Σύστημα στατιστικής μάθησης υπερφασματικών δεδομένων ιατροδικαστικής

Η μικροσκοπία αποτελεί ένα από τα κυριότερα εργαλεία στην επιστήμη της εγκληματολογίας και της ιατροδικαστικής ανάλυσης, καθώς επιτρέπει τη λεπτομερή εξέταση μικροσκοπικών δειγμάτων που εντοπίζονται και συλλέγονται από χώρους εγκλήματος. Μέσα από τη μικροσκοπική απεικόνιση είναι δυνατή η παρατήρηση χαρακτηριστικών που δεν είναι ορατά με γυμνό μάτι, όπως η μορφολογία, η υφή και η δομή υλικών που μπορούν να συμβάλλουν καθοριστικά στην εξιχνίαση εγκλημάτων, μέσω της ταυτοποίησης και κατηγοριοποίησης ιχνών. Στην εγκληματολογία, η ανάλυση ιχνών όπως σταγόνες αίματος, τρίχες, ίνες, γύρη και άλλα μικροσκοπικά υλικά αποτελούν θεμέλια για τη εξιχνίαση υποθέσεων. Τα ίχνη αυτά συχνά αποτελούν κρίσιμα αποδεικτικά στοιχεία, καθώς μπορούν να συνδέσουν ένα άτομο, ένα αντικείμενο ή έναν χώρο με ένα εγκληματικό γεγονός. Για το λόγο αυτό η ακρίβεια και η αξιοπιστία της ανάλυσης των ιχνών αυτών είναι άκρως απαραίτητο να έχουν διασφαλιστεί με τα κατάλληλα εργαλεία, μέσα και ειδικούς. Η σύγχρονη μικροσκοπία δεν περιορίζεται μόνο σε μια τεχνική απεικόνισης. Αντίθετα, χρησιμοποιούνται εξελιγμένες μέθοδοι απεικονίσεων όπως φθορισμός, πόλωση, ανάκλαση, διάδοση -καθεμία από τις οποίες επιλέγεται, κατά περίπτωση, για την ανάδειξη διαφορετικών φυσικών και χημικών ιδιοτήτων του ίδιου υπό ανάλυση δείγματος. Μέσω των διαφορετικών απεικονίσεων το ίδιο αντικείμενο μπορεί να απεικονιστεί με πολλαπλούς τρόπους, προσφέροντας συμπληρωματική πληροφορία που είναι δύσκολο να εξαχθεί πλήρως με συμβατικές μεθόδους. Παραδοσιακά η ερμηνεία των μικροσκοπικών εικόνων βασίζεται στην εμπειρία και κρίση του ειδικού αναλυτή. Ωστόσο, η διαδικασία αυτή είναι χρονοβόρα, υποκειμενική και επιρρεπής σε ανθρώπινα σφάλματα, ειδικά όταν ο όγκος των δεδομένων είναι μεγάλος ή όταν οι διαφορές μεταξύ δειγμάτων έγκεινται σε λεπτομέρειες. Για το λόγο αυτό τα τελευταία χρόνια παρατηρείται αυξανόμενο ενδιαφέρον για την αξιοποίηση αυτοματοποιημένων μεθόδων ανάλυσης που μπορούν να υποστηρίξουν ή ακόμη να ενισχύσουν το έργο ενός ειδικού. Στο πλαίσιο αυτό, τα συστήματα Μηχανικής Μάθησης (Machine Learning) έχουν αναδειχθεί ως ισχυρά εργαλεία για την ανάλυση και την επεξεργασία μεγάλου όγκου δεδομένων. Ιδιαίτερα στον τομέα ανάλυσης εικόνων τα συνελικτικά νευρωνικά δίκτυα (CNN, Convolutional Neural Networks) έχουν αποδειχθεί άκρως αποτελεσματικά εργαλεία, αφού μπορούν να μαθαίνουν διάφορα χαρακτηριστικά απευθείας από δεδομένα χωρίς την ανάγκη χειροκίνητης εξαγωγής τους. Η χρήση τεχνολογιών αιχμής όπως η Μηχανική Μάθηση στην εγκληματολογική ανάλυση επιτρέπει την ανάπτυξη συστημάτων που μπορούν να εντοπίζουν πρότυπα, να διακρίνουν μεταξύ διαφορετικών κατηγοριών δεδομένων και να παρέχουν αντικειμενικά αποτελέσματα. Στην πτυχιακή αυτή εργασία, συνδυάζοντας πληροφορίες υπερφασματικής απεικόνισης και μέσω χρήσης συστημάτων Μηχανικής Μάθησης, διερευνάται πως μπορεί να βελτιωθεί η απόδοση της ταξινόμησης εγκληματολογικών ιχνών και να αυτοματοποιηθεί με αποτελεσματικότητα και ακρίβεια η ανάλυση τους στα εργαστήρια. Για τον σκοπό αυτό αναπτύχθηκε ένα σύστημα ταξινόμησης όπου, χρησιμοποιώντας ως βάση δεδομένων εικόνες με εγκληματολογικά ίχνη που συλλέχθηκαν μέσω του μικροσκοπίου SMMART, εκπαιδεύει ξεχωριστά συνελικτικά νευρωνικά δίκτυα για την εξαγωγή χαρακτηριστικών, τα οποία στη συνέχεια εισάγονται σε ένα πλήρως συνδεδεμένο νευρωνικό δίκτυο (FCNN, Fully Connected Neural Network) που πραγματοποιεί την τελική τους ταξινόμηση ανά κατηγορία δείγματος. Στόχος της παρούσας εργασίας είναι η εξοικείωση του κοινού με τις μεθόδους και τα μέσα που χρησιμοποιήθηκαν για την ανάπτυξη του προτεινόμενου συστήματος, τη διαδικασία εκπαίδευσης και αξιολόγησης των συνελικτικών μοντέλων, καθώς και να αναδείξει τα αποτελέσματα και τα συμπεράσματα που προκύπτουν από την πολυτροπική αυτή προσέγγιση.