Yazar "Toz, Güliz" seçeneğine göre listele
Listeleniyor 1 - 7 / 7
Sayfa Başına Sonuç
Sıralama seçenekleri
Öğe A fuzzy image clustering method based on an improved backtracking search optimization algorithm with an inertia weight parameter(Elsevier Science Bv, 2019) Toz, Güliz; Yücedağ, İbrahim; Erdoğmuş, PakizeIn this paper, we introduced a novel image clustering method based on combination of the classical Fuzzy C-Means (FCM) algorithm and Backtracking Search optimization Algorithm (BSA). The image clustering was achieved by minimizing the objective function of FCM with BSA. In order to improve the local search ability of the new algorithm, an inertia weight parameter (w) was proposed for BSA. The improvement was accomplished by using w in the steps of the determination of the search-direction matrix of BSA and the new algorithm was named as w-BSAFCM. In order to show the effectiveness of the new algorithm, FCM was also combined with the general forms of BSA in the same manner and three benchmark images were clustered by utilizing these algorithms. The obtained results were analyzed according to the objective function and Davies-Bouldin index values to compare the performances of the algorithms. According to the results, it was shown that w-BSAFCM can be effectively be used for solving image clustering problem. (C) 2018 The Authors. Production and hosting by Elsevier B.V. on behalf of King Saud University.Öğe g-BSAFCM : A New Hybrid Clustering Algorithm(Ieee, 2016) Toz, Güliz; Erdoğmuş, PakizeClustering is dividing a dataset into subsets that has similar characteristics. In this study, fuzzy c-means clustering algorithm (FCM) and a new evolutionary optimization algorithm, Backtracking Search (BSA) algorithm, were combined and a new hybrid clustering algorithm (BSAFCM) was proposed. Moreover, the local search abilities of the new algorithm was improved and the new algorithm was named as g-BSAFCM. Three benchmark datasets from UCI Machine Learning Repository database were clustered by using the developed algorithms and FCM. According to the results g-BSAFCM has achieved better results than FCM and BSAFCM.Öğe Görüntü işleme teknikleriyle meme kanserinin teşhisi(Düzce Üniversitesi, 2018) Toz, Güliz; Erdoğmuş, PakizeMeme kanseri hem dünyada hem de ülkemizde kadınlar arasında en sık görülen ve yüksek oranlarda ölüme neden olan kanser türüdür. Ülkemizde kanser istatistiklerine bakıldığında meme kanseri tüm kadın kanserlerinin yaklaşık % 25,6'sını oluşturmaktadır. Türkiye'de her 8 kadından birisinde meme kanseri görülmektedir. Meme kanseri yüzünden gerçekleşen ölümlerin azaltılmasında en etkin yöntem erken teşhis ve tedavidir. Erken teşhis için kullanılan en yaygın yöntem mamografidir. Mamografi meme kanseri için tasarlanan özel bir röntgen tekniğidir. Mamografi ile elde edilen görüntüler sayesinde memede elle muayene ile fark edilemeyecek kadar küçük değişiklikler bile belirlenebilmektedir. Mamografilerin yorumlanması uzman radyologlar tarafından yapılmaktadır. Fakat yorgunluk, iş yoğunluğu, insan gözünün kısıtlılığı vb. gibi etkenler radyologların mamografileri yanlış yorumlamasına neden olabilmektedir. Günümüzde, meme kanserinin teşhisinde yanlış ya da eksik yorumlamaya neden olabilecek etkileri azaltmak amacıyla radyoloğa yardımcı olacak otomatik algılama sistemleri geliştirilmektedir. Bu sistemlere Bilgisayar Destekli Teşhis (BDT) sistemleri denilmektedir. BDT yazılımları, memedeki anormallikleri tespit