Цифрова колориметрія та глибоке машинне навчання у діагностиці пошкоджень біотканин
DOI:
https://doi.org/10.31649/1681-7893-2026-51-1-139-148Ключові слова:
судова медицина, мультиспектральна візуалізація, фізико-інформовані нейронні мережі, нейронечіткі системи, глибоке навчання, колірний простір, кінетика деградації гемоглобінуАнотація
У статті виконано дослідження проблеми судово-медичної експертизи та клінічної дерматології – автоматизованого та об'єктивного встановлення давності поверхневих пошкоджень біологічних тканин на основі цифрових та мультиспектральних зображень. Традиційні емпіричні підходи, що базуються на візуальній оцінці динаміки колірних змін ушкоджених ділянок шкіри, демонструють критично низьку точність та надвисоку залежність від суб'єктивного досвіду експерта, оптичних характеристик освітлення і фізіологічних особливостей пацієнта. У роботі обґрунтовано та розроблено комплексну інноваційну парадигму, що концептуально об'єднує математичний апарат цифрової колориметрії у перцептивно рівномірному просторі CIELAB із передовими архітектурами глибокого машинного навчання. Деталізовано розроблено математичну модель нейро-нечіткої системи класифікації, яка ефективно моделює просторово-часову еволюцію травми, враховуючи нечіткість меж між стадіями деградації крові. Особливу увагу приділено впровадженню концепції фізично-інформованих нейронних мереж, що дозволяють інтегрувати систему диференціальних рівнянь у частинних похідних, які описують біохімічну кінетику розпаду гемоглобіну та дифузію білірубіну, безпосередньо у багатокомпонентну функцію втрат нейромережі. Здійснено глибокий аналіз використання передових архітектур семантичної сегментації для виокремлення складних спектрально-просторових ознак. Наведено оптимізований програмно-апаратний конвеєр для розгортання та ітеративного навчання моделей з використанням тензорних процесорів (TPU) у хмарному середовищі. На основі гіперспектрального аналізу доведено, що перехід від евристичних підходів до наскрізної регресії віку травми з урахуванням фізичних обмежень дозволяє суттєво знизити середню абсолютну похибку та вивести наукову доказовість судово-медичної експертизи на принципово новий рівень достовірності.
Посилання
Tirado, J., Mauricio, D., 2021. Bruise dating using deep learning. Journal of Forensic Sciences 66, 336–346. https://doi.org/10.1111/1556-4029.14578
Saini, B., Venkatesh, D., Ganesh, A., Parameswaran, A., Patil, S., Kamat, P., Choudhury, T., 2024. Colorizing Multi-Modal Medical Data: An Autoencoder-based Approach for Enhanced Anatomical Information in X-ray Images. EAI Endorsed Trans Perv Health Tech 10. https://doi.org/10.4108/eetpht.10.5540
Guler, C., Kartal, E., Ünal, S., Aybar, G., Arslan, M., Gökalp, M.A., Asirdizer, M., 2026. Investigation of the Aging of Post-Traumatic Bruises Using Traditional and Computerized Digital Color Comparison Methods. Eastern J Med 31, 53–63. https://doi.org/10.5505/ejm.2026.70094
Rasel, M.A., Kareem, S.A., Obaidellah, U., 2024. Integrating color histogram analysis and convolutional neural networks for skin lesion classification. Computers in Biology and Medicine 183, 109250. https://doi.org/10.1016/j.compbiomed.2024.109250
Keshavarz, A., Bieber, G., Wulff, D., Babian, C., Lüdtke, S., 2026. Age Prediction of Hematoma from Hyperspectral Images Using Convolutional Neural Networks. J. Imaging 12, 78. https://doi.org/10.3390/jimaging12020078
Al-Arami, S., Lüdtke, St., Dreßler, J., Babian, C., 2025. Age prediction of hematoma using hyperspectral imaging (HSI). Forensic Sci Med Pathol 21, 1699–1708. https://doi.org/10.1007/s12024-025-01076-7
Sharma, V., Rani, R., Pathak, P., Chakraborty, S., 2024. Epidermis Bruise Analysis Using Deep Learning, in: 2024 Sixth International Conference on Computational Intelligence and Communication Technologies (CCICT). Presented at the 2024 Sixth International Conference on Computational Intelligence and Communication Technologies (CCICT), IEEE, Sonepat, India, pp. 324–330. https://doi.org/10.1109/CCICT62777.2024.00060.
Nesheli, S.J., Sabet, M., Koozari, A., Mirzaghavami, P., Eftekhar, A., Elhaie, M., Rouhi, S., Lariche, N.J., Abidi, M., Rezaeijo, S.M., 2025. Transformer-based and CNN-based models for clinically effective 2D and 3D pelvic bone segmentation in CT imaging. BMC Musculoskelet Disord 27, 68. https://doi.org/10.1186/s12891-025-09444-8
Semantic Segmentation with PyTorch: U-NET from scratch. Available at: https://medium.com/@alessandromondin/semantic-segmentation-with-pytorch-u-net-from-scratch-502d6565910a (accessed 05.03.2026).
Mehdar, K.M., Soomro, T.A., Ali, A., Bin Ubaid, F., Irfan, M., Halawani, H.T., Mashraqi, A.M., Mohammed Elshafie, S.E., Asiri, A.A., Abdelkafi Magzoub, M., 2026. Deep neural network-based robust framework for automated skin lesion segmentation and analysis. Digital Health 12, 20552076261427501. https://doi.org/10.1177/20552076261427501.
Shad, R., Cunningham, J.P., Ashley, E.A., Langlotz, C.P., Hiesinger, W., 2021. Designing clinically translatable artificial intelligence systems for high-dimensional medical imaging. Nat Mach Intell 3, 929–935. https://doi.org/10.1038/s42256-021-00399-8
Hou, J., Che, Y., Fang, Y., Bai, H., Sun, L., 2024. Early Bruise Detection in Apple Based on an Improved Faster RCNN Model. Horticulturae 10, 100. https://doi.org/10.3390/horticulturae10010100
Le, P.T., Pham, B.-T., Chang, C.-C., Hsu, Y.-C., Tai, T.-C., Li, Y.-H., Wang, J.-C., 2023. Anti-Aliasing Attention U-net Model for Skin Lesion Segmentation. Diagnostics 13, 1460. https://doi.org/10.3390/diagnostics13081460
Carini, L., Jensen, M., Nürnberg, R., 2023. Deep learning for gradient flows using the Brezis–Ekeland principle. Arch. Math. (Brno) 249–261. https://doi.org/10.5817/AM2023-3-249
Zhao, A., Fattahi, D., Hu, X., 2025. Physics-informed neural networks for physiological signal processing and modeling: a narrative review. Physiol. Meas. 46, 07TR02. https://doi.org/10.1088/1361-6579/adf1d3.
Kucuk, A., Finlayson, G.D., Mantiuk, R., Ashraf, M., 2023. Performance Comparison of Classical Methods and Neural Networks for Colour Correction. J. Imaging 9, 214. https://doi.org/10.3390/jimaging9100214
Skin Lesion Segmentation using Unet – Kaggle. Available at: https://www.kaggle.com/code/hashbanger/skin-lesion-segmentation-using-unet (accessed 05.03.2026).
##submission.downloads##
-
pdf
Завантажень: 0
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
