Tez No	İndirme	Tez Künye	Durumu
522191		İki boyutlu medikal görüntülerde histogram tabanlı küme kestirim metodu ile yarı otomatik segmentasyon yöntemlerinin geliştirilmesi / Development of semi-automatic segmentation methods by histogram-based cluster estimation method in two-dimensional medical images Yazar:ENVER KÜÇÜKKÜLAHLI Danışman: DOÇ. DR. PAKİZE ERDOĞMUŞ ; DOÇ. DR. KEMAL POLAT Yer Bilgisi: Düzce Üniversitesi / Fen Bilimleri Enstitüsü / Elektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Görüntü bölütleme = Image segmentation	Onaylandı Doktora Türkçe 2018 130 s.
Medikal görüntülerin bilgisayar ya da bir uzman tarafından yorumlanmasından önce görüntünün anlamlı parçalara bölütlenerek sonraki görü işlemi için hazırlanması doğru yönlendirme ve teşhis aşamasında son derece hayati önem taşımaktadır. Bölütleme algoritmalarının doğru sonuca ulaşabilmeleri ise küme sayısının doğru olarak tahmin edilmesine bağlıdır. Bu çalışmada iki boyutlu medikal görüntülerde küme sayısının ve tahmini küme merkezlerinin tespitinin yapılması ve yarı otomatik bir bölütleme algoritmasının geliştirilmesi hedeflenmiştir. Bu hedef doğrultusunda, Histogram Tabanlı Küme Kestirim (HBCE – Histogram Based Cluster Estimation) metodu geliştirilmiştir. Geliştirilen HBCE metodu ile küme sayısı ve tahmini küme merkezi bilgisi elde edilmiş ve bu bilgi K-ortalama, Biyocoğrafya Tabanlı Optimizasyon (BBO - Biogeography Based Optimisation), Parçacık Sürü Optimizasyonu (PSO), Darwinci Parçacık Sürü Optimizasyonu (DPSO), Fraksiyonel Düzen Darwinci Parçacık Sürü Optimizasyonu (FODPSO) ve bu algoritmaların merkez tabanlı olarak düzenlenmiş halleri olan mPSO, mDPSO, mFODPSO algoritmalarından herhangi birine verilerek bölütleme işlemi gerçekleştirilmiştir. Gerçekleştirilen çalışmanın test edilmesinde Uluslararası Cilt Görüntüleme İşbirliği (ISIC- The International Skin Imaging Collaboration) veritabanından elde edilen dermoskopi görüntüleri ve bu görüntülere ait insan bölütleme sonuçları kullanılmıştır. Bölütleme işlemini daha anlaşılır ve kolay hale getirmek için MATLAB™ ortamında bir arayüz geliştirilmiştir. Bölütleme performanslarını test etmek için, Rand Index (RI), Global Consistency Error (GCE), Dice Skoru, Jaccard indeksi, Doğruluk, Hassasiyet, Özgünlük değerleri kullanılmıştır. Yapılan karşılaştırmalı testler sonucunda HBCE algoritmasından alınan küme sayısı bilgisi ve tahmini küme merkezi değerlerinin bir parçacık için bölütleme algoritmalarına verilmesinin hem bölütleme algoritmasının performansını artırdığı hem de algoritma kararlılığını iyileştirdiği gözlemlenmiştir. Ayrıca merkez tabanlı hale getirilen mDPSO algoritmasının diğer algoritmalara nazaran daha iyi sonuçlara (%94,677 doğruluk) ulaştığı sonucuna varılmıştır.
Before the medical images have been interpreted by a computer or an expert, the preparation of medical images for subsequent image processing by segmenting the images into meaningful pieces is of vital importance in the correct orientation and diagnosis phase. The fact that segmentation algorithms can achieve the correct result depends on the correct estimation of the number of clusters. In this study, it is aimed to determine the number of clusters, to estimate cluster centers and to improve a semi-automatic image segmentation algorithm. With this aim, a novel algorithm called Histogram Based Cluster Estimation(HBCE) was developed in the extend of this thesis. Based on the developed HBCE method, cluster numbers and estimated cluster center information were obtained. Segmentation was realized sending with this information as an initial values for K-means, Biogeography Based Optimization (BBO), Particle Swarm Optimization (PSO), Darwinian Particle Swarm Optimization (DPSO), Fractional Order Darwinian Particle Swarm Optimization (FODPSO). The cluster number and cluster centers were also sent to modified versions of the PSO, DPSO, and FODPSO called as respectively mPSO, mDPSO and mFODPSO. The International Skin Imaging Collaboration (ISIC) and its human segmentation results were used for testing. To make the segmentation process easier and more intuitive, an interface has been created in the MATLAB ™ environment. Rand Index, Global Consistency Error (GCE), Dice Score, Jaccard Index, Accuracy, Sensitivity, Originality values were used to test the segmentation performances. As a result of the comparative tests, that the number of clusters and the estimated cluster center values obtained from the HBCE algorithm are given to the segmentation algorithms for only one particle, was observed to increase the performance and stability of the segmentation algorithm. Moreover, the center-based mDPSO algorithm gives better results (94,677% accuracy) than the other algorithms.