Histopatolojik Görüntülerle Diyabetin Akciğer Dokusundaki Etkisinin Sınıflandırılması: LBP ve GLCM Özellikleri ile Bir Karşılaştırma Çalışması

Year 2023, Volume: 7 Issue: 2, 84 - 89, 19.12.2023

Tuğba Şentürk Fatma Latifoğlu Demet Bolat Arzu Yay Munevver Baran

Abstract

Bu çalışma, diyabet hastalığının akciğer dokusu üzerindeki etkilerini incelemek amacıyla ratlarda bir diyabet modeli kullanarak histopatolojik görüntülerin analiz ve sınıflandırılmasını hedeflemektedir. Çalışmanın başlangıcında, kontrol ve Streptozotosin (STZ) ile diyabetik gruplar oluşturulmuştur. Akciğer dokusundaki değişiklikleri incelemek için kaspaz immunohistokimyasal boyama kullanılmıştır. Görüntülerden Yerel İkili Örüntüler (Local Binary Pattern, LBP) ve Gri Seviye Eş Oluşum Matrisi (Gray-Level Co-Occurrence Matrix, GLCM) gibi özellikler elde edilmiştir. Bu özellikler ile diyabetin akciğer dokusuna etkilerini analiz etmek amacıyla histopatolojik görüntüler analiz edilmiştir . Daha sonra, Lasso yöntemi ile en önemli özellikler seçilmiş ve kullanılmıştır. Elde edilen özellikler, Destek Vektör Makinesi (Support Vector Machine, SVM), K-en Yakın Komşu (K-nearest neighbors, KNN), Yapay Sinir Ağları (YSA) ve Karar Ağacı (Decision Tree, DT) gibi dört farklı sınıflandırma yöntemi ile sınıflandırılmıştır. Bu yöntemler, görüntülerin sınıflandırılmasında kullanılmış ve görüntülerde sınıflandırma sonuçları elde edilmiştir. Kırmızı ve mavi kanallardan elde edilen görüntüler ile en iyi sınıflandırma performansı sırasıyla %91.08 ve %93.87 doğruluk oranlarıyla YSA sınıflandırıcısıyla elde edilirken, yeşil kanaldan elde edilen görüntüler ile en yüksek doğruluk oranı %87.15 olarak SVM sınıflandırıcısıyla elde edilmiştir. Bu sonuçlara göre, histopatolojik görüntü analizi yoluyla diyabetin akciğer dokularına etkisini objektif bir şekilde değerlendirmek için LBP, GLCM özellikleri ve makine öğrenme algoritmalarından oluşan sınıflandırma modelinin önemli bir potansiyele sahip olduğu görülmektedir.

Keywords

Diyabet Hastalığı, GLCM, LBP, SVM, KNN, DT, YSA

Classification of the Effects of Diabetes on Lung Tissue with Histopathological Images: A Comparative Study Using LBP and GLCM Features

Abstract

This study aims to analyze and classify histopathological images using a rat model of diabetes to examine the effects of diabetes on lung tissue. At the beginning of the study, control and diabetic groups were established using Streptozotosin (STZ). Caspase immunohistochemical staining was used to examine changes in lung tissue. Features such as Local Binary Patterns (LBP) and Gray-Level Co-Occurrence Matrix (GLCM) were extracted from the images. These features were analyzed to assess the impact of diabetes on lung tissue. Subsequently, the most important features were selected and used with the Lasso method. The obtained features were classified using four different classification methods: Support Vector Machine (SVM), K-nearest neighbors (KNN), Artificial Neural Networks (ANN), and Decision Tree (DT). These methods were used for image classification, and classification results were obtained. The best classification performance was achieved with images obtained from the red and blue channels, with accuracy rates of 91.08% and 93.87% using the ANN classifier, while images obtained from the green channel yielded the highest accuracy rate of 87.15% with the SVM classifier. According to these results, it is evident that a classification model comprising LBP, GLCM features, and machine learning algorithms has significant potential for objectively assessing the impact of diabetes on lung tissues through histopathological image analysis.

