使用单层CT图像进行自动个人身份识别
本研究将基于计算机视觉(CV)的个人身份识别方法从口腔全景片扩展到头颅CT单层图像,分析了722名个体的819次头颅CT检查,在69次识别流程中评估六个解剖区域的识别率。结果显示不同区域识别率从41/69(59%)到69/69(100%)不等,上颌窦区域识别率最高,同一人图像匹配点平均6.32±0.52%,不同人平均0.94±0.15%。结论认为单层CT切片可实现明确身份识别,但金属伪影和头位变化会妨碍识别。
要点
- 上颌窦单层CT切片识别率最高,69例中67例(97%)在排名1即正确识别。
- 六个区域识别率范围为59%至100%(排名10为67%至100%)。
- 同一人匹配点平均6.32±0.52%,不同人平均0.94±0.15%(P<0.001)。
核心结论
- 基于单层CT切片的CV特征可实现明确的个人身份识别,上颌窦区域识别率最高。
- 金属伪影(尤其来自牙科修复体)和不同头位会妨碍识别。
研究设计与样本
- 回顾性研究,纳入2016年11月至2023年5月间819次头颅CT检查(722名个体,年龄10–99岁,平均64.28±21.27岁;279名女性、402名男性、41名性别未注明),使用GE Revolution扫描仪(管电压120 kVp,管电流89.39±21.21 mA,层厚2.50 mm)。
- 纳入标准要求特定面中部显像方案且每人至少有一张对应的口腔全景片(OPG);从3228次CT和105251张OPG中筛选出819次CT和1725张OPG(OPG采集于2000年12月至2023年5月)。
- 手动选取六个解剖区域的CT单层图像:下排牙齿、上排牙齿、上颌骨末端、颈椎、上颌窦最大显示层面、眼部结构最大显示层面。
- 在69次识别流程中,将50–69张CT切片(来自至少两次检查个体的最近一次检查)与最多819条CV数据库条目进行匹配;另以398次识别流程匹配1725张OPG作为参考方法。
- 使用AKAZE算法提取CV特征,通过Lowe检验和RANSAC算法筛选匹配点,评分定义为匹配点数除以搜索图像中CV特征总数(0%为无匹配,100%为完全相同)。
关键影像表现/征象
- 牙齿、上颌骨、颈椎、颅骨和鼻旁窦(上颌窦、筛窦)可提供可靠的匹配点,其中上颌窦和筛窦因匹配点丰富尤其适合识别。
- 金属伪影(如牙种植体所致)可遮蔽牙齿区域边缘,导致下排和上排牙齿区域识别率较差。
- 不同头位可造成解剖特征表现不一致,导致匹配点减少,对上颌骨末端、颈椎等区域影响较大。
- 上颌窦(区域e)因边缘一致,即使头位变化仍可在多个CT切片中获得大量匹配点,识别率达97%(67/69)排名1。
- CT切片中不同个体间评分高于OPG,可能与金属伪影、较低图像分辨率、CT床/医疗设备等相似物体及视野限制有关。
诊断标准与关键数值
- 识别率:六个区域排名1为59%至97%,排名10为67%至100%;上颌窦区域排名1为67/69(97%),剩余2例中排名第一和第二的个体评分相同且均包含目标个体。
- OPG参考方法:398次识别流程中排名1识别率86%,排名10为88%。
- 同一人匹配点评分6.32±0.52%,不同人0.94±0.15%,所有区域组间P<0.001(Mann–Whitney U检验,α=0.05)。
- 排名1定义为同一身份图像评分超过所有其他身份;排名5和排名10定义为目标个体评分在所有身份评分中位列前5或前10。
临床应用与阅片要点
- 单层头颅CT切片可用于CV自动身份识别,上颌窦最大显示层面因匹配点丰富可作为首选区域。
- 阅片时需注意牙齿区域金属伪影可遮蔽边缘导致匹配失败,牙科修复体是下排和上排牙齿区域识别失败的决定性因素。
- 头位不一致会减少匹配点,上颌骨末端和颈椎等区域对头位变化较敏感。
