論文の概要: Forensic Iris Image-Based Post-Mortem Interval Estimation

• arxiv url: http://arxiv.org/abs/2404.10172v3
• Date: Wed, 13 Nov 2024 18:42:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-14 16:08:52.768534
• Title: Forensic Iris Image-Based Post-Mortem Interval Estimation
• Title（参考訳）: 法医学アイリス画像を用いたモーテム後間隔推定
• Authors: Rasel Ahmed Bhuiyan, Adam Czajka,
• Abstract要約: 死後の時間間隔 (PMI) は, 死亡から経過した時間数と相関する。 本稿では,死後に撮影した虹彩画像から直接PMI推定法について述べる。
• 参考スコア（独自算出の注目度）: 4.737519767218666
• License:
• Abstract: Post-mortem iris recognition is an emerging application of iris-based human identification in a forensic setup. One factor that may be useful in conditioning iris recognition methods is the tissue decomposition level, which is correlated with the post-mortem interval (PMI), \ie the number of hours that have elapsed since death. PMI, however, is not always available, and its precise estimation remains one of the core challenges in forensic examination. This paper presents the first known to us method of the PMI estimation directly from iris images captured after death. To assess the feasibility of the iris-based PMI estimation, we designed models predicting the PMI from (a) near-infrared (NIR), (b) visible (RGB), and (c) multispectral (RGB+NIR) forensic iris images. Models were evaluated following a 10-fold cross-validation, in (S1) sample-disjoint, (S2) subject-disjoint, and (S3) cross-dataset scenarios. We explore two data balancing techniques for S3: resampling-based balancing (S3-real), and synthetic data-supplemented balancing (S3-synthetic). We found that using the multispectral data offers a spectacularly low mean absolute error (MAE) of $\approx 3.5$ hours in the scenario (S1), a bit worse MAE $\approx 17.5$ hours in the scenario (S2), and MAE $\approx 45.77$ hours in the scenario (S3). Additionally, supplementing the training set with synthetically-generated forensic iris images (S3-synthetic) significantly enhances the models' ability to generalize to new NIR, RGB and multispectral data collected in a different lab. This suggests that if the environmental conditions are favorable (\eg, bodies are kept in low temperatures), forensic iris images provide features that are indicative of the PMI and can be automatically estimated.
• Abstract（参考訳）: 死後虹彩認識は、法医学的な設定で虹彩をベースとした人間の識別の新たな応用である。 虹彩認識方法の条件付けに有用である1つの要因は組織分解レベルであり、これは死後の時間間隔(PMI)と相関している。 しかし、PMIは必ずしも利用可能ではなく、その正確な推定は法医学的な検査における主要な課題の1つである。 本稿では,死後に撮影した虹彩画像から直接PMI推定法について述べる。 虹彩を用いたPMI推定の実現可能性を評価するため,我々はPMIを推定するモデルを設計した。 (a)近赤外(NIR) (b)可視(RGB)、及び (c)マルチスペクトル(RGB+NIR)法医学的虹彩画像。 モデルは10倍のクロスバリデーション, (S1) サンプル・ディスジョイント, (S2) 対象・ディスジョイント, (S3) クロスデータセットのシナリオで評価された。 本稿では,再サンプリングベースバランシング(S3-real)と合成データ補助バランシング(S3-synthetic)の2つのデータバランシング手法について検討する。 我々は、マルチスペクトルデータを使用することで、シナリオで$\approx 3.5$ hoursという驚くほど低い平均絶対誤差(MAE)、シナリオで$\approx 17.5$ hours、シナリオで$\approx 45.77$ hoursを提供する(S3)。 さらに、合成法医学的虹彩画像(S3-synthetic)でトレーニングセットを補足することで、異なる研究室で収集された新しいNIR、RGB、マルチスペクトルデータにモデルを一般化する能力を著しく向上させる。 これは、環境条件が好ましい場合(例えば、体は低温で保たれる)、法医学的虹彩画像は、PMIを示す特徴を提供し、自動的に推定できることを示している。

関連論文リスト

• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• Forensic Iris Image Synthesis [5.596752018167751]
  死後虹彩認識は、法医学的な設定で虹彩をベースとした人間の識別の新たな応用である。 本論文は, 運動後虹彩サンプルの最大データセットに基づいて訓練された, 条件付きスタイルGANに基づく虹彩合成モデルを提供する。
  論文  参考訳（メタデータ） (2023-12-07T08:28:41Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Evaluation of importance estimators in deep learning classifiers for Computed Tomography [1.6710577107094642]
  ディープニューラルネットワークの解釈可能性はしばしば入力特徴の重要性を推定することに依存する。 SmoothGradは2つのバージョンが忠実度とROCランキングを上回り、Integrated GradientsとSmoothGradはDSC評価に優れていた。 モデル中心 (忠実度) と人間中心 (ROC, DSC) 評価の間には重要な相違があった。
  論文  参考訳（メタデータ） (2022-09-30T11:57:25Z)
• Forensicability Assessment of Questioned Images in Recapturing Detection [78.45849869266834]
  質問されたサンプルの鑑定可能性の定量化のための鑑定可能性評価ネットワークを提案する。 低フォレンシビリティサンプルは、実際の再適応検出プロセスの前に拒絶され、再適応システムの効率が向上する。 我々は、トレーニングされたFANetと、アンチ・スプーフィングと再適応された文書検出タスクの実践的な再適応検出スキームを統合する。
  論文  参考訳（メタデータ） (2022-09-05T12:26:01Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• Deep regression for uncertainty-aware and interpretable analysis of large-scale body MRI [1.6799377888527687]
  英国バイオバンクのような大規模医学研究は、医療画像技術を用いた数千人のボランティア参加者を調査した。 回帰のための畳み込みニューラルネットワークによる最近のアプローチは、これらの評価を自動的に行うことができる。 英国バイオバンクの4万人以上の被験者のMRIデータについて、これらのシステムは人間の年齢、体組成などを推定することができる。
  論文  参考訳（メタデータ） (2021-05-17T13:12:20Z)
• Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
  スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。 本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
  論文  参考訳（メタデータ） (2020-10-05T14:18:52Z)
• Assignment Flow for Order-Constrained OCT Segmentation [0.0]
  網膜層厚の同定は、患者ごとに個別に行う重要な課題である。 自動セグメンテーションモデルの構築は,医用画像処理分野において重要な課題となっている。 我々は、秩序に制約された3D OCT網膜細胞層セグメンテーションのための新しい、純粋にデータ駆動型テキスト幾何学的アプローチを提案する。
  論文  参考訳（メタデータ） (2020-09-10T01:57:53Z)
• Stochastic Segmentation Networks: Modelling Spatially Correlated Aleatoric Uncertainty [32.33791302617957]
  画像セグメンテーションネットワークアーキテクチャを用いてアレータティック不確実性をモデル化するための効率的な確率的手法であるセグメンテーションネットワーク(SSN)を導入する。 SSNは単一の画像に対して複数の空間的コヒーレント仮説を生成することができる。 2次元CTでは肺結節,3次元MRIでは脳腫瘍を含む実世界の医療データのセグメンテーションについて検討した。
  論文  参考訳（メタデータ） (2020-06-10T18:06:41Z)
• 1-D Convlutional Neural Networks for the Analysis of Pupil Size Variations in Scotopic Conditions [79.71065005161566]
  1次元畳み込みニューラルネットワークモデルは、短距離配列の分類のために訓練されている。 モデルは、ホールドアウトテストセット上で、高い平均精度で予測を提供する。
  論文  参考訳（メタデータ） (2020-02-06T17:25:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。