etmek için çeşitli görüntü işleme algoritmaları kullanmaktadır ve meme kanserinin tanısı ve teşhisinde radyoloji uzmanlarına ikinci bir görüş olarak yardımcı olmaktadır. Nihai karar radyolog tarafından verilmektedir. Bu çalışmada mamogramlarda görülen anormalliklerin tespiti ve sınıflandırılması amacıyla bir BDT sistemi geliştirilmiştir. Bu sistem başlıca beş bölümden oluşmaktadır. Bunlar sırasıyla; ön işleme, bölütleme, öznitelik çıkarımı, öznitelik seçimi ve sınıflandırmadır. Ön işleme aşamasında görüntüyü iyileştirmek ve gürültüyü azaltmak amacıyla medyan filtre, biortogonal dalgacık analizi, anizotropik difüzyon yöntemi, adaptif histogram eşitleme yöntemi kullanılmıştır. Ayrıca ön işleme aşamasının önemli bir kısmını teşkil eden pektoral kasın çıkarılması için bu tez kapsamında geliştirilen Tek Yönlü Kenar İşaretleme (Single Sided Edge Marking-SSEM) isimli yeni bir algoritma kullanılmıştır. Şüpheli bölgelerin tespiti amacıyla Otsu N eşikleme, Havrda & Charvat entropi yöntemleri ile birlikte yine bu tez kapsamında geliştirilen bir görüntü kümeleme algoritması olan w-BSAFCM, kullanılmıştır. Öznitelik çıkarımı için gri seviye eş oluşum matrisi, dalgacık analizi ve eğricik dönüşümü yöntemleri kullanılmıştır. Öznitelik azaltımı aşamasında Lineer Ayırıcı Analiz yöntemi kullanılmıştır. Son olarak, sınıflandırma aşamasında ise yapay sinir ağları, destek vektör makinesi (DVM) ve K- En yakın komşuluk sınıflandırıcıları kullanılmıştır. Tez çalışması kapsamında önerilen yöntem ve geliştirilen algoritmalar literatürde sıkça kullanılan MIAS veri tabanına ek olarak yeni bir mamogram veritabanı olan INBREAST veri tabanındaki görüntüler üzerinde de test edilmiş ve elde edilen sonuçlar literatürdeki diğer çalışmalarla karşılaştırılmıştır. Yapılan deneysel çalışmalarda mamogram görüntüleri, geliştirilen yöntemle ilk olarak normal ve anormal olarak sınıflandırılmış ardından anormal mamogramlar da kendi aralarında iyi huylu ve kötü huylu olarak sınıflandırılmışlardır. Yapılan tez çalışması için toplam 246 adet mamogram kullanılmıştır. MIAS veritabanından seçilen 70 normal ve 70 anormal mamogram ile INBREAST veri tabanından seçilen 53 normal ve 53 anormal mamogram üzerinde önerilen yöntemlerle yapılan sınıflandırma sonucunda en iyi sonuçlar eğricik analizi ile çıkarılan özniteliklerle sağlanmıştır. Eğricik analizi ile çıkarılan özniteliklerin lineer ayırıcı analiz ile boyutu azaltılmış ve eğricik analizi ile lineer ayırıcı analizin birlikte kullanıldığı durumda sınıflama başarısı % 100 olarak elde edilmiştir. Ayrıca mamogramların sınıflandırılması amacıyla gri seviye eş oluşum matrisi ve dalgacık analizi ile elde edilen özniteliklere ait sonuçlar karşılaştırmalı olarak sunulmuştur.Öğe Jel kart görüntülerinden görüntü işleme teknikleri kullanılarak kan grubu tespiti için arayüz tasarımı(Düzce Üniversitesi, 2014) Toz, Güliz; Erdoğmuş, PakizeJel kan gruplama sistemi günümüzde en çok kullanılan kan gruplama yöntemlerinden biridir. Ülkemizde de oldukça yaygın bir şekilde kullanılan bu sistemin cihaz ve kitleri hâlihazırda ithal edilmektedir. Bu tez çalışmasında jel kan gruplama sisteminin ülkemizde üretilebilmesi amacıyla bu sistemin bir parçası olan jel kart okuyucu cihaz ve bu cihazın kullanılabilmesini sağlayan arayüz yazılımı geliştirilmiştir. Cihazın mekanik kısmı Biomekatronik Sağlık Hizmetleri Ltd. Şti. firması tarafından kendi atölyelerinde üretilmiştir. Arayüz yazılımı C# dili kullanılarak geliştirilmiştir. Bu