Tez No İndirme Tez Künye Durumu
769817
Data mining approach based on harris hawks optimization (HHO) algorithm for multiple sclerosis lesions segmentation on brain magnetic resonance images / Beyin manyetik rezonans görüntülerinde çoklu skleroz lezyonları için harrıs hawks optimizasyonu (HHO) algoritmasına dayalı veri madenciliği yaklaşımı
Yazar:AMAL F A ISWIASI
Danışman: YRD. DOÇ. DR. OĞUZ KARAN
Yer Bilgisi: Altınbaş Üniversitesi / Lisansüstü Eğitim Enstitüsü / Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı / Elektrik ve Bilgisayar Mühendisliği Bilim Dalı
Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control
Dizin:
Onaylandı
Doktora
İngilizce
2022
74 s.
Çoğunluğu veri madenciliği ve makine öğrenimi tekniklerinin birleşimine dayanan segmentasyon yaklaşımları, beyin dokularının hasarlı bölümlerini çıkarmak için kullanılabilir. Bulanık C-ortalamalar (FCM) küme algoritması gibi kümeleme algoritmaları, doğru olduklarından ancak görsel olarak gürültüye aşırı duyarlı olmadıklarından segmentasyon için etkilidir. Sonuç olarak, optimum küme merkezi seçimi segmentasyonu etkileyebilirken, Multipl Sklerozu saptamak için FCM yaklaşımı kabul edilebilir. NP-zor bir problem olduğu için onları seçmek karmaşıktır. Hem segmentasyon hem de FCM yöntemleri için optimal küme merkezini belirlemek için Harris Hawks optimizasyonu (HHO) kullanıldı. HHO kadar kesin olmayan diğer yaygın yöntemler arasında genetik algoritma ve parçacık sürüsü optimizasyonu bulunur. Önerilen prosedürde, her üyelik matrisi ya bir şahin ya da bir HHO olmalıdır. Multipl Skleroz kümeleme hatalarını azaltmak için bir sonraki adım, en uygun küme merkezlerini bulmak için seçilen şahin popülasyonları veya üyelik vektörleri oluşturmaktır. Önerilen teknik, çeşitli beyin MRG'lerinde doğruluk testlerinde FCM kümelemenin yanı sıra destek vektör makinesi, k-NN algoritması ve hibrit veri madenciliği yöntemleri gibi diğer yöntemlerden daha iyi performans gösterdi.
Segmentation approaches, the majority of which are based on the combination of data mining and machine learning techniques, can be used to extract damaged sections of brain tissues. Clustering algorithms, such as the fuzzy C-means (FCM) cluster algorithm, are effective for segmentation since they are accurate yet not unduly sensitive to visually noise. As a consequence, while the optimum cluster center selection might impact segmentation, the FCM approach is acceptable for detecting Multiple Sclerosis. It's complicated to choose them since it's an NP-hard problem. Harris Hawks optimization (HHO) was utilized to determine the optimal cluster center for both segmentation and FCM methods. Other common methods that aren't as exact as HHO include the genetic algorithm and particle swarm optimization. In the suggested procedure, each membership matrix must either be a hawk or an HHO. To reduce Multiple Sclerosis clustering mistakes, the next step is to construct hawk populations or membership vectors, with the best one chosen to locate the optimal cluster centers. The suggested technique outperformed FCM clustering, as well as other methods like the support vector machine, k-NN algorithm, and hybrid data mining methods, in accuracy testing on a variety of brain MRIs.