KARAR AĞAÇLARI VE FRAKTAL ANALİZ KULLANARAK HİSTOPATOLOJİK İMGELERİN SINIFLANDIRILMASI

Öz

Bu çalışmada, histopatolojik imgelerden çeşitli hastalıkların tanınması işleminde, hekime yardımcı olacak vekolaylık sağlayacak bir karar destek sistemi tasarlanmıştır. Geliştirilen karar destek sistemi, örüntü tanımatemellidir. Örüntü tanıma sürecinin, özellik çıkarım aşaması Fraktal analiz ve sınıflandırma aşaması içinse kararağaçları kullanılmıştır. Hepatitli hastaların histopatolojik imgeleri ile geliştirilen sistemin başarısıdeğerlendirilmiştir. 50 hasta verisi üzerinde geliştirilen sistemin doğruluk yüzdesi %92 olarak bulunmuştur.

Anahtar Kelimeler

• Örüntü tanıma, histopatoloji, fraktal analiz, karar ağaçları, uzman sistem.

Kaynakça

1. Pitas I., Digital image processing algorithms
2. and applications, John Wiley&Sons Inc., 2000.
3. Gonzalez R.C., Woods R.E., Digital image
4. processing, Prentice Hall, 2002.
5. Giansanti R., Fumelli P., Passerini G.,et al.,
6. “Imaging system for retinal change evaluation”,
7. IPA97 Conference, Pub.No. 443, 1997.
8. Kara S., Şener F., Okandan M., et al., “Patolojik

9. doku örneklerinin bilgisayar tabanlı analizi”, 246-
10. , SIU, 2003.
11. Petersen M.E., Arts T., “Recognition of
12. radiopaque markers in X-ray images using a
13. neural network as nonlinear fitler”, Pattern
14. Recognition Letters, 20(5), 521-533, May, 1999.
15. Esgiar A.N., Sharif B.S., Naguib R.N.G., et al.,
16. “Texture descriptions and classification for
17. pathological analysis of cancerous colonic
18. mucosa”, 7th International Conference on
19. Image Processing And Its Applications, 1(13-
20. , 335-338, 1999.
21. Bauer W., Mackezie C.D., “Cancer detection via
22. determination of fraktal cell dimension”, Pattern
23. Formation and Solitons, 9506003, 07/1995.
24. Esgiar A.N., Naguib R.N.G., Sharif S., et al.,
25. “Fraktal Analysis in the Detection of Colonic
26. Cancer Images”, IEEE Transactıons on
27. Informatıon Technology in Bıomedıcıne, 6(1),
28. March 2002.
29. Tzanakou E.M., Supervised and unsupervised
30. pattern recognition, CRC Press LLC, 2000.
31. Rangayyan R. M., Nguyen T. M., “Pattern
32. classification of breast masses via fraktal analysis
33. of their contours”, International Congress
34. Series, 1281, 1041-1046, 2005.
35. Chen D., Chang R., Chen C., et al., “Classification
36. of breast ultrason images using fraktal feature”,
37. Journal of Clinical Imaging, 29, 235-245, 2005.
38. Hotta N., Otsuka K., Murakami S., et al., “Fraktal
39. analysis of heart rate variability and mortality in
40. elderly community-dwelling people – Logitudinal
41. Investigation fort he Longevity and Aging in
42. Hokkaido County (LILAC) study”, Biomedicine
43. & Pharmacothcrapy, 59, 45-48, 2005.
44. Masugi M., “Multi-fraktal analysis of IP-network
45. traffic based on a hierarchical clustering
46. approach”, Communications in Nonlinear
47. Science and Numerical Simulation, 12(7),
48. -1325, 2006.
49. Huang K., Murphy R.F., “Automated
50. classification of subcellular patterns in multicell
51. images without segmentation inti single cells”,
52. IEEE Transactions on Medical Imaging,
53. (3), 478 – 485, 1993.
54. Türkoğlu İ., Arslan A., İlkay E., “Kalp kapak
55. hastalıklarının teşhisi için bir karar destek
56. sistemi”, Sakarya Üniversitesi, Fen Bilimleri
57. Enstitüsü Dergisi, 6(2) , 57-64 , Temmuz , 2002.
58. Dell’Acqua F., Gamba P., Trianni G., “Semiautomatic
59. choice of scale-dependent features for
60. satellite SAR image classification”, Pattern
61. Recognition Letters, 27, 244-251, 2006.
62. Gamanya R., De Maeyer P., De Dapper M., “An
63. automated satellite image classification desing
64. using object-oriented segmentation algorithms:A
65. move towards standardization”, Expert Systems
66. with Applicatons, 32(2), 616-624, 2007.
67. Mitchell T.M., Machine learning, MIT press and
68. the McGraw-Hill Companies Inc., Singapore,
69. -
70. Türkoğlu İ., Arslan A., ve İlkay E., “A pattern
71. recognition system for diagnose of the heart
72. mitral valve diseases based on wavelet packet and
73. neural network”, Fırat Üniversitesi Fen ve
74. Mühendislik Bilimleri Dergisi,14(1),1-10, 2002.
75. Yenerman M., Genel Patoloji, Nobel Tıp
76. Kitabevleri, İstanbul, 1994.
77. Herbert J.F., Cameron J.L., Matthew W.D., “Is
78. There Meaning in Fractal Analysis?”,
79. Complexity International, 6, 1999.
80. Foroutan-pour K., Dutilleul P., Smith D.L.,
81. “Advances in the implementation of the boxcounting
82. method of fraktal dimension
83. estimation”, Applied mathematics and
84. computation, 105, 195-210, 1999.
85. Gürsakal N., Oğuzlar A., Şentürk A., “Döviz Kuru
86. Grafiklerinin Fraktal Boyutlarının Belirlenmesi”,
87. III. Ulusal Ekonometri ve İstatistik
88. Sempozyumu Bildirileri, Bursa, 1997
89. Sugumaran V., Muralidharan V., Ramachandran
90. K.I., “Feature selection using Decision Tree and
91. classification through Proximal Support Vector
92. Machine for fault diagnostics of roller bearing”,
93. Mechanical Systems and Signal Processing,
94. (2), 930-942, 2007.
95. Karmeshu, Entropy Measures, Maximum
96. Entropy Principle and Emerging Applications,
97. SpringerVerlag, Berlin Heidelberg, NewYork,
98. -