Research Article
BibTex RIS Cite

Yanık Görüntülerinin Bulanık Kümelenmesinde Uzaklık Ölçülerinin Başarımlarının Değerlendirilmesi

Year 2020, Volume: 22 Issue: 65, 639 - 647, 15.05.2020

Yeşim Akbaş Tolga Berber

https://doi.org/10.21205/deufmd.2020226529
Cited By: 1

Abstract

Dünya Sağlık Örgütü yanık nedeni ile gerçekleşen
ölümlerin sayısını yaklaşık 265.000 olarak belirlemiştir. Bu sayı, yanık
tedavisinin ne denli önemli olduğunu gözler önüne sermektedir. Yanık / normal
cilt bölgesi, yanık tedavisinin planlanmasında saptanması gereken en önemli
parametrelerden biridir.



Bu çalışmada, Karadeniz Teknik Üniversitesi Tıp Fakültesi
Farabi Hastanesi yanık ünitesinin yanık yarası veri setinden 10 görüntü
seçilmiş ve bu görüntülere yanık / normal cildi belirlemek için bulanık
kümeleme yöntemi kullanılmıştır. Görüntü kümeleme yöntemlerinde en sık
kullanılan uzaklık ölçüsü Öklid uzaklığı olmasına rağmen, bu çalışmada farklı
uzaklık ölçülerinin yanık görüntülerinin kümelenmesi üzerindeki etkilerini
incelenmiştir. Farklı küme sayıları için C = [2, 20] Bulanık C ortalama
yaklaşımında kullanılacak Öklid, Manhattan, Jaccard, Kosinüs, Chebyshev,
Minkowski uzaklık ölçülerinin kümeleme başarımları incelenmiştir. Uzaklık
ölçülerinin performansları PBMF, Bölme Katsayısı, Bağlılık ve Ayrılık
geçerlilik indeksleri ile değerlendirilmesi sonucunda en iyi kümelemeye, Kosinüs
uzaklık ölçüsü ve 8 küme sayısı ile ulaşılmıştır.

Keywords

Yanık Görüntüleri Bulanık C Ortalama Uzaklık Ölçüleri

Supporting Institution

Karadeniz Teknik Üniversitesi Bilimsel Araştırma Projeleri Koordinasyon Birimi

Project Number

FAY - 2016-5588.