- 使用相邻切片(前后各最多三张)替换手动选取的搜索图像可提高识别率,且无需更改生前CV数据库。
- 作者指出可通过基于性别、年龄和采集日期的过滤以及隐藏干扰元素来进一步提高识别率。
局限性
- 研究仅关注轴位CT切片。
- 可通过基于性别、年龄和采集日期的过滤进一步提高识别率。
- 隐藏搜索图像中的干扰元素可防止错误匹配并提高可靠性。
- 将完整CT序列整合入CV数据库可消除基于定义区域手动选择参考图像的需要。
- 未来研究可通过多平面重建实现精确方向和薄层3D数据集的精确切片,以改善图像可比性。
全文中译8 节 · 点击展开
引言
未知个体给急诊医学和法医调查带来了重大挑战。创伤中心经常因自然灾害、恐怖袭击、严重事故、移民或无家可归等各种情况而遇到未知患者[1–6]。同样,当没有关于其身份的限定性线索时,识别未知死者也很困难。计算机断层扫描(CT)在这些场景中是有益的,有助于急诊护理中的诊断和个性化治疗,并在法医调查中作为虚拟尸检的有价值工具[7–10]。
一种新的基于计算机视觉(CV)的方法[11–13]已被引入用于自动身份识别。这涉及从图像中提取独特的CV特征,例如口腔全景片(OPG),并将其存储在生前CV数据库中。当未知个体的图像CV特征与参考图像之间存在高度相似性时,识别的可能性很高。
先前的研究[14–18]证明了鼻旁窦在从CT切片中进行准确身份识别方面的实用性。然而,这些方法需要专业知识,在某些情况下涉及分割和训练卷积神经网络(CNN)。CV的应用可以简化和自动化身份识别过程。本研究旨在将基于CV的身份识别方法从OPG扩展到使用单张CT切片的CT检查。
材料与方法
该研究获得了耶拿大学医院当地机构审查委员会(IRB)的批准(注册号2019-1505-MV)。由于研究的回顾性性质,IRB豁免了书面知情同意。
CT切片选择
该回顾性研究检查了2016年11月至2023年5月期间使用GE Revolution扫描仪(电压:120 kVp,电流:89.39 ± 21.21 mA,层厚:2.50 mm)进行的819次头颅计算机断层扫描(CCT)检查。共纳入722名个体(年龄10–99岁,平均年龄:64.28 ± 21.27岁;279名女性,402名男性,41名未注明性别)。纳入标准要求特定的面中部可视化方案,且每位个体至少有一张对应的OPG。图1展示了选择过程,在审查的3228次CT检查和105,251张OPG中,确定了819次CT检查和1725张OPG(获取于2000年12月至2023年5月)符合标准。
定义了六个区域,并手动选择其CT切片:下排牙齿。
上排牙齿。
上颌骨末端。
颈椎。
上颌窦的最大显示层面。
眼部结构的最大显示层面。
图2提供了a–f的CT切片示例。缺失牙齿、大型金属伪影(例如由牙种植体引起)或其他伪影(如在检查过程中的移动)妨碍了所有类别的定位,使其无法用于后续的识别过程。
CV特征提取与匹配过程
图像处理和识别方法改编自先前关于OPG的研究[11–13]。与OPG不同,未对CT切片边缘进行裁剪[11]。CT切片经过若干处理步骤,包括将颜色深度归一化为8位、使用八个改进的Sobel滤波器掩模进行边缘增强、使用均值滤波器降噪,以及使用CV算法AKAZE进行特征提取[19]。CV自动识别并描述稳健的图像特征,如角点、边缘和其他独特细节,对旋转、尺度变化和光照变化具有鲁棒性。一个CV特征由关键点和描述符组成。关键点标记图像中的独特点,而描述符提供关键点周围环境的紧凑视觉表示。AKAZE算法利用八度从原始图像生成一系列缩小图像,在每个八度内应用非线性扩散滤波以生成具有不同平滑程度的多个层。这种方法有助于在不同细节尺度上检测特征。AKAZE通过在这些滤波图像中检测尺度空间极值来识别潜在关键点。关键点需超过相对于其周围环境的对比度阈值才能被确认。然后每个关键点根据局部信息确定方向,并在其描述符中以强度和梯度细节进行表征。