İki boyutlu medikal görüntülerde histogram tabanlı küme kestirim metodu ile yarı otomatik segmentasyon yöntemlerinin geliştirilmesi

Basit Öğe Kaydı
dc.contributor.advisorErdoğmuş, Pakize
dc.contributor.advisorPolat, Kemal
dc.contributor.authorKüçükkülahlı, Enver
dc.date.accessioned2021-02-25T15:04:34Z
dc.date.available2021-02-25T15:04:34Z
dc.date.issued2018
dc.departmentDÜ, Fen Bilimleri Enstitüsü, Elektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalıen_US
dc.descriptionYÖK Tez No: 522191en_US
dc.description.abstractMedikal görüntülerin bilgisayar ya da bir uzman tarafından yorumlanmasından önce görüntünün anlamlı parçalara bölütlenerek sonraki görü işlemi için hazırlanması doğru yönlendirme ve teşhis aşamasında son derece hayati önem taşımaktadır. Bölütleme algoritmalarının doğru sonuca ulaşabilmeleri ise küme sayısının doğru olarak tahmin edilmesine bağlıdır. Bu çalışmada iki boyutlu medikal görüntülerde küme sayısının ve tahmini küme merkezlerinin tespitinin yapılması ve yarı otomatik bir bölütleme algoritmasının geliştirilmesi hedeflenmiştir. Bu hedef doğrultusunda, Histogram Tabanlı Küme Kestirim (HBCE – Histogram Based Cluster Estimation) metodu geliştirilmiştir. Geliştirilen HBCE metodu ile küme sayısı ve tahmini küme merkezi bilgisi elde edilmiş ve bu bilgi K-ortalama, Biyocoğrafya Tabanlı Optimizasyon (BBO - Biogeography Based Optimisation), Parçacık Sürü Optimizasyonu (PSO), Darwinci Parçacık Sürü Optimizasyonu (DPSO), Fraksiyonel Düzen Darwinci Parçacık Sürü Optimizasyonu (FODPSO) ve bu algoritmaların merkez tabanlı olarak düzenlenmiş halleri olan mPSO, mDPSO, mFODPSO algoritmalarından herhangi birine verilerek bölütleme işlemi gerçekleştirilmiştir. Gerçekleştirilen çalışmanın test edilmesinde Uluslararası Cilt Görüntüleme İşbirliği (ISIC- The International Skin Imaging Collaboration) veritabanından elde edilen dermoskopi görüntüleri ve bu görüntülere ait insan bölütleme sonuçları kullanılmıştır. Bölütleme işlemini daha anlaşılır ve kolay hale getirmek için MATLAB™ ortamında bir arayüz geliştirilmiştir. Bölütleme performanslarını test etmek için, Rand Index (RI), Global Consistency Error (GCE), Dice Skoru, Jaccard indeksi, Doğruluk, Hassasiyet, Özgünlük değerleri kullanılmıştır. Yapılan karşılaştırmalı testler sonucunda HBCE algoritmasından alınan küme sayısı bilgisi ve tahmini küme merkezi değerlerinin bir parçacık için bölütleme algoritmalarına verilmesinin hem bölütleme algoritmasının performansını artırdığı hem de algoritma kararlılığını iyileştirdiği gözlemlenmiştir. Ayrıca merkez tabanlı hale getirilen mDPSO algoritmasının diğer algoritmalara nazaran daha iyi sonuçlara (%94,677 doğruluk) ulaştığı sonucuna varılmıştır.en_US
dc.description.abstractBefore the medical images have been interpreted by a computer or an expert, the preparation of medical images for subsequent image processing by segmenting the images into meaningful pieces is of vital importance in the correct orientation and diagnosis phase. The fact that segmentation algorithms can achieve the correct result depends on the correct estimation of the number of clusters. In this study, it is aimed to determine the number of clusters, to estimate cluster centers and to improve a semi-automatic image segmentation algorithm. With this aim, a novel algorithm called Histogram Based Cluster Estimation(HBCE) was developed in the extend of this thesis. Based on the developed HBCE method, cluster numbers and estimated cluster center information were obtained. Segmentation was realized sending with this information as an initial values for K-means, Biogeography Based Optimization (BBO), Particle Swarm Optimization (PSO), Darwinian Particle Swarm Optimization (DPSO), Fractional Order Darwinian Particle Swarm Optimization (FODPSO). The cluster number and cluster centers were also sent to modified versions of the PSO, DPSO, and FODPSO called as respectively mPSO, mDPSO and mFODPSO. The International Skin Imaging Collaboration (ISIC) and its human segmentation results were used for testing. To make the segmentation process easier and more intuitive, an interface has been created in the MATLAB ™ environment. Rand Index, Global Consistency Error (GCE), Dice Score, Jaccard Index, Accuracy, Sensitivity, Originality values were used to test the segmentation performances. As a result of the comparative tests, that the number of clusters and the estimated cluster center values obtained from the HBCE algorithm are given to the segmentation algorithms for only one particle, was observed to increase the performance and stability of the segmentation algorithm. Moreover, the center-based mDPSO algorithm gives better results (94,677% accuracy) than the other algorithms.en_US
dc.identifier.endpage130en_US
dc.identifier.startpage1en_US
dc.identifier.urihttps://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=fS4sqEZr79C_n60Rk6MjFWYft_LftzsgumOJHx5qWQ-Y-dy_dtNaCAJPq88pwA7q
dc.identifier.urihttps://hdl.handle.net/20.500.12684/7214
dc.institutionauthorKüçükkülahlı, Enveren_US
dc.language.isotren_US
dc.publisherDüzce Üniversitesien_US
dc.relation.publicationcategoryTezen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.subjectBilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolen_US
dc.subjectComputer Engineering and Computer Science and Controlen_US
dc.subjectGörüntü bölütlemeen_US
dc.subjectImage segmentationen_US
dc.titleİki boyutlu medikal görüntülerde histogram tabanlı küme kestirim metodu ile yarı otomatik segmentasyon yöntemlerinin geliştirilmesien_US
dc.title.alternativeDevelopment of semi-automatic segmentation methods by histogram-based cluster estimation method in two-dimensional medical imagesen_US
dc.typeDoctoral Thesisen_US

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Küçük Resim
İsim:
522191.pdf
Boyut:
4.76 MB
Biçim:
Adobe Portable Document Format
Açıklama:
Tam Metin / Full Text
İndir

Koleksiyon

Tez Koleksiyonu