Biyomedikal İşaret ve Görüntülerde Görgül Kip Ayrışımı
Empirical Mode Decomposition on Biomedical Signals and Images
- Tez No: 387031
- Danışmanlar: YRD. DOÇ. DR. GÖKHAN BİLGİN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2015
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 73
Özet
Biyomedikal veriler, kullanıldıkları otomasyonlar sayesinde hastalık teşhisinde doktorlara büyük kolaylıklar sağlamaktadır. Bu verilerin çeşitli işaret, görüntü işleme algoritmaları kullanılarak incelenmesi ve sınıflandırma algoritmalarıyla yapısal özelliklerinin çıkarılması günümüzde yaygın hale gelmiştir. Biyomedikal alandaki bu yaygın kullanım, beraberinde bazı sorunları da getirmiştir. Bilgisayar ortamında oluşturulan yapay işaretlerin aksine EKG gibi biyomedikal işaretlerin düzensiz ve gürültülü yapısı, klasik işaret işleme algoritmalarının uyarlanması konusunda yetersizliğe sebep olmuştur. Benzeri durum, iki boyutlu işaretler olan histopatolojik görüntüler için de geçerlidir. Bu yapılardaki gürültü ve belirsizlikler, sınıflandırmada kullanılacak özelliklerin çıkarılmasına engel olmaktadır. Bu tez çalışmasında, belirli bir formül gerektirmeyen, veriyle uyumlu çalışan Görgül Kip Ayrışımı (GKA, Empirical Mode Decomposition) kullanılmıştır. İki bölümden oluşan bu çalışmanın ilk bölümünde EKG işaretleri incelenmiş, klasik işaret ayrıştırma yöntemleriyle performans kıyaslaması yapılmış ve GKA'nın özellik çıkarımında daha başarılı olduğu gözlenmiştir. Bu başarım değeri, Destek Vektör Makineleri'yle (DVM, Support Vector Machines) sınıflandırma yapılarak elde edilmiştir. İkinci bölümde de histopatolojik görüntüler incelenmiş, GKA'dan elde edilen özellikler çeşitli morfolojik araçlarla eniyileştirilmiş ve orijinal görüntü öğesi değerleriyle elde edilen özellik kümelerine kıyasla Rassal Ormanlar (RO, Random Forests) yöntemi kullanılarak elde edilen sınıflandırma başarısında ilerleme kaydettiği gözlenmiştir. Bu çalışmadan elde edilen bilgiler, GKA ile biyomedikal işaretlerden elde edilen özelliklerin, uygun gürültü giderme araçlarının kullanılmasıyla, sınıflandırılma performansını arttırma konusunda klasik yöntemlerden elde edilen özelliklere göre daha belirleyici olduğunu göstermiştir.
Özet (Çeviri)
Biomedical data provides great convenience to doctors thankfully to automations that are used by them. It has been very common to extract and analyze structural features of these data by implementing various signal, image processing and classification algorithms. This wide usage in biomedical area accompanies some problems, too. In contrast to artificial signals which are created in computer environment, irregular and noisy structure of biomedical signals such as ECG, EEG reasons lack about adaptation of signal processing algorithms. Same case is valid for histopathology images which are 2-dimensional signals. Uncertainties and noises in these structures prevent to extract features that will be used in classification. In this thesis study, Empirical Mode Decomposition (EMD), which works adaptively with data and doesn't need for a specific formulation, has been used. In the first chapter of this study which is consisted of two chapters, ECG signals have been analyzed, a performance comparison has been made with classical signal decomposition methods and it has been observed that EMD is more successful about feature extraction. This performance value has been acquired by classifying with Support Vector Machines (SVM). In the second chapter, histopathology images has been analyzed, the features extracted from EMD have been optimized various morphological tools and it has been observed that a progress has been made at classification success obtained by using Random Forest (RF) method comparing with the extracted feature sets of the original pixel values. The acquired information from this study demonstrates that extracted features from biomedical signals with EMD is more identifier according to extracted features from classical methods about increasing classification performance by using suitable denoise tools.
Benzer Tezler
- MR kafa görüntülerinde tümör deteksiyonu için simetri temelli parametrelerin belirlenmesi
Determination of symmetry based parameters for tumor detection in MR head images
ALİ FERSAK
Yüksek Lisans
Türkçe
2007
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ.DR. ZÜMRAY DOKUR
- Cardiac motion analysis in MRI for classification
Kardiyak MR görüntülerinde sınıflandırma amaçlı hareket analizi
DİLEK GÖKSEL
Yüksek Lisans
İngilizce
2002
Fizik ve Fizik MühendisliğiBoğaziçi ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMED ÖZKAN
- EKG sinyallerinden elde edilen görüntülerin hibrit derin öğrenme yöntemleri kullanılarak sınıflandırılması
Classification of images obtained from ECG signals using hybrid deep learning methods
ONUR AKCAN
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Uygulamalı Bilimler ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DOÇ. DR. SÜLEYMAN UZUN
DR. ÖĞR. ÜYESİ ALİ OSMAN SELVİ
- Application image enhancement techniques for brain MRI with tumor
Tümör beyin MRG için görüntü iyileştirme tekniklerinin uygulaması
ALI AHMED MOHAMUD
Yüksek Lisans
İngilizce
2016
Biyomühendislikİstanbul ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
YRD. DOÇ. SAİME AKDEMİR AKAR
- Ortodontik tedavide karşılaşılan biyomedikal işaret ve görüntülerin işlenmesi
Processing of the biomedical signal and images obtained on the orthodontical treatment
AHMET SONER ÖZALTINDERE
Yüksek Lisans
Türkçe
2003
Elektrik ve Elektronik Mühendisliğiİstanbul ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYDIN AKAN