A smart algorithm to predict the post-operative parameters of Intra-Corneal lens
Yükleniyor...
Tarih
2019
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Aksaray Üniversitesi Fen Bilimleri Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Lens implantation has become easier than before due to the studies that conducted to avoid complications when and after the implantation operation,the most inevitable approach to avoid the risk of ICL implantation and overcome the complications is to accomplish the best possible separation between the back ICL surface and the anterior crystalline lens pole which it is called in the terminology of ophthalmology the vault. Recently, machine learning technique is broadly employed in research especially in medical images due to the ability to analyze the data and also using intelligent methods in order to make a suitable decision which assists physicians in the interpretation the images. in this thesis, the machine learning algorithms have been exploited in order to evaluate the postoperative patient eye status, in particular, through building a system with two split phases, feature extraction, and classification. Edge histogram descriptor (EHD) and color layout descriptor (CLD) used for extract the features from the images, whilst, Naïve Bayes and decision tree classifier used for classification, on the other hand, a Hidden Markov Model has employed for diagnoses the Post-Operative eye patient stats via using 3-States after obtaining and mining the characteristics of the input images using singular decomposition value, finally, the precision of the system has calculated for each model.
İmplantasyon operasyonu esnasında ve sonrasında meydana gelebilecek komplikasyonları önlemek amacıyla gerçekleştirilen çalışmalar sayesinde, lens implantasyonu eskiye göre daha kolay yapılmaktadır. Burada ICL implantasyonunda risklerden kaçınmak ve komplikasyonların önüne geçebilmek için en önemli yaklaşım arka ICL yüzeyi ile göz bilim terminolojisinde kubbe adı verilen ön kristal lens arasında mümkün olan en iyi ayrımı elde etmektir. Son zamanlarda, görüntü yorumlama konusunda hekimlere yardımcı olacak uygun bir karar verebilmek için veri analizi yapma ve akıllı yöntemler kullanabilme kabiliyetinden dolayı makine öğrenimi tekniği bilhassa tıbbi görüntüleme olmak üzere bilimsel araştırmalarda sıklıkla kullanılır hale gelmiştir. Bu tez çalışmasında, özellik çıkarma ve sınıflandırma olmak üzere iki farklı evreden oluşan bir sistem inşa edilerek hastanın ameliyat sonrası göz durumunun değerlendirilmesi amacıyla makine öğrenimi algoritmaları kullanılmıştır. Görüntülerden özelliklerin çıkarılması için kenar histogramı belirticisi (EHD) ve renk dağılımı belirticisi (CLD) kullanılmış olup sınıflandırma için Naïve Bayes ve karar şeması sınıflandırması kullanılmıştır. Diğer yandan, ameliyat sonrası göz istatistiklerinin teşhisi için tekil değer ayrışımı kullanılarak girdi görüntülerinin özellikleri elde edildikten sonra Saklı Markov Modeli kullanılmış ve son olarak her bir model için sistemin hassasiyet düzeyi hesaplanmıştır.
İmplantasyon operasyonu esnasında ve sonrasında meydana gelebilecek komplikasyonları önlemek amacıyla gerçekleştirilen çalışmalar sayesinde, lens implantasyonu eskiye göre daha kolay yapılmaktadır. Burada ICL implantasyonunda risklerden kaçınmak ve komplikasyonların önüne geçebilmek için en önemli yaklaşım arka ICL yüzeyi ile göz bilim terminolojisinde kubbe adı verilen ön kristal lens arasında mümkün olan en iyi ayrımı elde etmektir. Son zamanlarda, görüntü yorumlama konusunda hekimlere yardımcı olacak uygun bir karar verebilmek için veri analizi yapma ve akıllı yöntemler kullanabilme kabiliyetinden dolayı makine öğrenimi tekniği bilhassa tıbbi görüntüleme olmak üzere bilimsel araştırmalarda sıklıkla kullanılır hale gelmiştir. Bu tez çalışmasında, özellik çıkarma ve sınıflandırma olmak üzere iki farklı evreden oluşan bir sistem inşa edilerek hastanın ameliyat sonrası göz durumunun değerlendirilmesi amacıyla makine öğrenimi algoritmaları kullanılmıştır. Görüntülerden özelliklerin çıkarılması için kenar histogramı belirticisi (EHD) ve renk dağılımı belirticisi (CLD) kullanılmış olup sınıflandırma için Naïve Bayes ve karar şeması sınıflandırması kullanılmıştır. Diğer yandan, ameliyat sonrası göz istatistiklerinin teşhisi için tekil değer ayrışımı kullanılarak girdi görüntülerinin özellikleri elde edildikten sonra Saklı Markov Modeli kullanılmış ve son olarak her bir model için sistemin hassasiyet düzeyi hesaplanmıştır.
Açıklama
Anahtar Kelimeler
Machine learning, Feature extraction, Naïve Bayes classifier, Decision Tree classifier, Image retrieval, Hidden Markov Model, ICL, Makine öğrenimi, Özellik çıkarma, Naïve Bayes sınıflandırıcısı, Karar Şeması Sınıflandırıcısı, Görüntü Çağırma, Saklı Markov Model
