Geri Dön

İris görüntüleri kullanılarak makine öğrenmesi ile koroner arter hastalığının tespiti

Coronary artery disease detection based on iris images using machine learning

PDF İndir

  1. Tez No: 831142
  2. Yazar: FERDİ ÖZBİLGİN
  3. Danışmanlar: DOÇ. DR. ÇETİN KURNAZ
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Ondokuz Mayıs Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 128

Özet

Koroner Arter Hastalığı (KAH), kalp kaslarını besleyen koroner arter damarların daralması ya da tıkanması ile kan akışının sınırlanması sonucunda ortaya çıkmaktadır. En yaygın ve en yüksek ölüm oranına sahip kalp hastalığıdır. KAH'ın erken teşhisi hastalığın ilerlemesini önleyebilmekte ve tedavi sürecini kolaylaştırmaktadır. Bu tez çalışmasında, iris görüntüleri kullanılarak KAH'ın invaziv olmayan teşhisi için iris analizi ve makine öğrenmesi tabanlı bir yöntem önerilmiştir. İris analizi görüntü işleme yöntemleri ile iridolojinin harmanlanmasını içermektedir. Çalışmada KAH tahmini için hasta grubunda 155 ve hasta olmayan kontrol grubunda 126 gönüllü yer almaktadır. Toplamda 281 gönüllüye ait göz görüntüleri ve biyodemografik veriler Giresun Üniversitesi Eğitim-Araştırma Hastanesi Kardiyoloji Polikliniği'ndeki uzman hekimlerin yönlendirmeleri ile alınmıştır. Tez çalışmasında iris ve biyodemografik öznitelikler olmak üzere iki farklı öznitelik grubu yer almaktadır. İris özniteliklerinin çıkarılmasına ait süreçler görüntü işleme teknikleri ile gerçekleştirilmiştir. Bu süreç, göz görüntüleri içerisinden iris konumlarının tespit edilmesi için İntegral-Diferansiyel operatörü yöntemi kullanılarak başlamaktadır. Bu yöntem ile iç ve dış sınırları belirlenen iris Rubber Sheet tekniği ile dikdörtgen formata dönüştürülerek standardize edilmiştir. Jensen iridoloji haritası referans alınarak iristeki kalp bölgesi kırpılmış ve analiz bölgesi elde edilmiştir. Analiz bölgesine adaptif histogram eşitleme ile görüntü iyileştirme yapılmıştır. Öznitelik çıkarma işlemi için analiz bölgesine 2 seviye dalgacık dönüşümü uygulanmış ve 8 alt bileşene beş adet birinci dereceden istatistiksel, 22 adet Gri Seviye Birlikte Oluşum Matrisi (Gray Level Co-Occurrence Matrix, GLCM) ve 7 adet Gri Seviye Koşu Uzunluğu Matrisi (Gray Level Run Length Matrix, GLRLM) öznitelikleri elde edilmiştir. Her alt bileşen için 34 öznitelik olmak üzere toplamda 272 öznitelik çıkarılmıştır. Relieff öznitelik seçme yöntemi ile en iyi öznitelikler belirlenerek beş farklı makine öğrenmesi sınıflandırıcısı ile sınıflandırma gerçekleştirilmiştir. Elde edilen öznitelikler Relieff öznitelik seçme algoritması ile belirlenen iyi özniteliklere göre sınıflandırma sürecine aktarılmıştır. Naive Bayes (NB), Karar Ağaçları (Decision Trees, DT), k-En Yakın Komşu (k-Nearest Neighbors, k-NN), Destek Vektör Makineleri (Support Vector Machine, SVM) ve Yapay Sinir Ağları (Artificial Neural Networks, ANN) olmak üzere beş farklı sınıflandırıcı ailesi kullanılarak sınıflandırma aşaması gerçekleştirilmiştir. 10 katlı çapraz doğrulama ile test verilerine ait performans değerlendirmeleri de doğruluk, duyarlılık, özgüllük, kesinlik, F1 ölçütü ve AUC metriklerine göre yapılmıştır. Sadece iris parametreleri ile performans ölçümü gerçekleştirildiği gibi iris özniteliklerine gönüllülere ait fizyolojik parametrelerin eklenmesi ile de analizler tekrardan yapılmıştır. Bu çalışmada yapılan tüm analizler MATLAB programlama dili kullanılarak gerçekleştirilmiştir. Önerilen yöntemde, iris analizleri sonucunda Doğrusal SVM yöntemine ait modelde %94.05 ile en yüksek değer elde edilmiştir. SVM'yi %92.86 ile ANN, %89.29 ile NB, %88.1 ile DT ve son olarak da %86.9 ile k-NN sınıflandırıcısı izlemektedir. SVM yöntemi özgüllük, kesinlik ve F1 ölçütü metriklerinde de sırasıyla %92.31, %93.48 ve %94.51 ile en iyi sonucu vermiştir. Duyarlılık metriğinde %100 ile k-NN en iyi sınıflandırıcı olurken ANN'ye ait modelde AUC değeri %97.01 ile en başarılı model olmuştur. İris ve biyodemografik verilerin birlikte yer aldığı analiz sonucunda ise metrik değerlerinin arttığı gözlemlenmiştir. Doğruluk metriği yine SVM modelinde %95.24'e yükselmiştir. SVM modelinde özgüllük, kesinlik, F1 ölçütü ve AUC metriklerinde de sırasıyla %94.87, %95.56, %95.56 ve %98.12 ile en iyi sonucu vermiştir. Duyarlılık metriğinde %100 ile k-NN yine en iyi sınıflandırıcı olmuştur. Bu çalışmada, yeni bir model geliştirilmiş ve yaygın bir kardiyovasküler durum olan KAH tespiti bağlamında performansı değerlendirilmiştir. Önerilen model, daha önce KAH tespiti için kullanılmış olan mevcut modellerle karşılaştırılmıştır. Karşılaştırma sonuçları, önerilen modelin KAH tespitindeki başarı oranı açısından mevcut modellerden daha iyi performans gösterdiğini ortaya koymuştur. Bu bulgular, önerilen modelin KAH'ı doğru bir şekilde tespit etmedeki etkinliğini ve üstünlüğünü göstermekte, böylece bu alandaki önceki çalışmaların aksine kapsamlı ve başarılı yapısını ortaya koymaktadır.