此阶段包括七个参数,影响导出CV特征的数量和类型:Sobel梯度:为增强CT切片中的边缘,使用改进的Sobel滤波器,角度从0°到315°以45°递增。例如,在0°时,矩阵(− a 0 a, − 2a 0 2a, − a 0 a)突出显示从左到右的水平边缘,而在90°时,矩阵(− a − 2a − a, 0 0 0, a 2a a)强调从上到下的垂直边缘。强度调整使用称为Sobel梯度(a)的参数进行,传统Sobel梯度设为a = 1。通过组合所有八个Sobel梯度图像的最大像素值,生成突出边缘的图像。图示参见补充材料中的图S1。
均值滤波器:均值滤波器核的大小,用于减少图像噪声。
八度:确定图像缩小多少次以在不同尺寸下检测特征。更多八度意味着算法可以找到更大和更小的特征。
层:表示每个八度内检查的细节层次数。更多层意味着可以检测到图像中更精细的细节。
扩散性:决定算法在创建特征描述符时如何处理边缘和纹理(PM_G1:中等对比度处理,PM_G2:更强对比度效果,WEICKERT:温和对比度影响并保留细节,CHARBONNIER:非线性响应和更好的边缘保留)。
描述符类型:定义描述符的类型(KAZE:非常适合从不同角度观察的物体中提取特征,MLDB:使用二进制模式高效表示局部特征,直立描述符:这些不具有旋转不变性)。
阈值:根据与周围区域相比的对比度,决定哪些潜在关键点被选为关键点。较高的阈值使检测更具选择性,找到更少但更独特的特征。
图像中检测到的CV特征,连同医学数字成像和通信标头中的检查日期、出生日期、性别和患者ID,被存储在加密的生前CV数据库中。
在匹配过程中,软件将未知个体的图像中的CV特征与参考图像(数据库中的条目)的CV特征进行比较,获得的匹配点数量作为识别的指标。对于每个CV特征描述符,软件基于最小平方欧几里得距离在参考图像中识别两个最相似的描述符。随后,它应用Lowe检验以确保仅保留可靠匹配,从而确保到最近邻(最相似描述符)的距离显著小于到第二近邻的距离。每个CV特征至多有一个对应匹配以确保唯一匹配点。然后使用随机抽样一致性(RANSAC)算法通过消除离群匹配点来进一步提高准确性。RANSAC测试各种场景以确定最佳模型拟合,确保排除误导性匹配点。图3显示了使用不同滤波器设置进行边缘突出的示例,随后进行CV特征提取以及与另一幅图像比较时产生的匹配点。匹配过程涉及两个参数,影响最终匹配点数量:Lowe:设置Lowe检验的阈值比率。例如,阈值比率为0.5时,最佳匹配必须至少比第二佳匹配近两倍。
RANSAC:确定区分内点和外点的阈值。它使用迭代方法从观测数据点估计模型参数,通过去除离群匹配点来确保准确性。
剩余匹配点的数量可以用搜索图像中CV特征的数量进行归一化,得到0%(无匹配)到100%(相同图像)之间的评分,描述两幅图像之间的相似程度:
例如,如果未知个体的图像有1000个CV特征,匹配过程产生了50个匹配点,则评分为5%。在本研究中,匹配进行了两次,首先以“搜索图像–数据库条目”的顺序,然后以“数据库条目–搜索图像”的顺序。评分计算为这两次运行中匹配点的平均值。
参数优化与评估
为确定最佳参数,对每个区域进行了系统性参数优化。从表1中参数设置列“起始值”开始,将Sobel梯度从1.2调整至2.5。然后,基于最佳Sobel梯度,将平均滤波器参数从0变化至10。随后,使用Sobel梯度和平均滤波器的最佳值,将八度参数从3调整至10。此过程持续进行直至所有参数确定。最佳设置基于最高识别率选择。若多个参数产生相同识别率,则测试多种方法以找到最佳方案。将所有区域最佳参数的众数值应用于实现通用参数设置。对于口腔全景片(OPG),采用先前通过系统性变化确定为最佳的参数[13, 20](Sobel梯度1.8、平均滤波器6、八度8、层数5、扩散性PM_G2、描述符类型KAZE_UPRIGHT、Lowe 0.6和RANSAC 10)。
