Dermoskopik Görüntülerde Lezyon Bölütleme İşlemlerinde K-ortalama Kümeleme Algoritmasının Kullanımı

Year 2020, Volume: 8 Issue: 1, 182 - 191, 23.03.2020

Sümeyya İlkin , Oktay Aytar , Tuğrul Hakan Gençtürk , Suhap Şahin

https://doi.org/10.29109/gujsc.625378

Cited By: 3

Abstract

Melonom
cilt kanserinin erken evrelerinde yapılan teşhisler, iyileşme prognozuna olan
etkilerinden dolayı hayati önem taşımaktadır. Yapılan bu teşhisler büyük oranda
cildin görsel değerlendirmesiyle yapılmaktadır. Dolayısıyla, yapılan bu görsel
değerlendirme sonucu konulan teşhis çoğunlukla doktorların uzmanlığına bağlı
olduğu için, sübjektif bir değerlendirme olmaktadır. Yapılan bu çalışmada,
doktorlar tarafından konulan teşhislerdeki doğruluk oranlarını artırmak için
cilt görüntülerindeki lezyon bölgelerinin bölütleme işlemi K-ortalama kümeleme
algoritması ile yapılmaktadır. Algoritmada, K merkezi sayısı 2 ve 4 değerleri
seçilerek sistem test edilmektedir. Test aşamasında özel bir melanom veri seti
kullanılmıştır. Elde edilen değerlerin analiz işlemleri, Pik Sinyali Gürültü
Oranı (PSNR) ve Korelasyon Katsayısı (CC) metrikleri kullanılarak
gerçekleştirilmiştir. Yapılan bu çalışmanın performansı, daha önce tarafımızdan
gerçeklenen Canny kenar belirleme ve ortalama kayma algoritmaları ile
karşılaştırılarak değerlendirilmiştir. Yapılan bölütleme işleminde, merkez
sayısı 4 seçilen K-ortalama kümeleme algoritmasında en yüksek PSNR değeri
17,1591dB olarak tespit edilmiştir. Metrik sonuçlar incelendiğinde, K-ortalama
kümeleme algoritmasında merkez sayısı 4 olarak seçildiğinde elde edilen
sonuçların daha iyi olduğu gözlemlenmiştir.

Keywords

Medikal Görüntü İşleme, Melonom Cilt Kanseri, Lezyon Bölütleme, K-Ortalama Kümeleme Algoritması, Ortalama Kayma Algoritması, Canny Kenar Belirleme Algoritması

References

• Çoban, L. Cilt (Deri) Kanseri Belirtileri, Tedavisi ve Korunma Yöntemleri. https://www.memorial.com.tr/saglik-rehberleri/cilt-deri-kanseri-belirtileri-tedavisi-ve-korunma-yontemleri/. (Ziyaret Tarihi: 15.09.2019)
• Ganster, H., Pinz, P., Rohrer, R., Wildling, E., Binder, M., Kittler, H. Automated Melanoma Recognition. IEEE Transactions on Medical Imaging, 20(3) (233-239), (2011).
• Altuncu, M.A., Gülağız, F.K., Hangisi, F.S., Şahin, S. Performance Analysis of Image Restoration Techniques for Dermoscopy Images. International Journal of Applied Information Systems, 11(8) (15-19), (2017).
• Alsmadi, M. K. A hybrid Fuzzy C-Means and Neutrosophic for jaw lesions segmentation. Ain Shams Engineering Journal, 9(4) (697-706), (2018).
• Maglogiannis I., Pavlopoulos S., Koutsouris D. An integrated computer supported acquisition, handling, and characterization system for pigmented skin lesions in dermatological images. IEEE Transactions on Information Technology in Biomedicine, 9(1) (86-98), (2005).
• Pires I.M., Garcia N.M. (2015). Wound Area Assessment using Mobile Application, In Biodevices, Lisbon, Portugal, 271-282.
• Abbas A.A., Guo X., Tan W.H., Jalab H.A. Combined spline and B-spline for an improved automatic skin lesion segmentation in dermoscopic images using optimal color channel. Journal of medical systems,38(8) (80), (2014).
• Celebi M.E., Kingravi H.A., Iyatomi H., Aslandogan A.Y., Stoecker W.V., Moss R.H., Malters J.M., Grichnik J.M., Marghoob A.A., Rabinovitz H.S., Menzies S.W. Border detection in dermoscopy images using statistical region merging. Skin Research and Technology, 14(3) (347-353), (2008).
• Wantanajittikul, K., Auephanwiriyakul, S., Theera-Umpon, N., Koanantakool, T., Automatic segmentation and degree identification in burn color images, The 4th 2011 Biomedical Engineering International Conference, (169-173), (2012).
• Haider A., Alhashim M., Tavakolian K., Fazel-Rezai R. Computer-assisted image processing technique for tracking wound progress. In Electro Information Technology (EIT), 2016 IEEE International Conference, Grand Forks, ND, USA, (0750-0754), (2016).
• MacQueen, J. B. Some Methods for classification and Analysis of Multivariate Observations. Proceedings of 5-th Berkeley Symposium on Mathematical Statistics and Probability, 1(281-297), (1967).
• Sarıman, G. Veri madenciliğinde kümeleme teknikleri üzerine bir çalışma: k-means ve k-medoids kümeleme algoritmalarının karşılaştırılması. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 15(3), (2011).
• Cebecı, Z., Yıldız, F., Kayaalp, G. T. K-ortalamalar kümelemesinde optimum K değeri seçilmesi. 2. Ulusal Yönetim Bilişim Sistemleri Kongresi, (8-10), (2015).
• Işık, M., Çamurcu, A.Y. K-means, k-medoids ve bulanık c-means algoritmalarının uygulamalı olarak performanslarının tespiti. İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, 6(11) (31-45), (2007).
• Pang-Ning Tan, P. N., Steinbach, M., Kumar, V. (2006). Introduction to Data Mining, Addison Wesley Publishers, Boston.
• Pham, D. T., Dimov, S. S., Nguyen, C. D. Selection of K in K-means clustering. Proceedings of the Institution of Mechanical Engineers, Part C: Journal of Mechanical Engineering Science, 219(1) (103-119), (2005).
• Dinçer, E., N. Duru. Gırtlak Kanseri Ameliyat Verilerinin K-means Yöntemiyle Analizi. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, 2(1), (2006).
• Cebeci, Z., Yıldız, F., Kayaalp, G.T. K-Ortalamalar Kümelemesinde Optimum K Değeri Seçilmesi. 2. Ulusal Yönetim Bilişim Sistemleri Kongresi Bildiriler Kitabı, (231-242), (2015).
• Avcı, D. (2015). İdrar imgelerinden hücrelerin tanınması ve sayımı için steganografik yöntemler tabanlı güvenli bir karar destek sistemi, Doktora Tezi, Fırat Üniversitesi Fen Bilimleri Enstitüsü, Elazığ.
• İlkin, S., Gülağız, F.K., Hangişi F.S., Şahin, S. (2018). Computer Aided Wound Area Detection System for Dermatological Images. Cham: Springer: Trends and Advances in Information Systems and Technologies. WorldCIST'18 2018. Advances in Intelligent Systems and Computing, 746, 820-830.
• İlkin, S., Tayfur, T., Şahin, S. Ortalama Kayma Algoritması Kullanılarak Dermatolojik Görüntüler Üzerindeki Melanomlu Alanların Tespiti. IMASCON Uluslararası Marmara Fen ve Sosyal Bilimler Kongresi 2018, (780-787), (2018).