Parçacık Sürü Zekası Optimizasyonu ile Mikroskobik Görüntülerin Segmentasyonunda Farklı Entropi Ölçülerinin Etkisi

Hülya DOĞAN, Selen AYAS, Eyüp GEDİKLİ, Murat EKİNCİ
629 166

Öz


Tüberküloz, bir mikobakteri türünün neden olduğu, tedavi edilmediğinde ölümcül olabilen bir hastalıktır. Tüberküloz hastalığının tanısı için Dünya Sağlık Örgütü (DSÖ) tarafından önerilen teşhis yöntemi mikroskobik incelemedir. Mikroskobik inceleme süreci laboratuvar uzmanları tarafından el-göz koordinesiyle gerçekleştirilmektedir. Bu yüzden süreç oldukça zaman almakta ve laborantın inceleme yaparken hata yapma olasılığını artırmaktadır. Bilgisayar destekli mikroskobik tanı sistemleri laborantlar tarafından manual olarak gerçekleştirilen bu süreci otomatikleştirmektedir. Bu sayede bu süreçte karşılaşılan olumsuzlukların minimize edilmekte, tanımada laboranta olan bağımlılık azalmakta ve bakteri analiz süreçlerinde daha sağlıklı sonuçların elde edilmesi sağlanmaktadır. Bilgisayar destekli mikroskobik tanı sistemlerinde tüberküloz bakterilerinin teşhisi için gerçekleştirilen ilk adım imge bölütlemedir. Bu çalışmada, mikroskobik görüntülerin bölütlenmesinde yeni bir yaklaşım olarak entropi tabanlı Parçacık Sürü Optimizasyonu (PSO) önerilmekte ve farklı entropi ölçülerinin sürece etkisi karşılaştırılmaktadır. Çalışmada gri seviyeye çevrilmiş görüntülerde uygun tek bir eşik değerinin belirlenme işlemi gerçekleştirilmiştir. Bu işlem için tek seviyeli Kapur entropi, Tsallis entropi ve Otsu sınıflar arası varyans entropi ölçüsü tabanlı parçacık sürü optimizasyonu kullanılmış ve bulunan optimum eşik değeri ile görüntü ikili görüntüye dönüştürülmüştür. Elde edilen bölütleme sonuçları, uzman kişilerin el-göz koordinesiyle titizlikle belirledikleri bölütleme sonuçları ile karşılaştırılmıştır. Yapılan çalışmada farklı entropi ölçülerinin PSO ile mikroskobik görüntülerin bölütlenmesindeki etkisi gözlemlenmiştir. Ek olarak elde edilen sonuçların başarı performansları duyarlılık, özgüllük ve doğruluk değerleri ile nitel olarak karşılaştırılmış ve sonuçlar görsel olarak sunulmuştur.

Anahtar kelimeler


Parçacık Sürü Optimizasyonu; Mikroskobik görüntülerin segmentasyonu; Kapur entropi; Tsallis entropi; Otsu sınıflar arası varyans entropi

Tam metin:

PDF


DOI: http://dx.doi.org/10.19113/sdufbed.64012

Referanslar


[1] WHO, 2015. Global Tuberculosis Report.

[2] Ayas, S., Ekinci, M. 2013. Detection of tuberculosis bacteria with microscopic image analysis. 21st Signal Processing and Communications Applications Conference (SIU), 24-26 April, Haspolat, 1-4.

[3] Central TB Division, 2005. Module for Laboratory Technicians, New Delhi.

[4] Ayas, S., Ekinci, M. 2014. Random Forest-Based Tuberculosis Bacteria Classification In Images Of Zn-Stained Sputum Smear Samples. Signal Image and Video Processing, 8, 49-61.

[5] Ayas, S.,Dogan, H., Gedikli, E, Ekinci, M. 2015. Microscopic image segmentation based on firefly algorithm for detection of tuberculosis bacteria. 23nd Signal Processing and Communications Applications Conference, 16-19 May, Malatya, 851-854.