Keywords

Diabetes Mellitus, GLCM, LBP, SVM, KNN, DT, ANN

References

• [1] American Diabetes Association, “Diagnosis and Classification of Diabetes Mellitus,” Diabetes Care, vol. 33, no. 1, pp. 62–69, 2010, doi: 10.2337/dc10-S062.
• [2] M. Panwar, A. Acharyya, R. A. Shafik, and D. Biswas, “K-nearest neighbor based methodology for accurate diagnosis of diabetes mellitus,” Proceedings - 2016 6th International Symposium on Embedded Computing and System Design, (ISED 2016), pp. 132–136, Jul. 2017, doi: 10.1109/ISED.2016.7977069.
• [3] S. K. Goswami, M. Vishwanath, S. Gangadarappa, R. Razdan, and M. N. Inamdar, “Efficacy of ellagic acid and sildenafil in diabetes induced sexual dysfunction,” Pharmacognosy Magazine , vol. 10, no. 3, pp. 581–587, Jul. 2014, doi: 10.4103/0973-1296.139790.
• [4] M. Lotfy, J. Adeghate, H. Kalasz, J. Singh, and E. Adeghate, “Chronic Complications of Diabetes Mellitus: A Mini Review,” Current Diabetes Reviews , vol. 13, no. 1, pp. 3–10, 2017.
• [5] D. Bolat, M. Ülger, M. Baran, I. T. Turan, and A. Yay, “Lung injury aggravated in Streptozotocin-induced diabetes: an experimental study,” Cukurova Medical Journal, vol. 47, no. 1, pp. 175–182, Mar. 2022, doi: 10.17826/CUMJ.1020617.
• [6] S. I. Ayon and M. M. Islam, “Diabetes Prediction: A Deep Learning Approach,” I. J. Information Engineering and Electronic Business, vol. 12, no. 2, pp. 21–27, 2019, doi: 10.5815/ijieeb.2019.02.03.
• [7] S. Palaniappan and R. Awang, “Intelligent heart disease prediction system using data mining techniques,” AICCSA 08 - 6th IEEE/ACS International Conference on Computer Systems and Applications, pp. 108–115, 2008, doi: 10.1109/AICCSA.2008.4493524.
• [8] K. Kannadasan, D. R. Edla, and V. Kuppili, “Type 2 diabetes data classification using stacked autoencoders in deep neural networks,” Clin Epidemiol Glob Health, vol. 7, no. 4, pp. 530–535, Dec. 2019, doi: 10.1016/J.CEGH.2018.12.004.
• [9] M. Heydari, M. Teimouri, Z. Heshmati, and S. M. Alavinia, “Comparison of various classification algorithms in the diagnosis of type 2 diabetes in Iran,” Int J Diabetes Dev Ctries, vol. 36, no. 2, pp. 167–173, Jun. 2016, doi: 10.1007/S13410-015-0374-4/TABLES/6.
• [10] A. H. Yurttakal, H. Erbay, G. Çinarer, and H. Baş, “Classification of Diabetic Rat Histopathology Images Using Convolutional Neural Networks,” International Journal of Computational Intelligence Systems, vol. 14, no. 1, pp. 715–722, 2021, doi: 10.2991/ijcis.d.201110.001.
• [11] A. Makalesi, G. Harman, Y. Üniversitesi, M. Fakültesi, and B. Mühendisliği Bölümü, “Destek Vektör Makineleri ve Naive Bayes Sınıflandırma Algoritmalarını Kullanarak Diabetes Mellitus Tahmini,” European Journal of Science and Technology, vol. 32, no. 32, pp. 7–13, Dec. 2021, doi: 10.31590/EJOSAT.1041186.
• [12] A. Makalesi Diyabet Hastalığının Erken Aşamada Tahmin Edilmesi İçin Makine Öğrenme Algoritmalarının Performanslarının Karşılaştırılması, K. Akyol, A. KARACI Bilgisayar Mühendisliği Bölümü, M. ve Mimarlık Fakültesi, and K. Üniversitesi, “Diyabet Hastalığının Erken Aşamada Tahmin Edilmesi İçin Makine Öğrenme Algoritmalarının Performanslarının Karşılaştırılması,” Duzce University Journal of Science and Technology, vol. 9, no. 6, pp. 123–134, Dec. 2021, doi: 10.29130/DUBITED.1014508.
• [13] G. Tarihi, F. Balgetir, and N. Kocaman, “Streptozotosin ile Oluşturulmuş Diyabetik Sıçanların Beyin Dokusunda İrisin Üzerine Enalaprilin Etkileri,” Firat Med J, vol. 21, no. 4, pp. 177–182, 2016.
• [14] T. Tuncer, E. Avci, A. Bilişim, M. Bölümü, F. Üniversitesi, and Y. M. Bölümü, “Yerel İkili Örüntü Tabanli Veri Gizleme Algoritmasi: LBP-LSB Local Binary Pattern Based Data Hiding Algorithm: LBP-LSB”.