对于唯一性个人识别,将每个区域50至69层CT切片(来自至少接受过两次检查的个体的最近切片)与最多819条CV数据库条目进行比较。表2列出了每个区域的具体数值。此外,将398张OPG与同一个体的1725张OPG进行匹配。通过将CT序列中手动提取的搜索图像替换为其前后最多三张切片,对识别方法进行了进一步优化。这意味着不仅最初选择的切片,而且相邻切片也被纳入搜索过程。从每个识别病例的七张搜索图像中,选择得分最高的结果用于后续结局。
识别率评估识别个体的准确性。“排名1”是指同一身份图像的得分超过所有其他身份的得分。在“排名5”和“排名10”中,所寻找个体的得分在每个身份的所有得分中位列前5或前10。使用Mann–Whitney U检验评估统计学显著性(α = 0.05),比较组间(同一身份 vs 不同身份)的得分分布,通过Python的SciPy库实现。
结果
在本研究中,共使用722名个体的819次头颅CT(CCT)检查,在69次身份识别流程中评估是否可通过单张CT图像进行唯一身份识别。对于六个不同区域,首位命中率可达59%至97%,前10位命中率可达67%至100%(参见表3中模态参数和最佳搜索图像的结果)。区域e成功率极高,在69例中有67例(97%)在首位即准确识别出目标个体。在其余两例中,排名第一和第二的个体得分相同,目标个体均包含在两者之中。
同一个体图像之间的比较获得了更高的匹配点,得分为6.32 ± 0.52%,而不同个体图像的得分为0.94 ± 0.15%(见图4)。对于所有区域,p值均< 0.001,表明组间差异具有高度统计学意义。图4展示了同一个体得分与CT采集间隔时间之间的关系,表明即使相隔数年的CT检查也能成功识别。识别率以及由此得到的得分取决于所使用的参数设置(参见补充材料图S2)。
图5中展示了一个识别匹配点的示例。虽然牙齿也表现出许多匹配点(与图5a比较),但金属伪影干扰了清晰识别(与图5b比较)。然而,颅骨、颈椎以及上颌窦和筛窦等腔隙提供了许多可被识别的独特特征(与图5c–f比较)。作为对照,使用同一个体的1725张口腔全景片(OPG)作为参考方法进行了398次身份识别流程。此处,首位命中率可达86%,前10位命中率可达88%。与OPG相比,CT切片中不同个体观察到的较高得分可能归因于多种因素,包括金属伪影、较低图像分辨率、CT检查床和医疗设备等类似物体的存在,或图像视野的限制。尽管结构之间可能存在相似性从而产生匹配点,但不同个体之间的这些相似性通常远低于同一个体。搜索图像和参考图像成像时不同的头部位置可能使识别复杂化,因为可能找到的匹配点较少。
对于区域a和b,牙种植体产生的金属伪影和牙齿缺失是不成功识别的特别决定性因素。相比之下,对于区域c–f,不利的头部位置更常是不成功识别的原因(示例参见图6)。表4总结了未能达到至少前10位的身份识别流程结果的原因。
讨论
本研究证明,基于计算机视觉(CV)的个人识别利用单层头部CT切片是可行的,在69次识别操作和超过700个可能身份中,识别率高达100%。在CV中,具有区别性的区域表现出更多独特特征,尤其是在边缘、角点和线条交叉处[19, 21]。CV特征在旋转、缩放和光照变化下保持相对一致,这使其成为优良的标记。牙齿、上颌骨、颈椎、颅骨以及如上颌窦和筛窦之类的腔隙具有大量边缘。然而,金属伪影构成问题,因为它们可能遮蔽这些边缘,导致识别率较差,尤其是下排和上排牙齿的义齿(区域a和b)。头部位置变化带来额外挑战,导致解剖特征的表征不一致, consequently匹配点较少。尽管如此,如上颌窦(区域e)之类的大腔隙由于边缘一致,即使跨越多层CT切片,对同一身份仍具有许多匹配点。类似地,但程度稍轻,眼部结构(区域f)的最大表征受益于筛窦和大颅骨,这些结构在多层CT切片上也显示出许多匹配点。因此,即使头部位置变化,在定义区域内也能找到足够的匹配点,确保可靠识别。相比之下,其他区域更容易受到头部位置变化的影响,因为定义区域内可能匹配点不足且跨多层CT切片边缘不一致。匹配点对最佳搜索图像和参考图像的区域特异性依赖,也受头部位置变化影响,见补充材料图S3和S4。