Özet (Çeviri)

Coronary Artery Disease (CAD) occurs when the coronary arteries that supply the heart muscles become narrowed or blocked, limiting blood flow. It is the most common heart disease with the highest mortality rate. Early diagnosis of CAD can prevent the progression of the disease and facilitate the treatment process. In this thesis, an iris analysis and machine learning-based method is proposed for the non-invasive diagnosis of CAD using iris images. Iris analysis involves the blending of image processing methods and iridology. The study includes 155 volunteers in the patient group and 126 volunteers in the non-patient control group for CAD prediction. Eye images and biodemographic data of a total of 281 volunteers were obtained with the guidance of specialist physicians at the Cardiology outpatient clinic of Giresun University Training and Research Hospital. In this thesis, two different sets of attributes are utilized: iris and biodemographic attributes. The process of extracting iris features was carried out using image processing techniques. This process begins by employing the Integral-Differential operator method to determine the iris locations from the eye images. The iris, with its inner and outer boundaries determined through this method, was standardized by converting it into a rectangular format using the Rubber Sheet technique. The analysis region was obtained by cropping the heart region in the iris, referencing the Jensen iridology map. Image enhancement was applied to the analysis region using adaptive histogram equalization. For feature extraction, a 2-level wavelet transform was applied to the analysis region, yielding five first-order statistical, 22 Gray Level Co-occurrence Matrix (GLCM), and seven Gray Level Run Length Matrix (GLRLM) features for eight subcomponents. A total of 272 attributes were extracted, comprising 34 attributes for each subcomponent. The best features were determined using the Relieff feature selection method, and classification was performed using five different machine learning classifiers. The extracted features were transferred to the classification process based on the best features identified by the Relieff feature selection algorithm. The classification phase employed five different classifier families: Naive Bayes (NB), Decision Trees (DT), k-Nearest Neighbor (k-NN), Support Vector Machines (SVM), and Artificial Neural Networks (ANN). 10-fold cross-validation was utilized to evaluate the performance of the test data, considering accuracy, sensitivity, specificity, precision, F1 score, and AUC metrics. Performance measurements were conducted using iris parameters alone, as well as with the inclusion of physiological parameters of the volunteers as additional iris attributes. All analyses in this study were performed using the MATLAB programming language. In the proposed method, the highest value obtained, with 94.05%, belonged to the Linear SVM model as a result of iris analysis. SVM was followed by ANN with 92.86%, NN with 89.29%, DT with 88.1%, and finally, the k-NN classifier with 86.9%. SVM also performed the best in the metrics of Specificity, Precision, and F1 criterion with values of 92.31%, 93.48%, and 94.51% respectively. In the Sensitivity metric, k-NN was the best classifier with 100%, while the ANN model achieved the highest success with an AUC value of 97.01%. As a result of the analysis including iris and biodemographic data together, it was observed that the metric values increased. The accuracy metric increased to 95.24% in the SVM model. The SVM model also yielded the best results in Specificity, Precision, F1 criterion, and AUC metrics with values of 94.87%, 95.56%, 95.56%, and 98.12% respectively. In the Sensitivity metric, k-NN remained the best classifier with 100%. This study introduces a new model that is developed and evaluated for CAD detection, a common cardiovascular condition. The proposed model is compared to existing models previously used for CAD detection. The comparison results indicate that the proposed model outperforms the existing models in terms of the success rate in CAD detection. These findings demonstrate the effectiveness and superiority of the proposed model in accurately detecting CAD, highlighting its comprehensive and successful structure, unlike previous works in this field.

Benzer Tezler

  1. Tez No

    559079

    Güncel makine öğrenmesi teknikleri ile iris görüntülerinden cinsiyet analizi

    Gender analiysis on iris images using novel machine learning techniques

    TUĞBA AÇIL

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİskenderun Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. YAKUP KUTLU

  2. Tez No

    510990

    Özellik çıkarma ve sınıflandırma algoritmaları kullanılarak iris tanıma

    Iris recognition using feature extraction and classification algorithms

    KORAY POLAT

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Elektrik ve Elektronik Mühendisliğiİstanbul Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BAHATTİN KARAKAYA

    DR. ÖĞR. ÜYESİ ABDURRAHİM AKGÜNDOĞDU

  3. Tez No

    541783

    Age and gender classification from ear images

    Kulak imgelerinden yaş ve cinsiyet sınıflandırma

    DOĞUCAN YAMAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. HAZIM KEMAL EKENEL

  4. Tez No

    541786

    Deep convolutional neural network based unconstrained ear recognition

    Derin evrişimsel sinir ağı tabanlı kısıtsız kulak tanıma

    FEVZİYE İREM EYİOKUR

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. HAZIM KEMAL EKENEL

  5. Tez No

    630588

    Mamografi görüntülerinde matematiksel morfolojik filtreleme ile gürültü giderme ve kontrast iyileştirme

    Noise reduction and contrast enhancement with mathematical morphologic filtering in mammographic

    BÜŞRA TÜRKER

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İSA YILDIRIM

Geri Dön