Estimativa da idade óssea usando mosaicos dos centros de ossificação de radiografias carpais como imagens de entrada para Deep Learning

Abstract

RESUMO: A estimação da idade óssea tem sido utilizada na medicina para verificar se o grau de desenvolvimento da estrutura óssea de um indivíduo corresponde a sua idade cronológica. Essa estimativa serve para prognósticos no desenvolvimento de crianças e adolescentes assim como diagnósticos de doenças endocrinológicas. Contudo, a quase totalidade dos métodos utilizados atualmente depende da intervenção dos usuários, seja para fazer ajustes com a finalidade de melhorar a qualidade das imagens de entrada, seja para corrigir, ou mesmo indicar manualmente a localização dos centros de ossificação. Esse trabalho propõe uma metodologia totalmente automatizada para a estimação da idade óssea que consiste na segmentação dos centros de ossificação de radiografias carpais e a aplicação de Redes Neurais Convolucionais (Convolucional Neural Networks - CNN) com a técnica de Deep Learning para fins de classificação. A etapa de segmentação consistiu na identificação e recorte das regiões dos dedos nas imagens radiográficas através da análise dos pontos de referência que delimitam a região da mão nas imagens binarizadas, e a posterior extração dos centros de ossificação. Na etapa de classificação, CNN pré treinadas e alto desempenho foram adotadas: GoogLeNet, Alexnet e VGG-19. Para os testes foram utilizadas 1380 imagens radiográficas carpais obtidas na base de dados da Universidade da Califórnia. A segmentação das imagens originais resultou em quatro conjuntos de imagens, sendo dois constituídos por mosaicos de imagens resultantes da segmentação dos dedos, com e sem a imagem segmentada da região do punho, e dois formados por mosaicos de imagens obtidas na extração dos centros de ossificação, com e sem a imagem segmentada da região do punho. Para cada conjunto de imagens foi constituída uma versão masculina e uma versão feminina. Os desempenhos da classificação dos dedos e dos centros de ossificação com a tolerância de 2 anos de idade foram de 81,38% e 78,17%, respectivamente. Além dos mosaicos de imagens dos dedos e dos centros de ossificação foi utilizado também o conjunto constituído pelas imagens radiográficas carpais originais sem qualquer tipo de pré-processamento. Considerando a acurácia, os melhores resultados na etapa de classificação foram de 88,12% para indivíduos masculinos, e 83,31% para indivíduos femininos. Ambos foram obtidos com a rede VGG-19, para indivíduos na faixa de 5-18 anos de idade, com uma tolerância de 2 anos de idade.

ABSTRACT: Bone age estimation has been used in medicine to verify whether the bone structure development degree of a person corresponds to their chronological age. Such estimative is useful for prognosis about the development of children and adolescents, as well as endocrinological diseases diagnoses. However, the majority of the methods currently used depend on user intervention, either to make adjustments for the purpose of improving the quality of the input images or to correct, or even manually indicate the location of the ossification centers in semi-automated and manual systems. This work proposes a fully automated methodology for the bone age estimation task, which consists of the ossification centers segmentation in the carpal radiographs, and Convolutional Neural Networks (CNN) application, with Deep Learning technique for classification purposes. The segmentation stage consisted of identifying and cutting the fingers regions off the radiographic images, by means of the references points’ analysis which delimitate the hand region in the binarized images, and the subsequent extraction of the ossification centers. In the classification stage, high performance pre-trained CNN were adopted: GoogLeNet, Alexnet and VGG-19. Tests were carried out on 1380 radiographic images obtained from the California University database. The original images segmentation produced four images sets, two of them consisting of images mosaics resulting from fingers segmentation, with and without the wrist region segmented image, and the other two formed by images mosaics obtained from the ossification centers extraction, with and without the wrist region segmented image. For each image set it had been constituted a male and a female version. The fingers and ossification centers classification, with 2 years tolerance were 81.38% and 78.17%, respectively. Beyond the fingers and ossification centers images mosaics, an additional image set consisting of the original radiographic images without any type of preprocessing had been also used. Considering the accuracy, the best results in the classification stage were 88.12% for males and 83.31% for females. Both of them were obtained through VGG-19 network, for individuals in the range of 5-18 years of age, with a tolerance of 2 years of age.