References

  • [1] “WHO | Burns,” World Health Organization, 2017. http://www.who.int/violence_injury_prevention/other_injury/burns/en/. (Erişim Tarihi: 12-Nov-2018).
  • [2] G. E. Meyer, J. C. Neto, D. D. Jones, and T. W. Hindman, 2004. Intensified fuzzy clusters for classifying plant, soil, and residue regions of interest from color images, Comput. Electron. Agric., vol. 42, no. 3, pp 161–180. DOI: 10.1016/j.compag.2003.08.002.
  • [3] J. C. Neto, G. E. Meyer, and D. D. Jones, 2006. Individual leaf extractions from young canopy images using Gustafson-Kessel clustering and a genetic algorithm, Comput. Electron. Agric., vol. 51, no. 1–2, pp. 66–85. DOI: 10.1016/j.compag.2005.11.002.
  • [4] S. Chen and D. Zhang, 2004. Robust image segmentation using FCM with spatial constraints based on new kernel-induced distance measure, IEEE Trans. Syst. Man, Cybern. Part B Cybern., vol. 34, no. 4, pp. 1907–1916.DOI: 10.1109/TSMCB.2004.831165
  • [5] K. S. Chuang, H. L. Tzeng, S. Chen, J. Wu, and T. J. Chen, 2006. Fuzzy c-means clustering with spatial information for image segmentation, Comput. Med. Imaging Graph., vol. 30, no. 1, pp. 9–15. DOI: 10.1016/j.compmedimag.2005.10.001
  • [6] H. Huang, F. Meng, S. Zhou, F. Jiang, and G. Manogaran, 2019. Brain Image Segmentation Based on FCM Clustering Algorithm and Rough Set, IEEE Access, vol. 7, pp. 12386–12396. DOI: 10.1109/ACCESS.2019.2893063
  • [7] A. H. M. J. I. Barbhuiya and K. Hemachandran, 2018. Hybrid Image Segmentation Model using KM, FCM, Wavelet KM and Wavelet FCM Techniques, Int. J. Comput. Sci. Eng., vol. 6, no. 9, pp. 315–323. DOI: 10.26438/ijcse/v6i9.315323
  • [8] R. Mandal, M. Gupta, and C. Kar, 2016. Automated ROI detection for histological image using fuzzy c-means and K-means algorithm, Int. Conf. Electr. Electron. Optim. Tech. ICEEOT 2016, pp. 1173–1178. DOI: 10.1109/ICEEOT.2016.7754869
  • [9] V. V K and S. Mathew, 2016. An Accurate Method of Breast Cancer Detection from Ultra Sound images Using Probabilistic Fuzzy Clustering Algorithm, IEEE Int. Conf. Commun. Syst. Networks, no. July, pp. 231–23.
  • [10] A. S. Shankar, A. Asokan, and D. Sivakumar, 2016. Brain Tumor Classification Using Gustafson-Kessel (G-K) Fuzzy Clustering Algorithm, Int. J. Latest Eng. Res. Appl., vol. 01, no. 05, pp. 68–72.
  • [11] S. R. Kannan, S. Ramathilagam, R. Devi, and E. Hines, 2012. Strong fuzzy c-means in medical image data analysis, J. Syst. Softw., vol. 85, no. 11, pp. 2425–2438. DOI: 10.1016/j.jss.2011.12.020
  • [12] M. N. Ahmed, S. M. Yamany, N. Mohamed, A. A. Farag, and T. Moriarty, 2002. A modified fuzzy C-means algorithm for bias field estimation and segmentation of MRI data, IEEE Trans. Med. Imaging, vol. 21, no. 3, pp. 193–199. DOI: 10.1109/42.996338
  • [13] D. Q. Zhang and S. C. Chen, 2004. A novel kernelized fuzzy C-means algorithm with application in medical image segmentation, Artif. Intell. Med., vol. 32, no. 1, pp. 37–50. DOI: 10.1016/j.artmed.2004.01.012
  • [14] J. C. Dunn, 1974. A Fuzzy Relative of the ISODATA Process and Its Use in Detecting Compact Well-Separated Clusters, J. Cybern., vol. 3, no. 3, pp. 32–57. DOI: 10.1080/01969727308546046
  • [15] J. C. Bezdek, 1980. A Convergence Theorem for the Fuzzy ISODATA Clustering Algorithms, IEEE Trans. Pattern Anal. Mach. Intell., vol. PAMI-2, no. 1, pp. 1–8.DOI: 10.1109/TPAMI.1980.4766964
  • [16] F. Hoppner, F. Klawonn, R. Kruse, and T. Runkler, 2000. Fuzzy Cluster Analysis: Methods for Classification, Data Analysis and Image Recognition, J. Oper. Res. Soc., vol. 51, no. 6, p. 769. DOI: 10.2307/254022
  • [17] V. S. Moertini, “Introduction To Five Data Clustering Algorithms,” Integral, vol. 7, no. 2, pp. 87–96, 2002.
  • [18] M. K. Pakhira, S. Bandyopadhyay, and U. Maulik, 2004. Validity index for crisp and fuzzy clusters, Pattern Recognit., vol. 37, no. 3, pp. 487–501. DOI: 10.1016/j.patcog.2003.06.005
  • [19] W. Wang and Y. Zhang, 2007. On fuzzy cluster validity indices, Fuzzy Sets Syst., vol. 158, no. 19, pp. 2095–2117. DOI: 10.1016/j.fss.2007.03.004

Performance Evaluation of Distance Metrics on Fuzzy Clustering of Burn Images

Year 2020, Volume: 22 Issue: 65, 639 - 647, 15.05.2020

Yeşim Akbaş Tolga Berber

https://doi.org/10.21205/deufmd.2020226529
Cited By: 1

Abstract

The World
Health Organization determined the annual number of deaths caused by burn is
approximately 265,000. This number clearly reveals the importance of burn wound
diagnosis. Determining the burn/normal skin region is the one of the most
important parameters which are needed to be determined in the planning of burn
wound treatment.



In this study, fuzzy clustering
method have been used to determine the burn / normal skin. We selected 40
images, from the burn wound image dataset of the burn unit of the Karadeniz
Technical University Faculty of Medicine Farabi Hospital. Although Euclidean
distance is the most commonly used distance metric in image clustering methods,
we examined the effects of different distance metrics on the clustering of burn
wounds, in this study. We have evaluated the clustering performance of
Euclidean, Mahattan, Jaccard, Cosine, Chebyshev, Minkowski distance metrics.We
measured the performance of the distance metrics in terms of PBMF, Partition
Coefficient, Cohesion and Separation validity indexes. As a result, we found
that the Cosine distance metric gives the best result with 3 clusters.

