育图谱，提高了年龄推断的准确性，并且为法医学年龄评估软件的开发提供实验基础和理论依据，这对法医实践中的应用具有十分重要的意义。

年龄推断是法医学领域的重要研究方向之一。牙齿由于其矿化发育过程主要受基因控制且牙体组织坚硬容易保存的特点，可以用来进行个体年龄推断。本研究基于10257张年龄介于5-24岁之间的中国西北汉族人群拍摄的牙齿曲面断层片，通过Demirjian法判定下颌左侧8颗恒牙的发育分期，建立中国北方人群年龄推断的稀疏化模型。另外基于人工标记发育分期的曲面断层片构建深度学习数据集，分别建立牙齿发育分期自动识别模型和牙龄自动识别模型，通过测试集与人工方法进行比较，评价年龄推断的准确性。同时本研究还基于曲面断层片建立基于第二、第三磨牙矿化、第三磨牙的指数（I3M）、牙周膜、牙髓腔的可视化程度和牙髓腔增龄性变化分别推断儿童、青少年以及成人年龄的稀疏化模型，为个体身份识别和判断个体是否年满具有法律意义的年龄（16、18岁）提供依据。研究表明：采用传统人工方法进行牙龄推断，其整体标准误（MAE）为1.67岁，除个别年龄段外其他年龄段MAE均大于1.00岁；已构建的牙齿发育分期自动识别模型可实现较为准确的分期评价，但个别分期误差较大，基于该模型进行牙龄推断，其整体MAE为1.63岁，结果与传统人工方法无明显差异；而基于已构建的牙龄自动评价模型进行牙龄推断，整体MAE为0.83岁，显著低于上述两种方法，且大部分年龄段MAE均小于1.00岁。因此仅通过扩大样本量无法显著提高传统人工牙龄推断方法的准确性，基于深度学习技术构建牙齿发育分期自动识别模型，提高了牙龄推断的效率。而端到端的牙龄自动识别模型可由计算机自行分析提取年龄相关特征，并有效模拟年龄与牙齿发育形态之间的复杂相关性，从而显著提高牙龄推断的准确性。该研究成果不仅建立了基于曲面断层片的牙齿发育图谱，而且基于深度学习技术实现了高效准确的牙龄推断，为法医学年龄评估软件的开发提供实验基础和理论依据。