تشخیص جعل در تصاویر با استفاده از CNN

جعل تصاویر پزشکی با پیشرفت فناوری های دیجیتال و هوش مصنوعی به یکی از چالش های جدی در پزشکی قانونی تبدیل شده است و تشخیص تصاویر واقعی از جعلی را حتی برای کارشناسان دشوار کرده است. این مسئله به ویژه در پرونده های قضایی و بیمه ای که تصاویر زخم های پوستی به عنوان مدرک اصلی استفاده می شوند، خطر اشتباه در تصمیم گیری و تقلب را افزایش می دهد. هدف این پژوهش، طراحی مدلی برای تشخیص همزمان اصالت تصویر زخم (واقعی یا جعلی) و طبقه بندی نوع زخم (بریدگی، کبودی یا خراشیدگی) بود. طرح پژوهش نیمه آزمایشی بود و جامعه آماری شامل تصاویر زخم های سطحی پوستی از مجموعه داده عمومی موجود در پلتفرم کاگل بود که تنها سه کلاس مرتبط با زخم های سطحی انتخاب گردید. تعداد نمونه اولیه ۵۰۶ تصویر بود که با روش نمونه گیری هدفمند انتخاب شد و پس از افزایش داده به ۳۰۳۶ تصویر واقعی رسید؛ سپس با مداخله تولید تصاویر جعلی توسط شبکه مولد متخاصم شرطی مبتنی بر معماری U-Net با بلوک های Residual (توسعه یافته توسط محققان مایکروسافت در سال ۲۰۱۵)، تعداد کل نمونه ها به ۶۰۷۲ رسید. ابزار اصلی طبقه بندی، شبکه عصبی پیچشی چندوظیفه ای مبتنی بر ResNet-۱۸ (توسعه یافته توسط محققان مایکروسافت در سال ۲۰۱۵) بود و روش تحلیل داده ها شامل ارزیابی با معیارهای دقت، حساسیت، ویژگی، امتیاز F۱، ماتریس درهم ریختگی و منحنی ROC بود. یافته های اصلی نشان داد که مدل پیشنهادی عملکرد بسیار دقیقی در هر دو وظیفه تشخیص اصالت و طبقه بندی نوع زخم دارد و خطای قابل توجهی مشاهده نشد؛ همچنین تعادل کامل بین معیارهای ارزیابی به دست آمد و مدل توانایی تمایز عالی الگوهای ظریف بافتی و ساختاری را از خود نشان داد. نتیجه گیری می شود که این مدل قابلیت کاربرد عملی بالایی در کارشناسی پزشکی قانونی و جلوگیری از تقلب بیمه ای دارد و با ارائه دقت نزدیک به ایده آل، می تواند به افزایش اعتماد و صحت در فرآیندهای حقوقی کمک کند؛ همچنین این پژوهش زمینه ساز توسعه سیستم های هوشمندتر و مقاوم تر در برابر جعل های پیشرفته در آینده خواهد بود.

کلیدواژه ها:

شناسایی تصویر جعلی ، شبکه عصبی پیچشی ، یادگیری عمیق ، پزشکی قانونی ، تشخیص زخم