Yanık Görüntülerinin Bulanık Kümelenmesinde Uzaklık Ölçülerinin Başarımlarının Değerlendirilmesi

Yıl 2020, Cilt: 22 Sayı: 65, 639 - 647, 15.05.2020

Yeşim Akbaş , Tolga Berber

https://doi.org/10.21205/deufmd.2020226529

Cited By: 1

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

Destekleyen Kurum

Karadeniz Teknik Üniversitesi Bilimsel Araştırma Projeleri Koordinasyon Birimi

Proje Numarası

FAY - 2016-5588.

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

Proje Numarası

FAY - 2016-5588.

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