Age-Net: An Advanced Hybrid Deep Learning Model for Age Estimation Using Orthopantomograph Images
Notice bibliographique
Résumé
Forensic odontology, recognized as a fundamental and reliable technique in human identification, frequently employs orthopantomograph images in dental biometry.Despite the introduction of various techniques for age and identity estimation, the accurate and rapid interpretation of these images remains challenging.Manual methods, currently employed by forensic experts, present numerous limitations including time consumption, human error, and challenges in handling large data sets.Addressing these limitations, this study proposes a computer-aided hybrid age detection system, Age-Net, leveraging artificial intelligence.A total of 933 orthopantomograph images, categorized into three classes, were collected from Firat University Hospital for this study.These images were subsequently resized to be compatible with pre-trained Convolutional Neural Networks (CNNs) models, such as AlexNet, ResNet50, VGG16, SqueezeNet, EfficientNetB0, DenseNet201, and ResNet18.Following the extraction of feature vectors from these images, algorithms including Naive Bayes (NB), K-Nearest Neighbor (KNN), Multilayer Perceptron (MLP), XGBoost Algorithm, Support Vector Machine (SVM), Decision Tree (DT), and Linear Discriminant (LD) were implemented for detection.The use of an array of feature extraction models and algorithms aimed to best represent the features of the dataset, thereby enhancing classification performance.The proposed system's efficacy was assessed and validated using the 5-fold cross-validation test technique and statistical Friedman test.Of all models, the EfficientNetB0-SVM hybrid model demonstrated superior performance, achieving highest accuracy, precision, sensitivity, F-score, and AUC ratios of 0.846, 0.850, 0.846, 0.846, and 0.970, respectively.This hybrid detection system, Age-Net, is projected to provide time and cost benefits to forensic experts in their clinical studies.However, the data utilized in this study are limited to specific age groups.Future research could expand the number of age groups and data to observe potential enhancements in the system's success rate.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».