yazılım kan grubu tespiti için üzerinde 6 tüp bulunan jel test numunelerini kullanmaktadır. Yazılım ile ilk olarak numunelerin çekilen resimleri programa aktarılmakta ve devamında sayısal görüntü işlemleri teknikleri ile numunenin kan grubu tespiti yapılmaktadır. Geliştirilen cihaz ve yazılım her biri 8 farklı kan grubundan (A Rh(+), A Rh(-), B Rh(+), B Rh(-), AB Rh(+), AB Rh(-) ve O Rh(+), O Rh(-)) birini içeren örnek jel test numuneleri kullanılarak test edilmiştir. Elde edilen sonuçlar geliştirilen yazılımın kan grubu tespitini yüksek doğruluk oranı ile gerçekleştirebildiğini göstermiştir. Anahtar sözcükler: Arayüz tasarımı, Jel test yöntemi, Kan grubu.Öğe JEL TEST YÖNTEMİ İLE KAN GRUBU TESPİTİ İÇİN BİR YAZILIM TASARIMI(Düzce Üniversitesi, 2013) Toz, Güliz; Erdoğmuş, Pakize; Dönmez, KadriGel blood grouping system is one of the most widely used methods of blood grouping systems. The devices and kits of this system which has also been widely used in our country are imported. In this study a software has been developed for the gel test reader device which is a part of the gel blood grouping system in order to manufacture the blood group system in our country. The developed software uses gel test samples which have 6 tubes for the detection of the blood groups. With this software, firstly the captured images of the samples are imported in the program and then the detection of blood group is achieved by using digital image processing techniques. The developed software has been tested by eight different gel test samples. Each of these samples includes one of the eight different blood groups (A Rh (+), A Rh (-), B Rh (+), B Rh (-), AB Rh (+), AB Rh (-) and O Rh (+), OR Rh (-)). The obtained results shown that the developed software can detect the blood groups with a high accuracy rate.Öğe A NOVEL IMAGE CLUSTERING ALGORITHM BASED ON DS and FCM(Ieee, 2015) Toz, Metin; Toz, GülizImage clustering, the separation process of the image to the clusters which have pixels with similar properties is one of the most important sections of the image processing procedures. In this study we developed a novel image clustering algorithm by combining Differential Search algorithm (DS) which is a new optimization algorithm and Fuzzy Clustering Algorithm (FCM). Combining procedure was realized by minimizing the objective function of FCM by DS. As for testing purposes 3 brain MRI images were clustered by the new algorithm and the classical FCM. Both of the algorithms were compared in terms of objective function values. According to the results, the new algorithm out performs the classical FCM algorithm in terms of image clustering.Öğe A Single Sided Edge Marking Method for Detecting Pectoral Muscle in Digital Mammograms(Eos Assoc, 2018) Toz, Güliz; Erdoğmuş, PakizeIn the computer-assisted diagnosis of breast cancer, the removal of pectoral muscle from mammograms is very important. In this study, a new method, called Single-Sided Edge Marking (SSEM) technique, is proposed for the identification of the pectoral muscle border from mammograms. 60 mammograms from the INbreast database were used to test the proposed method. The results obtained were compared for False Positive Rate, False Negative Rate, and Sensitivity using the ground truth values pre-determined by radiologists for the same images. Accordingly, it has been shown that the proposed method can detect the pectoral muscle border with an average of 95.6% sensitivity.
