Yapay zeka tabanlı yaklaşımlarla kan ilişkili faktörlerin çok yönlü değerlendirilmesi
Multidimensional evaluation of blood-related factors using artificial intelligence-based approaches
- Tez No: 1024896
- Danışmanlar: PROF. DR. MEHMET YÜKSEL
- Tez Türü: Doktora
- Konular: Adli Tıp, Fizik ve Fizik Mühendisliği, Forensic Medicine, Physics and Physics Engineering
- Anahtar Kelimeler: Kan lekesi deseni analizi, yapay zekâ, görüntü işleme, düşme yüksekliği tahmini, optimizasyon algoritmaları, olay yeri rekonstrüksiyonu, adli bilimler, Bloodstain pattern analysis, artificial intelligence, image processing, drop height estimation, optimization algorithms, crime scene reconstruction, forensic sciences
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Çukurova Üniversitesi
- Enstitü: Bağımlılık ve Adli Bilimler Enstitüsü
- Ana Bilim Dalı: Adli Bilimler Ana Bilim Dalı
- Bilim Dalı: Adli Bilimler Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kesici, delici ve ateşli silahların kullanıldığı şiddet olaylarında oluşan kan lekeleri, olayın meydana geliş biçiminin ve dinamiklerinin açıklanmasında önemli fiziksel deliller arasında yer almaktadır. Kan lekesi deseni analizi (Bloodstain Pattern Analysis, BPA), lekelerin morfolojik özelliklerinden yararlanarak olay yerinin yeniden yapılandırılmasına katkı sağlayan temel adli bilim yöntemlerinden biridir. Bu çalışmada, farklı yüzeylerde oluşan kan lekelerinden düşme yüksekliğini tahmin edebilen yapay zekâ destekli ve yüzeye özgü bir analiz modelinin geliştirilmesi amaçlanmıştır. Araştırmada A4 kâğıdı, cam, suntalam ve seramik yüzeyler üzerine bırakılan yapay kan damlaları incelenmiştir. Kontrollü laboratuvar koşullarında 10 µL hacmindeki damlalar, A4 kâğıdı için 10–190 cm, diğer yüzeyler için ise 10–180 cm aralığındaki yüksekliklerden yüzeye dik olarak bırakılmıştır. Kan lekelerinin konturları Python tabanlı görüntü işleme sistemiyle otomatik olarak belirlenmiş, leke alanlarından eşdeğer çap değerleri hesaplanmış ve çarpma hızları fiziksel eşitlikler kullanılarak tahmin edilmiştir. Veriler; tanımlayıcı istatistikler, Pearson korelasyon analizi, doğrusal regresyon, MAE, RMSE, MAPE, hata yayılımı ve Bland–Altman uyum analiziyle değerlendirilmiştir. On bir optimizasyon algoritmasının karşılaştırılması sonucunda A4 kâğıdı ve seramik için Diferansiyel Evrim (DE), cam için Öğretme–Öğrenme Tabanlı Optimizasyon (TLBO), suntalam için ise Kovaryans Matrisi Uyumlu Evrim Stratejisi (CMA-ES) en uygun algoritmalar olarak belirlenmiştir. Eşdeğer çap ile gerçek düşme yüksekliği arasındaki ilişki A4 kâğıdı ve camda güçlü ve anlamlı, suntalam ve seramikte ise zayıf bulunmuştur. Buna karşın yüzeye özgü kalibrasyon modelleriyle tahmin edilen ve gerçek düşme yükseklikleri arasında tüm yüzeylerde çok güçlü uyum elde edilmiştir. Determinasyon katsayıları A4 kâğıdında 0,975, camda 0,954, suntalamda 0,9996 ve seramikte 0,991 olarak belirlenmiştir. Hata ve Bland–Altman analizleri, sistematik yanlılığın düşük, tahmin hatalarının ise yüzey özelliklerine bağlı olarak değişken olduğunu göstermiştir. Sonuç olarak geliştirilen yaklaşım, sentetik kan lekelerinden düşme yüksekliğinin nesnel ve tekrarlanabilir biçimde tahmin edilmesine olanak sağlamıştır. Bulgular, yüzeye özgü model seçiminin gerekliliğini ortaya koymakta ve sistemin bağımsız doğrulamalar sonrasında kan lekesi deseni analizinde uzman değerlendirmesini destekleyen bir karar destek aracı olarak kullanılabileceğini göstermektedir.
