KÜMELEME ALGORİTMALARI KULLANILARAK TIBBİ İMGELERİN SINIFLANDIRILMASI

Abstract

Günümüzde tıp alanında gerçekleştirilen yenilikler ışığında tıbbi görüntüler ve tıbbi görüntülerin işlenmesi önem kazanmıştır. Şimdiye kadar RNA virüs tespiti, bu virüslerin hücre kültüründe üretilip, elektron mikroskobu kullanılarak, göz kararı ile yapılmaktadır. Bu canlıların belirlenmesi laboratuar ortamında sadece uzman kişi bilgi ve tecrübesine dayalı olarak yapıldığı için çok fazla zaman alır ve ayrıntılı bir bilgi gerektirir. Ayrıca bu şekilde yapılan bütün mikrobiyolojik canlı türlerini tanıma işlemlerinde uzman kişiden ya da laboratuar ortamından kaynaklanan bazı yanılmalar meydana gelmektedir. Bu yanılgı payını en aza indirmek amacıyla bu çalışmada, elde edilen RNA virüs resimlerinin Çoklu Entropi-Yapay Sinir Ağları, Çoklu Entropi-Uyarlamalı Ağ Tabanlı Bulanık Çıkarım Sistemleri ve Çoklu Entropi-Bulanık C-Ortalamalar temelli olarak ayrı ayrı otomatik tespiti gerçekleştirilmeye çalışılmıştır. Bu amaçla, her bir resim için döndürme ve ölçeklendirme yapılıp ön işlem aşamasında merkez - kenar değişimi yöntemi kullanılarak görüntülerin uzaklık vektörü elde edilmiştir. Özellik çıkarım ve sınıflandırma aşamalarında ise, ön işlem aşamasında elde edilen görüntülerin her biri için sırasıyla norm, logaritmik enerji ve eşik entropileri olmak üzere 3 adet entropi değeri hesaplanmıştır. Böylece özellik vektörü elde edilmiş olup bu özellik vektörü, sınıflandırma aşamasında YSA ve UATBÇS sınıflandırıcıları ile BCO kümeleyicisinin girişlerine ayrı ayrı verilmiştir. Son olarak test aşamasında ise YSA ve UATBÇS sınıflandırıcıları ile BCO kümeleyicisi algoritmaları kullanılarak gerçekleştirilen sınıflandırma ve kümeleme sonuçlarının doğruluğunu test edilmiştir.Anahtar Kelimeler: RNA Virüs Resimleri, Merkez - Kenar Değişimi Yöntemi, Entropi, YSA, UATBÇS, BCO, Sınıflandırma, Kümeleme.

Today, in light of innovations carried out in the field of medicine and medical imaging and processing of medical images has become more important. RNA virus identified so far, these viruses produced in cell culture, using electron microscopy, the decision is made by eye. Identification of these creatures in a lab environment only on the basis of expert knowledge and experience takes time and done so much for the detailed information is required. Also recognized in this way the whole process of microbial species from experts or from the lab environment consists of some wrong. To minimize of this error magrin, the it is seperately used Multi-entropy-Artificial Neural Networks, Multi-entropy-Adaptive Network Based Fuzzy Inference System and Multi-entropy-Fuzzy C-Means for classification of obtained RNA virus pictures. Then, rotating and scaling for each image be made during pre-treatment centers - the edges using the method of variation of distance vector images were obtained. In feature extraction and classification phases, the norm, respectively, of the logarithmic energy and entropy threshold entropy value was calculated to be 3each of the images. Thus, feature vector is obtained and this feature vector are given to ANN, ANFIS classifiers and FCM clustering inputs in classification stage. Finally, in the testing phase, the ANN, ANFIS classifiers and FCM clustering of the correct classification performance and the success rate is calculated.Key Words: RNA Virus Images, Center - Edge Exchange Method, Entropy, ANN, ANFIS, FCM, Classification, Clustering.