Clustering mri images with principal component analysis methods

TEZ7046Tez (Yüksek Lisans) -- Çukurova Üniversitesi, Adana, 2007.Kaynakça (s.41-43) var.ix, 44 s. : res. ; 29 cm.Görüntülerin sınıflandırılmasındaki en önemli problemlerden biri de görüntü boyutlarının çok fazla olmasıdır. Bu yüzden, görüntüleri sınıflandırmada iyi sonuç alabilmek için görüntü boyutlarının indirgenmesi gerekir. Bu çalışmada, Temel Bileşenler Analizi ile beynin MRI görüntülerinin boyutları indirgendikten sonra elde edilen görüntülere sınıflandırma metodları uygulanmıştır. General Hebbian Algorithm, Diamantras and Kung's APEX Rule, Expectation- Maximization Principle Component Analysis, Probabilistic Principal Components Analysis ve True-PCA olmak üzere 5 farklı Temel Bileşenler Analizi metodu kullanılmıştır. Elde edilen yeni görüntülere ise K-Means ve Fuzzy C-Means sınıflandırma metodları uygulanmıştır. Bu metodlar sonucunda elde edilen görüntüler karşılaştırılarak en iyi sonucu veren metodlar tespit edilmiştirIt's problem that the images have a complicated high dimensional structure in image clustering. Because of this, the dimensions of MRI images must be reduced. The aim in the thesis is to implement PCA and image clustering methods and compare the methods. Different PCA and image clustering methods were implemented in Matlab. MRI images were used in the thesis. In the beginning, PCA methods were implemented on MRI images. The dimensions of MRI images were reduced by using PCA methods without much loss of information. After PCA methods were implemented, image clustering methods were implemented on MRI images. In the thesis five PCA methods (General Hebbian Algorithm, Adaptive Principal Component Analysis, Expectation-Maximization Principle Component Analysis, Probabilistic Principal Components Analysis and True-PCA) and two image clustering methods (K-Means and Fuzzy C-Means) were implemented.Bu çalışma Ç.Ü. Bilimsel Araştırma Projeleri Birimi Tarafından Desteklenmiştir. Proje No