蝶窦作为生物特征标记:基于人工智能的CT影像自动分割在法医鉴定中的应用

《Electronics》:The Sphenoid Sinus as a Biometric Marker: AI-Based Automated Segmentation in CT Imaging for Forensic Identification

【字体: 大 中 小 】 时间:2026年08月27日 来源:Electronics 2.9

编辑推荐:

  可靠的个人识别仍然是法医学中的一个重大挑战,特别是在涉及腐败、热损伤或缺乏DNA和牙科记录的案件中。在此背景下,解剖学上受保护且形态学上独特的结构(如蝶窦)可以作为有价值的生物特征标志。本研究旨在评估使用计算机断层扫描(CT)、自动分割和三维(3D)计算分析来

  
可靠的个人识别仍然是法医学中的一个重大挑战,特别是在涉及腐败、热损伤或缺乏DNA和牙科记录的案件中。在此背景下,解剖学上受保护且形态学上独特的结构(如蝶窦)可以作为有价值的生物特征标志。本研究旨在评估使用计算机断层扫描(CT)、自动分割和三维(3D)计算分析来评估蝶窦形态学在法医学中的适用性。提出的框架集成了基于CT的图像预处理、使用nnU-Net架构的自动3D分割,以及通过点云分析和深度学习方法对重建的蝶窦模型进行几何比较。研究人员分析了蝶窦的形态变异性、空间构型和结构稳定性,作为具有鉴别性的生物特征。基于GSA-Net的识别模型表现出高识别性能,在受控数据集中Top-1准确率超过97.8%,Top-3准确率高达100%。研究结果支持蝶窦具有足够的个体独特性和解剖学保存性,能够实现可靠的生前和死后识别的观点。本研究强调了将自动分割和人工智能(AI)驱动的3D分析整合到法医工作流程中的潜力,并强调了标准化影像协议和更大标注数据集对于未来临床和法医实施的重要性。
在法医学领域,可靠的个人识别始终是一项基本任务。然而,在面临严重腐败、热损伤或缺乏生前参考数据等情况时,传统的指纹分析、牙齿比对和DNA分型等识别方法往往无法应用。尽管额窦等解剖结构常被用于识别,但其在部分人群中可能缺失,且易受创伤或手术干预的影响而发生形态改变。相比之下,蝶窦位于颅底中央,受到相对保护,不易受环境因素和机械损伤影响,且在体积、形状、内部隔膜、气化和整体形态上表现出显著的个体差异。这些解剖特征在骨骼成熟后基本保持稳定,使其成为一种极具前景的个体化生物特征标记。为解决现有研究中缺乏大规模公开标注数据集、成像协议差异大以及缺乏端到端法医识别系统集成的问题,研究人员开展了一项基于蝶窦形态学的新型识别研究。该研究提出了一种统一的识别框架,通过结合计算机断层扫描(CT)影像预处理、基于nnU-Net(no-new-Net,一种自配置的深度学习医学图像分割框架)的自动三维(3D)分割以及基于点云分析的几何结构比对,实现了生前与死后的个体识别。研究得出结论,该流水线在受控数据集中实现了超过97.8%的Top-1准确率和高达100%的Top-3准确率,且大幅缩短了3D模型生成时间。这项研究的重要意义在于,将解剖学分析与现代计算技术相结合,为基于深层颅骨结构的可扩展、客观的法医识别系统奠定了基础。该论文发表在《Electronics》期刊上。

研究人员为开展本研究采用了以下关键技术方法。样本队列来源于哈尔科夫国立医科大学及其附属临床机构,共包含473名成年人(238名男性,239名女性)的头部CT扫描。首先进行标准化预处理,包括基于Otsu前景检测的强度归一化和第2nd至第98th百分位裁剪以消除灰度变异性。使用Mimics软件进行半自动参考掩码生成并转换为体素二值掩码。在分割阶段,采用nnU-Net框架的3d_fullres配置进行自动3D分割,并利用多GPU训练。识别阶段则采用几何自注意力网络(Geometric Self-Attention Network, GSA-Net)进行点云比对,通过余弦相似度距离进行排名。