Keywords

Burn Images Fuzzy C Means Distance Measures

Project Number

FAY - 2016-5588.

References

  • [1] “WHO | Burns,” World Health Organization, 2017. http://www.who.int/violence_injury_prevention/other_injury/burns/en/. (Erişim Tarihi: 12-Nov-2018).
  • [2] G. E. Meyer, J. C. Neto, D. D. Jones, and T. W. Hindman, 2004. Intensified fuzzy clusters for classifying plant, soil, and residue regions of interest from color images, Comput. Electron. Agric., vol. 42, no. 3, pp 161–180. DOI: 10.1016/j.compag.2003.08.002.
  • [3] J. C. Neto, G. E. Meyer, and D. D. Jones, 2006. Individual leaf extractions from young canopy images using Gustafson-Kessel clustering and a genetic algorithm, Comput. Electron. Agric., vol. 51, no. 1–2, pp. 66–85. DOI: 10.1016/j.compag.2005.11.002.
  • [4] S. Chen and D. Zhang, 2004. Robust image segmentation using FCM with spatial constraints based on new kernel-induced distance measure, IEEE Trans. Syst. Man, Cybern. Part B Cybern., vol. 34, no. 4, pp. 1907–1916.DOI: 10.1109/TSMCB.2004.831165
  • [5] K. S. Chuang, H. L. Tzeng, S. Chen, J. Wu, and T. J. Chen, 2006. Fuzzy c-means clustering with spatial information for image segmentation, Comput. Med. Imaging Graph., vol. 30, no. 1, pp. 9–15. DOI: 10.1016/j.compmedimag.2005.10.001
  • [6] H. Huang, F. Meng, S. Zhou, F. Jiang, and G. Manogaran, 2019. Brain Image Segmentation Based on FCM Clustering Algorithm and Rough Set, IEEE Access, vol. 7, pp. 12386–12396. DOI: 10.1109/ACCESS.2019.2893063
  • [7] A. H. M. J. I. Barbhuiya and K. Hemachandran, 2018. Hybrid Image Segmentation Model using KM, FCM, Wavelet KM and Wavelet FCM Techniques, Int. J. Comput. Sci. Eng., vol. 6, no. 9, pp. 315–323. DOI: 10.26438/ijcse/v6i9.315323
  • [8] R. Mandal, M. Gupta, and C. Kar, 2016. Automated ROI detection for histological image using fuzzy c-means and K-means algorithm, Int. Conf. Electr. Electron. Optim. Tech. ICEEOT 2016, pp. 1173–1178. DOI: 10.1109/ICEEOT.2016.7754869
  • [9] V. V K and S. Mathew, 2016. An Accurate Method of Breast Cancer Detection from Ultra Sound images Using Probabilistic Fuzzy Clustering Algorithm, IEEE Int. Conf. Commun. Syst. Networks, no. July, pp. 231–23.
  • [10] A. S. Shankar, A. Asokan, and D. Sivakumar, 2016. Brain Tumor Classification Using Gustafson-Kessel (G-K) Fuzzy Clustering Algorithm, Int. J. Latest Eng. Res. Appl., vol. 01, no. 05, pp. 68–72.
  • [11] S. R. Kannan, S. Ramathilagam, R. Devi, and E. Hines, 2012. Strong fuzzy c-means in medical image data analysis, J. Syst. Softw., vol. 85, no. 11, pp. 2425–2438. DOI: 10.1016/j.jss.2011.12.020
  • [12] M. N. Ahmed, S. M. Yamany, N. Mohamed, A. A. Farag, and T. Moriarty, 2002. A modified fuzzy C-means algorithm for bias field estimation and segmentation of MRI data, IEEE Trans. Med. Imaging, vol. 21, no. 3, pp. 193–199. DOI: 10.1109/42.996338
  • [13] D. Q. Zhang and S. C. Chen, 2004. A novel kernelized fuzzy C-means algorithm with application in medical image segmentation, Artif. Intell. Med., vol. 32, no. 1, pp. 37–50. DOI: 10.1016/j.artmed.2004.01.012
  • [14] J. C. Dunn, 1974. A Fuzzy Relative of the ISODATA Process and Its Use in Detecting Compact Well-Separated Clusters, J. Cybern., vol. 3, no. 3, pp. 32–57. DOI: 10.1080/01969727308546046
  • [15] J. C. Bezdek, 1980. A Convergence Theorem for the Fuzzy ISODATA Clustering Algorithms, IEEE Trans. Pattern Anal. Mach. Intell., vol. PAMI-2, no. 1, pp. 1–8.DOI: 10.1109/TPAMI.1980.4766964
  • [16] F. Hoppner, F. Klawonn, R. Kruse, and T. Runkler, 2000. Fuzzy Cluster Analysis: Methods for Classification, Data Analysis and Image Recognition, J. Oper. Res. Soc., vol. 51, no. 6, p. 769. DOI: 10.2307/254022
  • [17] V. S. Moertini, “Introduction To Five Data Clustering Algorithms,” Integral, vol. 7, no. 2, pp. 87–96, 2002.
  • [18] M. K. Pakhira, S. Bandyopadhyay, and U. Maulik, 2004. Validity index for crisp and fuzzy clusters, Pattern Recognit., vol. 37, no. 3, pp. 487–501. DOI: 10.1016/j.patcog.2003.06.005
  • [19] W. Wang and Y. Zhang, 2007. On fuzzy cluster validity indices, Fuzzy Sets Syst., vol. 158, no. 19, pp. 2095–2117. DOI: 10.1016/j.fss.2007.03.004
There are 19 citations in total.

