Biometrische Identifikation mittels panoramischer zahnärztlicher Röntgenbilder mit Few-Shot-Lernen

Die Identitätsbestimmung ist eine entscheidende Aufgabe, insbesondere im Fall von Massennotfällen wie Tsunamis, Erdbeben, Bränden, Epidemien und in der Forensik. Obwohl es in der Literatur verschiedene Studien zur biometrischen Identifikation anhand radiografischer Zahnmedizinbilder gibt, ist weitere Forschung erforderlich. In dieser Studie wurde ein auf panoramischen zahnärztlichen Röntgenbildern (PDR) basierendes menschliches Identifikationssystem entwickelt, das ein angepasstes tiefes konvolutionales neuronales Netzwerkmodell im Rahmen eines Few-Shot-Lernansatzes verwendet. Das vorgeschlagene Modell (PDR-net) wurde mit 600 PDR-Bildern trainiert, die von insgesamt 300 Patienten stammen. Da die PDR-Bilder der Patienten hinsichtlich Pose und Intensität sehr unterschiedlich waren, wurden sie zunächst von den Fachexperten gemäß der Interessensregion zugeschnitten und mit Histogrammausgleichung auf eine standardisierte Ansicht angepasst. Ein maßgeschneiderter Ansatz zur Datenaugmentation wurde angewendet, um sicherzustellen, dass das Modell während des Trainings besser generalisieren kann. Das vorgeschlagene Modell erreichte eine Vorhersagegenauigkeit von 84,72 % und 97,91 % in Rang-1 und Rang-10, indem 144 PDR-Bilder von 72 Patienten getestet wurden, die zuvor nicht im Training verwendet worden waren. Es wurde festgestellt, dass bekannte Ähnlichkeitsmetriken wie euklidisch, Manhattan, Kosinus, Pearson, Kendalls Tau und die Summe der absoluten Differenz im Few-Shot-Lernen genutzt werden können. Darüber hinaus erzielten die Kosinus- und Pearson-Ähnlichkeiten die höchste Rang-1-Punktzahl von 84,72 %. Es wurde beobachtet, dass mit steigendem Rang die Spearman- und Kendalls-Tau-Metriken den gleichen Erfolg wie Kosinus und Pearson hatten. Basierend auf der Analyse des überlagerten Wärmebildes wurde festgestellt, dass die maxillären, mandibulären, nasalen Gruben, Nasennebenhöhlen und andere Knochenformen im Mund zur biomedizinischen Identifikation beitrugen. Es wurde auch festgestellt, dass maßgeschneiderte Datenaugmentationsparameter positiv zur biometrischen Identifikation beigetragen haben.