据我所知,目前文献中尚无关于将计算机视觉(CV)应用于基于单层头颅CT(CCT)切片进行唯一性身份识别的研究。在既往研究中[15–18],包括上颌窦在内的鼻旁窦在个人识别中的法医学意义受到强调。其独特性由个体间在大小、形状、对称性和外轮廓方面的大量变异所支持,符合唯一性、永久性和不可变性的标准。鼻旁窦作为个人识别可靠区域的高特异性已得到证实,例如通过由四名具有不同放射学经验水平的盲法读者对CT图像进行视觉检查[16],或通过比较鼻旁窦的自测参数(形态测量学)并使用卷积神经网络(CNN)[17]或基于蝶窦分割三维图像的迭代最近点算法[18]来评估这些参数。尽管如此,本研究采用一种完全不同且可自动化的方法,其结果证实了这些发现。与人工评估类似,CV算法能够识别和辨认众多个体特征。本研究表明,单层CT切片可能足以用于此目的,且该过程可自动化,无需专家评估或分割。此外,牙齿和牙科修复体适用于个人识别[22];然而,与口腔全景片(OPG)不同,这些在CT检查中可能因金属伪影而被遮蔽。另一方面,与OPG相比,CT检查可提供关于上颌窦更准确的信息[16, 23]。由于可能性众多,最佳参数选择较为复杂。本研究系统地在不同区域改变参数以寻找合适设置,将其标准化至众数之外。参数影响CV特征和匹配点的数量,使得评分仅在相同条件下才具有可比性。目标是最大化相同身份与不同身份之间的评分差异,从而提高识别率。对于非常相似的图像,例如来自复查的图像,同一个体的高评分可能导致图4中的非正态分布。替代性边缘检测滤波器如拉普拉斯滤波器是可行的,但改进的Sobel滤波器通常可获得更优的识别率(见补充材料图S5)。使用跨越相邻CT切片的多幅搜索图像可显著提高识别率,减少搜索图像选择和/或头部位置轻微变化的影响。这种方法的另一个优势是生前CV数据库保持不变。
局限性包括仅关注轴位CT切片。通过实施基于性别、年龄和采集日期的筛选器,识别率可以进一步提高。在搜索图像中隐藏干扰元素将防止错误匹配并提高可靠性。将完整的CT序列整合到计算机视觉(CV)数据库中,将消除基于定义区域手动选择参考图像的需要。未来的研究可以通过多平面重建实现精确方位以及从薄层三维数据集中获取精确切片,从而提高图像可比性。该方法还可受益于从CT数据重建类X射线表示,并将其与传统X射线和口腔全景片(OPG)进行比较。这种方法对于首次接受CT检查的年轻个体尤为有用,可丰富用于准确识别的参考材料。
总之,使用单张CT切片的计算机视觉(CV)特征进行自动化身份识别具有高准确率。在未采用年龄和性别筛选、图像分割或多平面重建等额外措施的情况下,该方法成功地从700多个可能性中识别出排名1–2的97–100%的身份。放射科在常规检查中为CV数据库生成参考图像的作用对于紧急情况下的快速识别和未知死者身份确认至关重要。这通过促进获取病史、协助确定死因以及保存潜在犯罪现场证据来改善患者护理。
补充信息
电子补充材料
引用
- Heinrich A. Automatic personal identification using a single CT image. Eur Radiol. 2024. PMID: 39172245. doi:10.1007/s00330-024-11013-x
- 全文:PMC12021953(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12021953/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。