[6] Costa, M. G. F., Filho, F. F. C., Sena, J. F., Salem, J. ve Lima, M. O. 2008. Automatic identification of mycobacterium tuberculosis with conventional light microscopy. 30th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 20-25 August, Vancouver, 382-385.

[7] Raof, R. A. A., Salleh, Z., Sahidan, S. I., Mashor, M. Y., Md Noor, S. S., Idris, ve M., Hasan, H. 2008. A Color thresholding method for image segmentation algorithm of ziehl-neelsen sputum slide images. 5th International Conference on Electrical Engineering, Computing Science and Automatic Control, 12-14 November, Mexico, 212-217.

[8] Raof, R. A. A., Mashor, M. Y., Ahmad, R. B., Noor, S. S. M., Osman, M. K. 2010. Comparison of colour thresholding method using RGB and HSI information for Ziehl-Neelsen sputum slide images. Proceedings of the sixth international symposium on micro machine and human science, 10-13 May, Kuala Lumpur, 724-727.

[9] Banerjee, S., Jana, N. D. 2015. Bi level kapurs entropy based image segmentation using particle swarm optimization. Proceedings of the 2015 Third International Conference on Computer, Communication, Control and Information Technology, 7-8 February, Hooghly, 1-4.

[10] Brajevic, I., Tuba, M., Bacanın N. 2012. Multilevel Image Thresholding Selection Based on the Cuckoo Search Algorithm. Advances in Sensors, Signals, Visualization, Imaging and Simulation, 7-9 September, Sliema, 217-222.

[11] Bouaziz, A., Draa, A., Chikhi S. 2015. Artificial bees for multilevel thresholding of iris images. Swarm and Evolutionary Computation, 21, 32-40.

[12] Bhandari, A. K., Singh V. K., Kumar A., Singh G. K. 2014. Cuckoo search algorithm and wind driven optimization based study of satellite image segmentation for multilevel thresholding using Kapur’s entropy. Expert Systems with Applications, 41, 3538-3560.

[13] Agraval, S., Panda, R., Bhuyan S., Panigrahi B. K. 2013. Tsallis entropy based optimal multi level thresh-olding using cuckoo search algorithm.Swarm and Evolutionary Computation, 11, 16- 30.

[14] Bhandari, A. K., Kumar, A., Singh G. K. 2015. Tsallis entropy based multilevel thresholding for colored satellite image segmentation using evolutionary algorithms. Expert Systems with Applications, 42, 8707-

[15] Kurban, T., Civicioglu P., Kurban R., Besdok E. 2014. Comparison of evolutionary and swarm based computationaltechniques for multilevel color image thresholding. Applied Soft Computing, 23, 128-143.

[16] Manic, K. S., Piriya, R. K., Rajinikanth V. 2016. Image Multithresholding based on Kapur/Tsallis Entropy and Firefly Algorithm. Indian Journal of Science and Technology, 9, 1-6.

[17] Bhandari, A. K., Singh V. K., Kumar A., Singh G. K. 2015. Modified artificial bee colony based computationally efficient multilevel thresholding for satellite image segmentation using Kapur’s, Otsu and Tsallis functions. Expert Systems with Applications, 42, 1573-1601.

[18] Eberhart, R., Kennedy, J. 1995. A new optimizer using particle swarm theory. 10th International Conference on Information Science, Signal Processing and their Applications, 4-6 October, Nagoya, 39-43.

[19] Kapur, J. N., Sahoo, P. K. ve Wong, A. K. C. 1985. A new method for gray-level picture thresholding using the entropy of the histogram. Computer vision, graphics, and image processing, 273-285.

[20] Otsu, N. 1979. A threshold selection method from gray-level histogram. IEEE transaction on systems, man and cybernetics , 62-66.

[21] http://ceng2.ktu.edu.tr/ cvpr/




Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 License.

e-ISSN: 1308-6529