Araştırma Makalesi
PDF Zotero Mendeley EndNote BibTex Kaynak Göster

Performance Evaluation of Distance Metrics on Fuzzy Clustering of Burn Images

Yıl 2020, Cilt 22, Sayı 65, 639 - 647, 15.05.2020
https://doi.org/10.21205/deufmd.2020226529

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.

Kaynakça

  • [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

Yanık Görüntülerinin Bulanık Kümelenmesinde Uzaklık Ölçülerinin Başarımlarının Değerlendirilmesi

Yıl 2020, Cilt 22, Sayı 65, 639 - 647, 15.05.2020
https://doi.org/10.21205/deufmd.2020226529

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.

Kaynakça

  • [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

Ayrıntılar

Birincil Dil Türkçe
Konular Mühendislik, Ortak Disiplinler
Bölüm Araştırma Makalesi
Yazarlar

Yeşim AKBAŞ (Sorumlu Yazar)
Karadeniz Technical University
0000-0001-7590-6139
Türkiye


Tolga BERBER
KARADENİZ TEKNİK ÜNİVERSİTESİ
0000-0002-6487-5581
Türkiye

Destekleyen Kurum Karadeniz Teknik Üniversitesi Bilimsel Araştırma Projeleri Koordinasyon Birimi
Proje Numarası FAY - 2016-5588.
Yayımlanma Tarihi 15 Mayıs 2020
Yayınlandığı Sayı Yıl 2020, Cilt 22, Sayı 65

Kaynak Göster

Bibtex @araştırma makalesi { deumffmd573443, journal = {Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi}, issn = {1302-9304}, eissn = {2547-958X}, address = {DOKUZ EYLÜL ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ TINAZTEPE YERLEŞKESİ 35390 BUCA/İZMİR}, publisher = {Dokuz Eylül Üniversitesi}, year = {2020}, volume = {22}, pages = {639 - 647}, doi = {10.21205/deufmd.2020226529}, title = {Yanık Görüntülerinin Bulanık Kümelenmesinde Uzaklık Ölçülerinin Başarımlarının Değerlendirilmesi}, key = {cite}, author = {Akbaş, Yeşim and Berber, Tolga} }
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 . DOI: 10.21205/deufmd.2020226529
MLA Akbaş, Y. , Berber, T. "Yanık Görüntülerinin Bulanık Kümelenmesinde Uzaklık Ölçülerinin Başarımlarının Değerlendirilmesi" . Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi 22 (2020 ): 639-647 <https://dergipark.org.tr/tr/pub/deumffmd/issue/54215/573443>
Chicago Akbaş, Y. , Berber, T. "Yanık Görüntülerinin Bulanık Kümelenmesinde Uzaklık Ölçülerinin Başarımlarının Değerlendirilmesi". Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi 22 (2020 ): 639-647
RIS TY - JOUR T1 - Yanık Görüntülerinin Bulanık Kümelenmesinde Uzaklık Ölçülerinin Başarımlarının Değerlendirilmesi AU - Yeşim Akbaş , Tolga Berber Y1 - 2020 PY - 2020 N1 - doi: 10.21205/deufmd.2020226529 DO - 10.21205/deufmd.2020226529 T2 - Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi JF - Journal JO - JOR SP - 639 EP - 647 VL - 22 IS - 65 SN - 1302-9304-2547-958X M3 - doi: 10.21205/deufmd.2020226529 UR - https://doi.org/10.21205/deufmd.2020226529 Y2 - 2020 ER -
EndNote %0 Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi Yanık Görüntülerinin Bulanık Kümelenmesinde Uzaklık Ölçülerinin Başarımlarının Değerlendirilmesi %A Yeşim Akbaş , Tolga Berber %T Yanık Görüntülerinin Bulanık Kümelenmesinde Uzaklık Ölçülerinin Başarımlarının Değerlendirilmesi %D 2020 %J Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi %P 1302-9304-2547-958X %V 22 %N 65 %R doi: 10.21205/deufmd.2020226529 %U 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 (Mayıs 2020): 639-647 . https://doi.org/10.21205/deufmd.2020226529
AMA Akbaş Y. , Berber T. Yanık Görüntülerinin Bulanık Kümelenmesinde Uzaklık Ölçülerinin Başarımlarının Değerlendirilmesi. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi. 2020; 22(65): 639-647.
Vancouver Akbaş Y. , Berber T. Yanık Görüntülerinin Bulanık Kümelenmesinde Uzaklık Ölçülerinin Başarımlarının Değerlendirilmesi. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi. 2020; 22(65): 639-647.
IEEE Y. Akbaş ve T. Berber , "Yanık Görüntülerinin Bulanık Kümelenmesinde Uzaklık Ölçülerinin Başarımlarının Değerlendirilmesi", Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, c. 22, sayı. 65, ss. 639-647, May. 2020, doi:10.21205/deufmd.2020226529