Evaluation of Hand Morphometry in Healthy Young Individuals from Different Countries / Evaluación de la Morfometría de la Mano en Individuos Jóvenes Sanos de Diferentes Países

SUMMARY: This study aims to examine the hand morphometry of healthy young individuals from different countries and investigate the differences between countries in typing of hand based on the morphometric values obtained. In the study, 16 different parameters, including two surface areas and 14 lengths, were measured from the right hand of 579 volunteers (250 females, 329 males) from 7 different countries (Turkey, Chad, Morocco, Gabon, Kazakhstan, Senegal and Syria). Factor analysis was performed on the parameters, cluster analysis was performed according to the factor score obtained, and the hand types in the study were determined. As a result of the study, four different hand types were defined, and the distribution of these types according to countries was analyzed. All parameters showed significant differences between countries in both genders (p<0.05). According to the results of the study, there was a difference between male and female hand types between countries. In females, the type 1 hand type was found only in Gabon, the type 2 hand type was found only in Senegal, the type 3 hand type was found in Turkey, Morocco and Kazakhstan, while the type 4 hand type was significantly distributed in Senegal and Gabon (X2 =104.62; df=18, p<0.05). In males, type 1 hand type was found in Turkey, type 2 hand type in Senegal and Gabon, type 3 hand type in Turkey, while type 4 hand type was significantly distributed in Morocco and Kazakhstan (X2 =76.964; df=18, p<0.05).

Este estudio tuvo como objetivo examinar la morfometría de la mano de individuos jóvenes sanos de diferentes países e investigar las diferencias en la mecanografía de la mano entre países en función de los valores morfométricos obtenidos. En el estudio, se midieron 16 parámetros diferentes, incluidas dos superficies y 14 longitudes, de la mano derecha de 579 voluntarios (250 mujeres, 329 hombres) de 7 países diferentes (Turquía, Chad, Marruecos, Gabón, Kazajstán, Senegal y Siria). Se realizó un análisis factorial de los parámetros, un análisis de conglomerados según la puntuación factorial obtenida y se determinaron los tipos de manos en el estudio. Como resultado, se definieron cuatro tipos diferentes de manos y se analizó la distribución de estos tipos según países. Todos los parámetros mostraron diferencias significativas entre países en ambos sexos (p<0,05). Según los resultados del estudio, hubo una diferencia entre los tipos de manos de los hombres y de las mujeres entre países. En las mujeres, el tipo de mano tipo 1 se encontró solo en Gabón, el tipo de mano tipo 2 se encontró solo en Senegal, el tipo de mano tipo 3 se encontró en Turquía, Marruecos y Kazajstán, mientras que la mano tipo 4 se distribuyó significativamente en Senegal y Gabón (X2=104,62; gl=18, p<0,05). En los hombres, el tipo de mano tipo 1 se encontró en Turquía, el tipo de mano tipo 2 en Senegal y Gabón, el tipo de mano tipo 3 en Turquía, mientras que la mano tipo 4 se distribuyó significativamente en Marruecos y Kazajstán (X2=76,964; gl=18, p <0,05).

Sex Prediction of Hyoid Bone from Computed Tomography Images Using the DenseNet121 Deep Learning Model / Predicción del Sexo del Hueso Hioides a Partir de Imágenes de Tomografía Computarizada Utilizando el Modelo de Aprendizaje Profundo DenseNet121

SUMMARY: The study aims to demonstrate the success of deep learning methods in sex prediction using hyoid bone. The images of people aged 15-94 years who underwent neck Computed Tomography (CT) were retrospectively scanned in the study. The neck CT images of the individuals were cleaned using the RadiAnt DICOM Viewer (version 2023.1) program, leaving only the hyoid bone. A total of 7 images in the anterior, posterior, superior, inferior, right, left, and right-anterior-upward directions were obtained from a patient's cut hyoid bone image. 2170 images were obtained from 310 hyoid bones of males, and 1820 images from 260 hyoid bones of females. 3990 images were completed to 5000 images by data enrichment. The dataset was divided into 80 % for training, 10 % for testing, and another 10 % for validation. It was compared with deep learning models DenseNet121, ResNet152, and VGG19. An accuracy rate of 87 % was achieved in the ResNet152 model and 80.2 % in the VGG19 model. The highest rate among the classified models was 89 % in the DenseNet121 model. This model had a specificity of 0.87, a sensitivity of 0.90, an F1 score of 0.89 in women, a specificity of 0.90, a sensitivity of 0.87, and an F1 score of 0.88 in men. It was observed that sex could be predicted from the hyoid bone using deep learning methods DenseNet121, ResNet152, and VGG19. Thus, a method that had not been tried on this bone before was used. This study also brings us one step closer to strengthening and perfecting the use of technologies, which will reduce the subjectivity of the methods and support the expert in the decision-making process of sex prediction.

El estudio tuvo como objetivo demostrar el éxito de los métodos de aprendizaje profundo en la predicción del sexo utilizando el hueso hioides. En el estudio se escanearon retrospectivamente las imágenes de personas de entre 15 y 94 años que se sometieron a una tomografía computarizada (TC) de cuello. Las imágenes de TC del cuello de los individuos se limpiaron utilizando el programa RadiAnt DICOM Viewer (versión 2023.1), dejando solo el hueso hioides. Se obtuvieron un total de 7 imágenes en las direcciones anterior, posterior, superior, inferior, derecha, izquierda y derecha-anterior-superior a partir de una imagen seccionada del hueso hioides de un paciente. Se obtuvieron 2170 imágenes de 310 huesos hioides de hombres y 1820 imágenes de 260 huesos hioides de mujeres. Se completaron 3990 imágenes a 5000 imágenes mediante enriquecimiento de datos. El conjunto de datos se dividió en un 80 % para entrenamiento, un 10 % para pruebas y otro 10 % para validación. Se comparó con los modelos de aprendizaje profundo DenseNet121, ResNet152 y VGG19. Se logró una tasa de precisión del 87 % en el modelo ResNet152 y del 80,2 % en el modelo VGG19. La tasa más alta entre los modelos clasificados fue del 89 % en el modelo DenseNet121. Este modelo tenía una especificidad de 0,87, una sensibilidad de 0,90, una puntuación F1 de 0,89 en mujeres, una especificidad de 0,90, una sensibilidad de 0,87 y una puntuación F1 de 0,88 en hombres. Se observó que se podía predecir el sexo a partir del hueso hioides utilizando los métodos de aprendizaje profundo DenseNet121, ResNet152 y VGG19. De esta manera, se utilizó un método que no se había probado antes en este hueso. Este estudio también nos acerca un paso más al fortalecimiento y perfeccionamiento del uso de tecnologías, que reducirán la subjetividad de los métodos y apoyarán al experto en el proceso de toma de decisiones de predicción del sexo.