Geri Dön

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

PDF İndir

  1. Tez No: 769817
  2. Yazar: AMAL F A ISWIASI
  3. Danışmanlar: YRD. DOÇ. DR. OĞUZ KARAN
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Beyin, Bölütleme, K-ortalamalar yöntemi, Manyetik rezonans görüntüleme, Veri madenciliği, Brain, Segmentation, K-means method, Magnetic resonance imaging, Data mining
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: Altınbaş Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

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.

Özet (Çeviri)

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.

Benzer Tezler

  1. Tez No

    1010053

    An approach based on data mining and feature dimension reduction techniques for analysing heart disease data

    Kalp hastalığı verilerinin analizinde veri madenciliği ve öznitelik boyut azaltma tekniklerine dayalı bir yaklaşım

    AHMAD AYID AHMAD AHMAD

    Doktora

    İngilizce

    İngilizce

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. HÜSEYİN POLAT

  2. Tez No

    441969

    An effective approach for comparison of association rule mining algorithms based on controlled data, statistical inference and multiple criteria

    Birliktelik kural madenciliği algoritmalarının karşılaştırılması için kontrollü veri, istatistiksel çıkarım ve çok kriter tabanlı etkili bir yaklaşım

    SANAM AZADİAMİN

    Yüksek Lisans

    İngilizce

    İngilizce

    2016

    Endüstri ve Endüstri MühendisliğiOrta Doğu Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. GÜLSER KÖKSAL

  3. Tez No

    358990

    New approach to unsupervısed based classıfıcatıon on mıcroarray data

    Mi̇krodi̇zi̇li̇m veri̇lerden danışmansız öğrenmeye dayalı sınıflamada yeni̇ yaklaşım

    ERDAL COŞGUN

    Doktora

    İngilizce

    İngilizce

    2013

    BiyoistatistikHacettepe Üniversitesi

    Biyoistatistik Ana Bilim Dalı

    PROF. DR. ERGUN KARAAĞAOĞLU

  4. Tez No

    212698

    Veri madenciliğinde sınıflandırma problemleri için evrimsel algoritma tabanlı yeni bir yaklaşım: Rough-Mep algoritması

    A new approach based on evaluation algorithm for classification problems in data mining

    EMEL KIZILKAYA AYDOĞAN

    Doktora

    Türkçe

    Türkçe

    2008

    Endüstri ve Endüstri MühendisliğiGazi Üniversitesi

    Endüstri Mühendisliği Bölümü

    PROF. DR. CEVRİYE GENCER

  5. Tez No

    232763

    Gezgin satıcı problemi için veri madenciliği tabanlı sezgisel bir yaklaşım

    A heuristic approach based on data mining for travelling salesman problem

    SEMİYE GÖNÜLOL

    Yüksek Lisans

    Türkçe

    Türkçe

    2009

    Endüstri ve Endüstri MühendisliğiKocaeli Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. ALPASLAN FIĞLALI

Geri Dön