Özet:
Biyomedikal veriler, kullanıldıkları otomasyonlar sayesinde hastalık teşhisinde doktorlara büyük kolaylıklar sağlamaktadır. Bu verilerin çeşitli işaret, görüntü işleme algoritmaları kullanılarak incelenmesi ve sınıflandırma algoritmalarıyla yapısal özelliklerinin çıkarılması günümüzde yaygın hale gelmiştir.
Biyomedikal alandaki bu yaygın kullanım, beraberinde bazı sorunları da getirmiştir. Bilgisayar ortamında oluşturulan yapay işaretlerin aksine EKG gibi biyomedikal işaretlerin düzensiz ve gürültülü yapısı, klasik işaret işleme algoritmalarının uyarlanması konusunda yetersizliğe sebep olmuştur. Benzeri durum, iki boyutlu işaretler olan histopatolojik görüntüler için de geçerlidir. Bu yapılardaki gürültü ve belirsizlikler, sınıflandırmada kullanılacak özelliklerin çıkarılmasına engel olmaktadır.
Bu tez çalışmasında, belirli bir formül gerektirmeyen, veriyle uyumlu çalışan Görgül Kip Ayrışımı (GKA, Empirical Mode Decomposition) kullanılmıştır. İki bölümden oluşan bu çalışmanın ilk bölümünde EKG işaretleri incelenmiş, klasik işaret ayrıştırma yöntemleriyle performans kıyaslaması yapılmış ve GKA’nın özellik çıkarımında daha başarılı olduğu gözlenmiştir. Bu başarım değeri, Destek Vektör Makineleri’yle (DVM, Support Vector Machines) sınıflandırma yapılarak elde edilmiştir. İkinci bölümde de histopatolojik görüntüler incelenmiş, GKA’dan elde edilen özellikler çeşitli morfolojik araçlarla eniyileştirilmiş ve orijinal görüntü öğesi değerleriyle elde edilen özellik kümelerine kıyasla Rassal Ormanlar (RO, Random Forests) yöntemi kullanılarak elde edilen sınıflandırma başarısında ilerleme kaydettiği gözlenmiştir.
Bu çalışmadan elde edilen bilgiler, GKA ile biyomedikal işaretlerden elde edilen özelliklerin, uygun gürültü giderme araçlarının kullanılmasıyla, sınıflandırılma performansını arttırma konusunda klasik yöntemlerden elde edilen özelliklere göre daha belirleyici olduğunu göstermiştir.