3.1. nnU-Net评估结果描述
研究人员通过Dice相似系数(Dice Similarity Coefficient, DSC)、第95th百分位Hausdorff距离(95th percentile Hausdorff Distance, HD95)和平均对称表面距离(Average Symmetric Surface Distance, ASSD)三个指标对nnU-Net模型在不同数据集阶段和超参数配置下的表现进行了评估。研究发现,数据清洗去除了有缺陷的掩码后,将内部平均HD95从2.45 mm大幅降至1.29 mm。在阶段3应用50%前景过采样使独立留出测试集上的绝对峰值性能达到DSC为96.28%、HD95为0.71 mm,但引发了局部假阳性。最终模型结合了清洗后的数据集、50%过采样和8的批大小,成功缓解了异常值问题,内部平均HD95降至0.97 mm,实现了几何稳定性的提升。

3.2. 蝶窦识别
3.2.1. 标准条件下蝶窦的识别
研究人员在428个3D蝶窦模型上训练了GSA-Net,并在包含45个代表43个个体的3D模型的独立验证集上进行了评估。通过闭集多候选匹配配置,利用GSA-Net相似度得分对候选模型进行排名。结果显示,该系统实现了97.8%的Top-1识别准确率和100%的Top-3准确率。此外,累积匹配特征(Cumulative Matching Characteristic, CMC)计算结果进一步证实了Rank-1识别率为97.8%,Rank-3为100%,表明系统在标准条件下具有高识别性能。

3.2.2. 几何受控扰动下蝶窦的识别
研究人员对43个未受扰动的源网格进行四种类型的扰动(表面法向噪声、网格抽取、体素大小重采样和全局平移),以评估识别模型的鲁棒性。结果表明,该模型对表面噪声、网格分辨率降低和质心定位误差表现出高度稳定性。然而,体素大小重采样是性能下降的主要来源,将Top-1准确率降至23.3%,Top-3降至47.7%。这说明当前基于网格的输入表示对体素化和移动立方体重建引起的表面变化较为敏感。

在讨论部分,研究人员总结了该集成流水线通过结合CT数据预处理、快速3D建模、深度学习分割和基于点云的GSA-Net识别,实现了稳健的个人识别。在实际法医工作流程中,该人工智能(AI)框架旨在作为决策支持工具而非取代专家。nnU-Net框架在所有实验阶段均表现出稳定且高质量的分割性能,数据清洗和前景过采样策略有效提升了模型鲁棒性。基于GSA-Net的识别结果证实了使用3D蝶窦模型进行个体识别的可行性。尽管97.8%的Top-1准确率表现优异,但仍有2.2%的案例未能实现Top-1匹配,这些失败案例多见于体积较小、内壁光滑且缺乏复杂隔膜的蝶窦。此外,体素重采样导致的性能下降表明当前网格表示在表面拓扑细节丢失时存在局限性。未来工作将侧重于多中心数据集验证和独立重复CT检查,以提升跨扫描仪和跨协议的鲁棒性。

结论部分翻译如下:
本研究提出了一个基于颅脑CT影像提取的蝶窦形态学用于法医人类识别的集成流水线。该框架结合了预处理阶段、Mimics中的半自动参考分割、使用nnU-Net的自动3D分割以及使用GSA-Net的基于点云的识别。通过将这些组件整合到单一工作流程中,本研究填补了现有研究中分割与识别往往孤立进行的空白。在从473份匿名扫描中提取的384份CT卷的精选子集上进行的分割实验表明,nnU-Net的拟议配置结合了系统性数据清洗、50%前景过采样以及通过多GPU训练实现的增加的批大小,产生了解剖学上合理且几何上稳定的蝶窦描绘。在独立留出测试集上,模型达到了96.28%的Dice相似系数和0.71 mm的第95th百分位Hausdorff距离。使用由此产生的3D表示,基于GSA-Net的识别阶段在代表43个个体的45个模型上实现了97.8%的Top-1准确率和100%的Top-3准确率。此外,将每例约需24分钟的手动3D模型创建替换为自动分割,将处理时间缩短至几秒钟,表明该流水线可为在受控条件下构建更大的参考数据库提供实践基础。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号