Details

Primary Language Turkish
Journal Section Research Article
Authors

Yeşim Akbaş 0000-0001-7590-6139

Tolga Berber 0000-0002-6487-5581

Project Number FAY - 2016-5588.
Publication Date May 15, 2020
Published in Issue Year 2020 Volume: 22 Issue: 65

Cite

APA Akbaş, Y., & Berber, T. (2020). Yanık Görüntülerinin Bulanık Kümelenmesinde Uzaklık Ölçülerinin Başarımlarının Değerlendirilmesi. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen Ve Mühendislik Dergisi, 22(65), 639-647. https://doi.org/10.21205/deufmd.2020226529
AMA Akbaş Y, Berber T. Yanık Görüntülerinin Bulanık Kümelenmesinde Uzaklık Ölçülerinin Başarımlarının Değerlendirilmesi. DEUFMD. May 2020;22(65):639-647. doi:10.21205/deufmd.2020226529
Chicago Akbaş, Yeşim, and Tolga Berber. “Yanık Görüntülerinin Bulanık Kümelenmesinde Uzaklık Ölçülerinin Başarımlarının Değerlendirilmesi”. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen Ve Mühendislik Dergisi 22, no. 65 (May 2020): 639-47. https://doi.org/10.21205/deufmd.2020226529.
EndNote Akbaş Y, Berber T (May 1, 2020) Yanık Görüntülerinin Bulanık Kümelenmesinde Uzaklık Ölçülerinin Başarımlarının Değerlendirilmesi. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi 22 65 639–647.
IEEE Y. Akbaş and T. Berber, “Yanık Görüntülerinin Bulanık Kümelenmesinde Uzaklık Ölçülerinin Başarımlarının Değerlendirilmesi”, DEUFMD, vol. 22, no. 65, pp. 639–647, 2020, doi: 10.21205/deufmd.2020226529.
ISNAD Akbaş, Yeşim - Berber, Tolga. “Yanık Görüntülerinin Bulanık Kümelenmesinde Uzaklık Ölçülerinin Başarımlarının Değerlendirilmesi”. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi 22/65 (May 2020), 639-647. https://doi.org/10.21205/deufmd.2020226529.
JAMA Akbaş Y, Berber T. Yanık Görüntülerinin Bulanık Kümelenmesinde Uzaklık Ölçülerinin Başarımlarının Değerlendirilmesi. DEUFMD. 2020;22:639–647.
MLA Akbaş, Yeşim and Tolga Berber. “Yanık Görüntülerinin Bulanık Kümelenmesinde Uzaklık Ölçülerinin Başarımlarının Değerlendirilmesi”. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen Ve Mühendislik Dergisi, vol. 22, no. 65, 2020, pp. 639-47, doi:10.21205/deufmd.2020226529.
Vancouver Akbaş Y, Berber T. Yanık Görüntülerinin Bulanık Kümelenmesinde Uzaklık Ölçülerinin Başarımlarının Değerlendirilmesi. DEUFMD. 2020;22(65):639-47.

Cited By

Determination of the Classification Success of KNN Algorithm Distance Metric Methods on Wheat Seeds Dataset
Afyon Kocatepe University Journal of Sciences and Engineering
https://doi.org/10.35414/akufemubid.1263900

Dokuz Eylül Üniversitesi, Mühendislik Fakültesi Dekanlığı Tınaztepe Yerleşkesi, Adatepe Mah. Doğuş Cad. No: 207-I / 35390 Buca-İZMİR.