ADLİ TIP VERİLERİ KULLANILARAK YARA TİPLERİNİN DERİN ÖĞRENME MODELLERİYLE SINIFLANDIRILMASI

Abstract

Bu tez çalışmasında, otopsi görüntülerini kullanarak ölüm nedeninin otomatik olarak sınıflandırılması için tasarlanmış hibrit bir derin özellik mühendisliği modeli olan DRDarkNet önerilmiştir. Birincil amaç, modelin sınıflandırma kabiliyetini ve otopsi görüntülerini ezilme, ası, kesici-delici, ateşli silah, yanık ve suda boğulma olmak üzere altı sınıfa doğru bir şekilde kategorize etmedeki etkinliğini göstermektir. Önerilen mimari dört aşamadan oluşmaktadır: derin özellik çıkarımı, çoklu seçici tabanlı özellik seçimi, sınıflandırma ve bilgi füzyonu. Eğitim ve değerlendirme amacıyla 4254 otopsi görüntüsü içeren bir veri kümesi toplanmıştır. Derin özellik çıkarma aşamasında, Evrişimsel sinir ağlarından (ESA) altı özellik vektörü çıkarmak için önceden eğitilmiş DenseNet201, ResNet50 ve DarkNet53 modelleri kullanılmıştır. Bu vektörler daha sonra DRDarkNet'i oluşturmak için kullanılmıştır. En bilgilendirici özellikleri belirlemek için Ki-Kare, ReliefF ve komşuluk bileşen analizi (KBA) olmak üzere üç özellik seçici kullanılmış ve sonuçta 18 seçilmiş özellik vektörü elde edilmiştir. Destek vektör makinesi (DVM) sınıflandırıcıları bu seçilen vektörlere uygulanarak 18 sınıflandırıcı-bazlı sonuç üretilmiştir. Bilgi füzyonu aşaması, oylanan sonuçları hesaplamak ve nihai sınıflandırma sonucu olarak en uygun çıktıyı seçmek için budama tabanlı yinelemeli çoğunluk oylama (BYÇO) tekniği içermektedir. DRDarkNet hem sınıflandırıcı bazlı sonuçlar hem de oylama sonuçları üreterek %96,47'lik nihai sınıflandırma doğruluğuna ulaşmıştır. Altı sınıfın tamamında %96'nın üzerindeki doğruluk, otopsi görüntü sınıflandırması için önerilen modelimizin etkinliğini göstermektedir. Başarılı sınıflandırma sonuçları, DRDarkNet'in otopsi görüntü analizi için güvenilir bir model olarak etkinliğini vurgulamaktadır. Ölüm nedeninin belirlenmesindeki yüksek doğruluk, derin özellik mühendisliği tekniklerinin adli patoloji alanındaki potansiyelini ortaya koymaktadır. DRDarkNet, adli tıp uzmanlarına yardımcı olacak ve otopsi incelemelerinin ilerlemesine katkıda bulunacak değerli bir araç olarak umut vaat etmektedir.In this research, we present DRDarkNet, a hybrid deep feature engineering model designed for the automatic classification of cause of death using autopsy images. The primary objective is to demonstrate the model's classification capability and its efficacy in accurately categorizing autopsy images into six classes: crush, choking, cutter-punisher, firearms, burn, and drowning. The proposed architecture comprises four phases: deep feature extraction, multiple selectors-based feature selection, classification, and information fusion. We collected a dataset containing 4254 autopsy images for training and evaluation purposes. The deep feature extraction phase utilizes pretrained DenseNet201, ResNet50 and DarkNet53 models to extract six feature vectors from the convolutional neural networks (CNNs). These vectors are then used to construct DRDarkNet . To identify the most informative features, we employ three feature selectors, namely Chi2, ReliefF, and neighborhood component analysis (NCA), resulting in 18 selected feature vectors. Support vector machine (SVM) classifiers are applied to these selected vectors, generating 18 classifier-wise results. The information fusion phase incorporates a pruning-based iterative majority voting (PIMV) technique to compute the voted results and select the optimal output as the final classification result. DRDarkNet outputs both classifier-wise results and voted results, achieving a final classification accuracy of 96.47%. The accuracy of over 96% across all six classes demonstrates the effectiveness of our proposed model for autopsy image classification. The successful classification results highlight the efficacy of DRDarkNet as a reliable model for autopsy image analysis. The high accuracy in identifying cause of death showcases the potential of deep feature engineering techniques in the field of forensic pathology. DRDarkNet holds promise as a valuable tool to assist forensic experts and contribute to the advancement of autopsy investigations.