論文の概要: A practical artificial intelligence framework for legal age estimation using clavicle computed tomography scans

• arxiv url: http://arxiv.org/abs/2603.17926v1
• Date: Wed, 18 Mar 2026 17:02:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-19 18:32:57.839523
• Title: A practical artificial intelligence framework for legal age estimation using clavicle computed tomography scans
• Title（参考訳）: クラビクルCTによる法年齢推定のための実用的人工知能フレームワーク
• Authors: Javier Venema, Stefano De Luca, Pablo Mesejo, Óscar Ibáñez,
• Abstract要約: クラビクルCTによる年齢推定のための解釈可能な多段階パイプラインを提案する。 パイプラインは、公開法医学データセットから1,158個の全身CTスキャンで評価される。 このモデルは、ホールドアウトテストセットにおいて平均絶対誤差(MAE)が1.55$pm$0.16年である最先端の性能を達成する。
• 参考スコア（独自算出の注目度）: 2.714732801847495
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Legal age estimation plays a critical role in forensic and medico-legal contexts, where decisions must be supported by accurate, robust, and reproducible methods with explicit uncertainty quantification. While prior artificial intelligence (AI)-based approaches have primarily focused on hand radiographs or dental imaging, clavicle computed tomography (CT) scans remain underexplored despite their documented effectiveness for legal age estimation. In this work, we present an interpretable, multi-stage pipeline for legal age estimation from clavicle CT scans. The proposed framework combines (i) a feature-based connected-component method for automatic clavicle detection that requires minimal manual annotation, (ii) an Integrated Gradients-guided slice selection strategy used to construct the input data for a multi-slice convolutional neural network that estimates legal age, and (iii) conformal prediction intervals to support uncertainty-aware decisions in accordance with established international protocols. The pipeline is evaluated on 1,158 full-body post-mortem CT scans from a public forensic dataset (the New Mexico Decedent Image Database). The final model achieves state-of-the-art performance with a mean absolute error (MAE) of 1.55 $\pm$ 0.16 years on a held-out test set, outperforming both human experts (MAE of approximately 1.90 years) and previous methods (MAEs above 1.75 years in our same dataset). Furthermore, conformal prediction enables configurable coverage levels aligned with forensic requirements. Attribution maps indicate that the model focuses on anatomically relevant regions of the medial clavicular epiphysis. The proposed method, which is currently being added as part of the Skeleton-ID software (https://skeleton-id.com/skeleton-id/), is intended as a decision-support component within multi-factorial forensic workflows.
• Abstract（参考訳）: 法年齢推定は法医学的・医学的文脈において重要な役割を担い、決定は明確な不確実な定量化を伴う正確で堅牢で再現可能な方法によって支持されなければならない。 従来の人工知能(AI)ベースのアプローチは、主に手動X線写真や歯科画像に重点を置いているが、Clavicle Computed Tomography(CT)スキャンは、法的年齢推定の有効性が文書化されているにもかかわらず、未発見のままである。 本研究では,クラビクルCTによる年齢推定のための解釈可能な多段階パイプラインを提案する。 提案するフレームワークが組み合わさる (i)手動アノテーションを最小限にする必要のある自動鎖骨検出のための機能ベースの連結成分法。 (二)法年齢を推定するマルチスライス畳み込みニューラルネットワークの入力データ構築のための統合グラディエンス誘導スライス選択戦略 三 定められた国際議定書に従って不確実性を考慮した決定を支援するための適合予測期間 パイプラインは、公開法医学データセット(New Mexico Decedent Image Database)から1,158個の全身CTスキャンで評価される。 最終モデルは、ホールドアウトテストセットにおいて平均絶対誤差(MAE)が1.55$\pm$0.16年であり、人間の専門家(MAEは約1.90年)と過去の手法(MAEが同じデータセットで1.75年以上)の両方を上回っている。 さらに、共形予測により、法医学的要件に沿った設定可能なカバレッジレベルが実現される。 属性マップは、このモデルが中鎖骨上皮の解剖学的に関連している領域に焦点を当てていることを示している。 提案手法は現在,Skeleton-IDソフトウェア(https://skeleton-id.com/skeleton-id/)の一部として追加されている。

関連論文リスト

• Toward Content-based Indexing and Retrieval of Head and Neck CT with Abscess Segmentation [14.966261216613757]
  頭部と頸部の膿瘍は急性の感染症のプロセスであり、診断され、迅速に管理されていない場合、敗血症や死亡につながる可能性がある。 AbscessHeNeは,4,926個の造影CTスライスと臨床的に確認された頭頸部膿瘍からなる,治療的,包括的注釈付きデータセットである。
  論文  参考訳（メタデータ） (2025-12-01T12:04:24Z)
• Multi-Class Segmentation of Aortic Branches and Zones in Computed Tomography Angiography: The AortaSeg24 Challenge [55.252714550918824]
  AortaSeg24 MICCAI Challengeは、23の臨床的に関連する大動脈枝と領域に注釈付き100 CTA巻の最初のデータセットを導入した。 本稿では,トップパフォーマンスアルゴリズムの課題設計,データセットの詳細,評価指標,詳細な分析について述べる。
  論文  参考訳（メタデータ） (2025-02-07T21:09:05Z)
• Towards Unifying Anatomy Segmentation: Automated Generation of a Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
  我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。 提案手法はラベル集約段階において手作業によるアノテーションに依存しない。 我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
  論文  参考訳（メタデータ） (2023-07-25T09:48:13Z)
• Revisiting Computer-Aided Tuberculosis Diagnosis [56.80999479735375]
  結核(TB)は世界的な健康上の脅威であり、毎年何百万人もの死者を出している。 深層学習を用いたコンピュータ支援結核診断 (CTD) は有望であるが, 限られたトレーニングデータによって進行が妨げられている。 結核X線(TBX11K)データセットは11,200個の胸部X線(CXR)画像とそれに対応するTB領域のバウンディングボックスアノテーションを含む。 このデータセットは、高品質なCTDのための洗練された検出器のトレーニングを可能にする。
  論文  参考訳（メタデータ） (2023-07-06T08:27:48Z)
• Concurrent ischemic lesion age estimation and segmentation of CT brain using a Transformer-based network [8.80381582892208]
  本稿では,脳虚血病変の同時分節と年齢推定に最適化された,エンドツーエンドのマルチタスク・トランスフォーマー・ネットワークを提案する。 従来手法の0.858と比較すると, 病変年齢を4.5時間に分類するための曲線(AUC)が0.933未満の領域で, 有望な性能が得られる。
  論文  参考訳（メタデータ） (2023-06-21T13:00:49Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Doctor Imitator: Hand-Radiography-based Bone Age Assessment by Imitating Scoring Methods [16.48267479601728]
  我々は,Dr. Imitator (DI) と呼ばれる手指X線写真を用いた骨年齢評価のための新しいグラフベース深層学習フレームワークを提案する。 DDIは,手形画像における解剖学的関心領域(ROI)の局所的特徴を捉え,提案したグループ・コンボリューションによるROIスコアを予測する。 さらに、患者固有のROI特徴に対する注意度とROIスコアに対する文脈注意度を計算するための、新しいデュアルグラフベースのアテンションモジュールを開発した。
  論文  参考訳（メタデータ） (2021-02-10T13:45:39Z)
• VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
  大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。 本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
  論文  参考訳（メタデータ） (2020-01-24T21:09:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。