استفاده از هوش مصنوعی پیشرفته در پزشکی قانونی، انسان شناسی قانونی و آناتومی بالینی

عنوان فارسی مقاله:استفاده از هوش مصنوعی پیشرفته در پزشکی قانونی، انسان شناسی قانونی و آناتومی بالینی

چکیده

شبکه‌های عصبی کانولوشنال سه بعدی (۳D CNN) هوش مصنوعی (AI) در پردازش و تشخیص تصویر با استفاده از یادگیری عمیق برای انجام وظایف تولیدی و توصیفی قوی هستند. مزیت CNN در مقایسه با نسل قبلی خود این است که به طور خودکار ویژگی‌های مهم را بدون هیچ نظارت انسانی تشخیص می‌دهد. CNN سه‌بعدی برای استخراج ویژگی‌ها در سه بعدی استفاده می‌شود که در آن ورودی حجم سه‌بعدی یا دنباله‌ای از تصاویر دو بعدی، به عنوان مثال، برش‌ها در یک اسکن توموگرافی کامپیوتری با پرتو مخروطی (CBCT) است. هدف ارتباط همکاری بین رشته‌ای بین متخصصان پزشکی قانونی و مهندسین یادگیری عمیق، با تأکید بر فعال کردن کارشناسان پزشکی قانونی بالینی در این زمینه با احتمالاً دانش اولیه تکنیک‌های پیشرفته هوش مصنوعی با علاقه به اجرای آن در تلاش‌هایشان برای پیشبرد تحقیقات پزشکی قانونی بود. این مقاله یک گردش کار جدید از تجزیه و تحلیل سه بعدی CNN از اسکن‌های CBCT تمام سر را معرفی می‌کند. محققان روش‌های کاربردی فعلی و سفارشی‌سازی‌شده ۳ بعدی CNN را برای تحقیقات پزشکی قانونی خاص در پنج منظر بررسی می‌کنند: (۱) تعیین جنسیت، (۲) تخمین سن بیولوژیکی، (۳) حاشیه‌نویسی شاخص سفالومتری سه بعدی، (۴) پیش‌بینی بردارهای رشد، (۵) تخمین بافت نرم صورت از جمجمه و بالعکس. در نتیجه، برنامه ۳ بعدی CNN می‌تواند نقطه عطفی در پزشکی قانونی باشد که منجر به بهبود بی سابقه گردش کار تجزیه و تحلیل پزشکی قانونی بر اساس شبکه‌های عصبی سه بعدی می‌شود.

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Use of Advanced Artificial Intelligence in Forensic Medicine, Forensic Anthropology and Clinical Anatomy

Abstract

Three-dimensional convolutional neural networks (3D CNN) of artificial intelligence (AI) are potent in image processing and recognition using deep learning to perform generative and descriptive tasks. Compared to its predecessor, the advantage of CNN is that it automatically detects the important features without any human supervision. 3D CNN is used to extract features in three dimensions where input is a 3D volume or a sequence of 2D pictures, e.g., slices in a cone-beam computer tomography scan (CBCT). The main aim was to bridge interdisciplinary cooperation between forensic medical experts and deep learning engineers, emphasizing activating clinical forensic experts in the field with possibly basic knowledge of advanced artificial intelligence techniques with interest in its implementation in their efforts to advance forensic research further. This paper introduces a novel workflow of 3D CNN analysis of full-head CBCT scans. Authors explore the current and design customized 3D CNN application methods for particular forensic research in five perspectives: (1) sex determination, (2) biological age estimation, (3) 3D cephalometric landmark annotation, (4) growth vectors prediction, (5) facial soft-tissue estimation from the skull and vice versa. In conclusion, 3D CNN application can be a watershed moment in forensic medicine, leading to unprecedented improvement of forensic analysis workflows based on 3D neural networks.