Yapay Sinir Ağları Yardımıyla Biyomedikal Dokuların Sınıflandırılması

Abstract

Bu çalışmada, yapay sinir ağ (YSA) 'larınm gerek yapılarından ve gerekse öğrenme algoritmalarından kaynaklanan problemlere genetik algoritmalar kullanılarak çözümler getirilmiştir. Geliştirilen algoritmalar ile eski öğrenme algoritmaları hem iki boyutlu örnek uzayda hemde biyomedikal görüntüler üzerinde karşılaştırmalı olarak test edilmiştir. Genetik algoritmalar ile eğitilen ağların daha iyi sonuç verdiği gözlenmiştir. Tez içersinde önce, incelenecek YSA' ların yapıları ve öğrenme algoritmaları tanıtılmıştır. YSA' ların biyomedikal dokuların sınıflandırılması konusunda kullanım şekli literatürden örnekler verilerek incelenmiştir. Daha sonra çalışmada kullanılan ağların hücrelerinin geometrik yorumu incelenerek, ağların giriş uzayını bölmeleme yetenekleri araştırılmıştır. Bu incelemeden hareketle yeni bir hücre yapısı (ağ) geliştirilmiştir.Tez içersinde 3 değişik hücre yapısı incelenmiştir: Noktasal Hücre Yapısı, Düzlemsel Hücre Yapısı ve Kapalı Alanlı Hücre Yapısı. İncelenen ağların herbiri için genetik algoritmaların kullanılış şekli ve uygunluk fonksiyonlarının seçimi farklıdır. Uygunluk fonksiyonları; ağların minimum sayıda hücre kullanarak izleyici kümedeki noktaları doğru olarak sınıflandırmasını sağlayacak şekilde seçilmiştir. Genetik havuz içindeki her dizide ağların hücreleri bulunur. Çalışmada, en iyi uygunluk değerini veren diziyi araştırmak için 3 genetik işlem kullanılmıştır: Kopyalama, Çaprazlama ve Mutasyon. Kopyalama işleminde herbir dizinin, (hücre) uygunluk değerine bağlı olarak havuz içinde ya sayısı artar yada elenip yok olur. Çaprazlama işlemi ile havuz içinde yeni diziler oluşturulur. Böylece giriş uzayının diğer bölgelerini araştırma imkanı sağlanır. Mutasyon işlemi ile yerel optimumlardan kurtulma fırsatı elde edilir. İncelenen bazı ağların kendi kendine büyüyen bir yapısı yoktur. Geliştirilen algoritma sayesinde bu ağlara ihtiyaca göre kendi kendine büyüme olanağı sağlanmıştır. Dört farklı biyomedikal görüntü için eski ve yeni öğrenme algoritmaları ile eğitilen ağlar; düğüm sayısı, öğrenme zamanı ve genelleme yeteneği bakımından karşılaştırılmıştır. Hem iki boyut ve hemde biyomedikal görüntüler üzerinde genetik algoritmalar ile eğiitilen ağlardan daha iyi sonuçlar elde edilmiştir. Yeni geliştirilen ağın, diğer ağlara göre daha başarılı olduğu tespit edilmiştir.

Neural networks are computational techniques for recognizing patterns. The field has undergone a renaissance of interest over the past six years. They are rapidly finding new application areas within medical sciences. It is observed that there are two important features of networks. The first feature is their ability to learn from examples. The learned information is stored across the network weights to generalize. The second feature is that neural networks have the feature of parallel processing, so computational time can take less than the computational time of some other tissue classification techniques. There are two problems which arise in neural network architecture and learning algorithms. Some neural networks do not have incremental structure growth due to the need. And also, some neural networks do not have the minimum number of neurons in the network after learning. In this thesis, these problems are solved by using the genetic algorithms. After we search the ability of the partition of input space using neural networks, we developed a new neuron structure (a new network). In the genetic algorithms, we use three basic operations: reproduction, cross-over and mutation. The depth of the genetic pool is selected as 16. Each string in the pool represents the neuron of the networks. Fitness functions are different from each other. Neural network trained by the genetic algorithms is compared with the other networks in two dimensional space. We observed that the new network gives better results than the other networks. In this thesis, we classify four original biomedical images: Computer Tomography (CT) with normal tissue, CT with abnormal tissue, Magnetic Resonance (MR) with normal tissue and MR with abnormal tissue. Input vector is formed using the gray levels at the 1 neighbourhood of the center point. So, the dimension of the input vector is equal to 9. We observed that the network trained by the genetic algorithms give better results than the results of other networks trained by the classical learning algorithms. Fitness function is selected to provide the classification of the points in the training set truly, using the minimum number of neurons. The network is formed by minimum number of neurons after the genetic learning is completed.