Özet (Çeviri)
Bloodstains generated during violent incidents involving sharp, penetrating, or firearm-related trauma constitute important physical evidence for elucidating the manner and dynamics of an event. Bloodstain pattern analysis (BPA) is a fundamental forensic science method that contributes to crime scene reconstruction through the evaluation of the morphological characteristics of bloodstains. This study aimed to develop an artificial intelligence-assisted, surface-specific analysis model capable of estimating the drop height of bloodstains formed on different surfaces. Synthetic blood droplets deposited on A4 paper, glass, melamine-coated particleboard, and ceramic surfaces were examined. Under controlled laboratory conditions, 10 µL droplets were released perpendicular to the target surfaces from heights ranging from 10 to 190 cm for A4 paper and from 10 to 180 cm for the other surfaces. Bloodstain contours were automatically identified using a Python-based image-processing system, area-based equivalent diameter values were calculated, and impact velocities were estimated using physical equations. The data were evaluated using descriptive statistics, Pearson correlation analysis, linear regression, mean absolute error (MAE), root mean square error (RMSE), mean absolute percentage error (MAPE), error propagation analysis, and Bland–Altman agreement analysis. Following the comparison of eleven optimization algorithms, Differential Evolution (DE) was identified as the most suitable algorithm for A4 paper and ceramic, Teaching–Learning-Based Optimization (TLBO) for glass, and Covariance Matrix Adaptation Evolution Strategy (CMA-ES) for melamine-coated particleboard. The relationship between equivalent diameter and actual drop height was strong and statistically significant for A4 paper and glass, whereas it was weak for melamine-coated particleboard and ceramic. Nevertheless, surface-specific calibration models produced very strong agreement between the estimated and actual drop heights for all surfaces. The coefficients of determination were 0.975 for A4 paper, 0.954 for glass, 0.9996 for melamine-coated particleboard, and 0.991 for ceramic. Error metrics and Bland–Altman analyses indicated low systematic bias, while the magnitude of prediction errors varied according to surface characteristics. In conclusion, the developed approach enabled the objective and reproducible estimation of drop height from synthetic bloodstains. The findings demonstrate the necessity of surface-specific model selection and indicate that, following independent validation, the proposed system may be used as a decision-support tool to assist expert assessment in bloodstain pattern analysis.
Benzer Tezler
- Çocuklarda subklinik ateroskleroz için yeni yaklaşım: Yapay zekâ destekli risk sınıflaması
A new approach for subclinical atherosclerosis in children: Artificial intelligence-supported risk classification
İDİL AK GÜNDOĞDU
Tıpta Uzmanlık
Türkçe
2025
Çocuk Sağlığı ve Hastalıklarıİstanbul Medeniyet ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
DOÇ. DR. ÖYKÜ İSAL TOSUN
- Machine-learning approaches for neurological disorder diagnosis from genomic and neuroimaging data
Genomik ve nörogörüntüleme verilerinden nörolojik bozukluk teşhisi için makine öğrenmesi yaklaşımları
İSMAİL BİLGEN
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BEHÇET UĞUR TÖREYİN
- Kamu sağlık kurumlarında yapay zekâ destekli risk tabanlı denetim: Tıbbi işlem verileri üzerine bir model uygulaması
Artificial intelligence-supported risk-based auditing in public health institutions: A model application on medical procedure data
HARUN BULUT
Yüksek Lisans
Türkçe
2026
Yönetim Bilişim SistemleriAnkara Hacı Bayram Veli ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
PROF. DR. MUHAMMED HANEFİ CALP
- Fizyolojik sistemlerin yapay zekâ teknikleri kullanılarak modellenmesi ve kontrolü için eğitim amaçlı bir simülatör tasarımı
Designing educational simulators for modeling and control of physiological systems by implementing artificial intelligence techniques
ÜMİT TAŞ
Doktora
Türkçe
2009
BiyomühendislikMarmara ÜniversitesiElektronik-Bilgisayar Eğitimi Ana Bilim Dalı
DOÇ. DR. AHMET AKBAŞ
- Yan kanal saldırılarının derin öğrenme tabanlı analizi
Deep learning-based analysis of sidechannel attacks
SENA ASLIBAY
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. ÜNAL ÇAVUŞOĞLU