基于角膜图像的人体死亡时间推断模型初探

目的尸体角膜随死后时间延长发生的形态学变化是规律性较好的指标,常用来判断死亡时间(postmortem interval,PMI)。本文尝试用机器视觉代替人的肉眼主观判断,收集尸体样本以建立通过人体角膜图像推断PMI的模型。方法收集实际案例建立包含505例人体死后角膜图像的数据库,PMI范围为0.24h(约死后14min)至492h(约死后20.5d),大致分为三类(依次为:0~<6h、6~<20h、20h及以上)或二类(0~<15h、15h及以上);使用由华盛顿大学陈天奇博士提出的Xgboost模型分别进行二分类与三分类分析;使用多种卷积神经网络模型分别进行分类和回归学习,并通过比较最终选择了由微软研究院提出的ResNet模型进行分析。结果Xgboost在三分类时预测准确率依次为71.8%、40.7%、65.7%,二分类时为90%、48.5%。ResNet分类模型中,精准率、召回率在三分类时分别依次为:81%、75%,30%、50%,61%、71%,二分类时为:70%、92%,76%、38%。ResNet回归模型中,比较整个模型的预测结果,0~6h内的预测值与真实值较为接近,均值误差为0.5616,均方误差为0.5873,6h之后开始出现较大误差。结论分类和回归模型都在0~6h之内得到了很好的结果,说明在此时间段内,角膜图像噪声较低,可预测性强。