Performance Evaluation of Distance Metrics on Fuzzy Clustering of Burn Images

Öz

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.

Anahtar Kelimeler

• Burn Images,Fuzzy C Means,Distance Measures

Yanık Görüntülerinin Bulanık Kümelenmesinde Uzaklık Ölçülerinin Başarımlarının Değerlendirilmesi

Öz

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.

Anahtar Kelimeler

• Yanık Görüntüleri,Bulanık C Ortalama,Uzaklık Ölçüleri

Kaynakça

1. [1] “WHO | Burns,” World Health Organization, 2017. http://www.who.int/violence_injury_prevention/other_injury/burns/en/. (Erişim Tarihi: 12-Nov-2018).
2. [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. [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. [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. [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. [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. [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. [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. [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. [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. [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. [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. [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. [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. [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. [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. [17] V. S. Moertini, “Introduction To Five Data Clustering Algorithms,” Integral, vol. 7, no. 2, pp. 87–96, 2002.
18. [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. [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