DİREKT EL GRAFİLERİNDEN EFFICIENTNET DERİN ÖĞRENME MODELİ KULLANILARAK CİNSİYET TAHMİNİ

Abstract

ÖZET

Cinsiyet tahmini adli antropolojide kimliklendirmenin ilk ve en önemli basamağıdır. Kimliklendirme için yapılan cinsiyet tahmininde uzun yıllar yapısını koruyabilen ve çevresel faktörlerden minimum etkilenen kompakt yapısı ile kemik doku sıkça kullanılmaktadır. Kemik doku içerisinde pelvis ve cranium kemikleri en güvenilir olarak görülse de savaş, doğal afet, trafik kazaları gibi durumlarda bulunamayabilir ya da bütünlüğü bozulmuş olabilir. Bundan dolayı literatürdeki güncel çalışmalar diğer kemik dokularına da odaklanmaktadır.

Çalışma çeşitli sağlık sorunları ile Karabük Üniversitesi Eğitim ve Araştırma Hastanesi’ne başvurmuş el kemiklerinde herhangi patoloji ya da cerrahi girişim öyküsü olmayan 3-18 yaş aralığındaki 350 kadın, 350 erkek bireye ait el direkt grafileri (X-Ray) üzerinden gerçekleştirildi. Elde edilen 700 X-Ray görüntüsü orijinal veri setini oluşturdu. Daha sonra orijinal verilere veri zenginleştirme işlemi uygulanarak 2300 görüntü daha elde edildi (Veri zenginleştirme; belirli kurallara uygun olarak verinin yakınlaştırma, döndürme, genişlik kaydırma, yükseklik kaydırma ve yatay döndürme işlemine tabi tutularak çoğaltılmasıdır). Elde edilen genişletilmiş 3000 görüntülük veri setinin %80’i eğitim, %10’u doğrulama ve %10’u test seti olarak belirlendi ve derin öğrenme modellemesi yapıldı. Derin öğrenme modellerinden EfficientNet B0 modeli tercih edildi ve bu modelin performansı ResNet-50 ve Xception modelleri kullanılarak karşılaştırma yapıldı.

Çalışma sonucunda cinsiyet tahmini açısından EfficientNet B0 modeli ile 0.98 doğruluk oranı elde edildi. Modelin performansını değerlendirmek için kullanılan Xception modeli ile 0.95, ResNet-50 modeli ile de 0.93 oranında doğruluk elde edildi. El X-Ray görüntüleri üzerinden derin öğrenme modelleri kullanılarak yapılan bu cinsiyet tahmini çalışmasında yüksek doğruluk ve güvenilirlik elde edildi. Bu bağlamda yapılan bu çalışmanın anatomi, adli tıp ve adli antropoloji bilimlerine önemli katkılar sunacağı kanaatindeyiz.

ABSTRACT

Sex estimation is the first and most important step of identification in forensic anthropology. Bone tissue is frequently used in sex estimation for identification because of its compact structure that can preserve its structure for many years and is minimally affected by environmental factors. Although pelvic and cranium bones are considered to be the most reliable, they may not be found in cases such as war, natural disasters, traffic accidents or their integrity may be disrupted. Therefore, current studies in the literature focus on other bone tissues.

The study was performed on the hand direct radiographs (X-Ray) of 350 female and 350 male individuals aged 3-18 years with no pathology or surgical intervention in the hand bones who were admitted to Karabük University Training and Research Hospital with various health problems. The 700 X-Ray images obtained constituted the original data set. Then, 2300 more images were obtained by applying data enrichment process to the original data (Data enrichment is the reproduction of the data by zooming, rotation, width shift, height shift and horizontal rotation in accordance with certain rules). Out of the expanded data set of 3000 images, 80% of the data set was used as training, 10% as validation and 10% as test set and deep learning modeling was performed. Among the deep learning models, EfficientNet B0 model was preferred and the performance of this model was compared using ResNet-50 and Xception models.

As a result of the study, an accuracy rate of 0.98 was obtained with the EfficientNet B0 model in terms of gender prediction. To evaluate the performance of the model, 0.95 accuracy was obtained with the Xception model and 0.93 accuracy was obtained with the ResNet-50 model.

High accuracy and reliability were achieved in this gender prediction study using deep learning models on hand X-Ray images. In this context, we believe that this study will make important contributions to anatomy, forensic medicine and forensic anthropology.