• [15] B. Yang and S. Chen, “A comparative study on local binary pattern (LBP) based face recognition: LBP histogram versus LBP image,” Neurocomputing, vol. 120, pp. 365–379, Nov. 2013, doi: 10.1016/J.NEUCOM.2012.10.032.
• [16] H. Serçe, Y. Baştanlar, A. Temizel, and Y. Yardimci, “Tümyönlü i̇mgeler için küresel alanda kenarlarin ve i̇lgi noktalarinin tespiti üzerine,” 2008 IEEE 16th Signal Processing, Communication and Applications Conference, SIU, 2008, doi: 10.1109/SIU.2008.4632658.
• [17] C. Sweetlin Hemalatha, V. Vaidehi, and R. Lakshmi, “Minimal infrequent pattern based approach for mining outliers in data streams,” Expert Syst Appl, vol. 42, no. 4, pp. 1998–2012, Mar. 2015, doi: 10.1016/J.ESWA.2014.09.053.
• [18] R. M. Haralick, I. Dinstein, and K. Shanmugam, “Textural Features for Image Classification,” IEEE Trans Syst Man Cybern, vol. SMC-3, no. 6, pp. 610–621, 1973, doi: 10.1109/TSMC.1973.4309314.
• [19] S. N. Ondimu and H. Murase, “Effect of probability-distance based Markovian texture extraction on discrimination in biological imaging,” Comput Electron Agric, vol. 63, no. 1, pp. 2–12, Aug. 2008, doi: 10.1016/J.COMPAG.2008.01.007.
• [20] R. M. Haralick, I. Dinstein, and K. Shanmugam, “Textural Features for Image Classification,” IEEE Trans Syst Man Cybern, vol. SMC-3, no. 6, pp. 610–621, 1973, doi: 10.1109/TSMC.1973.4309314.
• [21] V. Göreke, E. Uzunhisarcıklı, A. Güven, C. Üniversitesi Sivas Meslek Yüksek Okulu Bilgisayar Teknolojileri Bölümü vgoreke, and E. Üniversitesi Kayseri Meslek Yüksekokulu Otomasyon Bölümü, “Biyomedikal Görüntü İşleme ve Yapay Zeka Uygulamaları 2. Gün 26 Eylül,” Cuma, 2014.
• [22] C. A. YAVRU, İ. S. ÜNCÜ, M. KALELİ, and S. AKYÜREKLİ, “CIGS İnce Film Yüzeyindeki Morfolojik Farklılıkların GLCM Görüntü İşleme Yöntemi ile İncelenmesi,” Süleyman Demirel University Faculty of Arts and Science Journal of Science, vol. 17, no. 2, pp. 460–477, Nov. 2022, doi: 10.29233/SDUFEFFD.1125106.
• [23] S. Tiwari, N. Gupta, and P. Yadav, “Diabetes Type2 Patient Detection Using LASSO Based CFFNN Machine Learning Approach,” Proceedings of the 8th International Conference on Signal Processing and Integrated Networks, SPIN 2021, pp. 602–608, 2021, doi: 10.1109/SPIN52536.2021.9565965.
• [24] M. DEMİRCİ, “Destek Vektör Makineleri ve M5 Karar Ağacı Yöntemleri Kullanılarak Yağış Akış İlişkisinin Tahmini,” Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, vol. 10, no. 3, pp. 1113–1124, Sep. 2019, doi: 10.24012/DUMF.525658.
• [25] O. Uslu, S. Akyol, E. O. Üniversitesi, M.-M. Fakültesi, and M. Bölümü, “Türkçe Haber Metinlerinin Makine Öğrenmesi Yöntemleri Kullanılarak Sınıflandırılması,” Eskişehir Türk Dünyası Uygulama ve Araştırma Merkezi Bilişim Dergisi, vol. 2, no. 1, pp. 15–20, Jan. 2021, Accessed: Aug. 08, 2023. [Online]. Available: https://dergipark.org.tr/en/pub/estudambilisim/issue/60018/852183
• [26] A. Makalesi et al., “Destek Vektör Makineleri, YSA, K-Means ve KNN Kullanarak Arı Türlerinin Sınıflandırılması”.
• [27] H. R. Bittencourt and R. T. Clarke, “Use of Classification and Regression Trees (CART) to Classify Remotely-Sensed Digital Images,” International Geoscience and Remote Sensing Symposium (IGARSS), vol. 6, pp. 3751–3753, 2003, doi: 10.1109/IGARSS.2003.1295258.
• [28] S. B. Kotsiantis, “Decision trees: A recent overview,” Artif Intell Rev, vol. 39, no. 4, pp. 261–283, Apr. 2013, doi: 10.1007/S10462-011-9272-4/METRICS.
• [29] E. Betül KINACI, H. Bal, and H. Kinaci, “POLİTEKNİK DERGİSİ JOURNAL of POLYTECHNIC Epileptik nöbet tespiti için destek vektör regresyon temelli yeni bir sınıflandırma yaklaşımı A new classification approach based on support vector regression for epileptic seizure detection”, doi: 10.2339/politeknik.1055549.