Gelecekte Yapılabilecek Çalışmalar

Yapılabilecek çalışmalardan birisi, tez kapsamında geliştirilen sistemin hastanelerde ilgili hekimler tarafından kullanılabilmesi için, hekimlerin istekleri ve pratik olarak kullanabilme kolaylıkları belirlenip göz önüne alınarak hazırlanacak bir kullanıcı arayüzü geliştirilmesidir. Arayüz ile bu çalışmada geliştirilen, dismorfik hastalıkların sınıflandırmasını gerçekleştiren sistem hekimlerin kullanımına sunulabilir. Geliştirilen arayüz üniversite hastanelerinde eğitim amaçlı da kullanılabilir.

Yapılabilecek bir diğer çalışma, her sendroma ait, sendrom tiplerini tanımlayabilecek diğer fiziksel bozuklukların eklenerek (yüz dışında vücutta var olan fiziksel bozukluklar), sınıflandırma için kullanılacak öznitelik sayısının arttırılmasıdır.

Sınıflandırma başarısının arttırılabileceği öngörülmektedir. Sendrom tiplerinin tanısı için kullanılan özniteliklerin, tanı başarısındaki etkileri belirlenerek sınıflandırma için kullanılacak özniteliklerin seçimi yapılabilir. Başka dismorfik sendrom tipleri eklenerek sınıflandırılacak sendrom sayısının arttırılması ve farklı sınıflandırıcı algoritmaları kullanılarak farklı performans sonuçlarının elde edilmesi yapılabilecek çalışmalardır.

Bu çalışmada literatürde var olan birçok çalışma gibi kullanılan YSA’ların optimizasyonu ampirik (deneme yanılma) yöntemle gerçekleştirilmiştir. Genetik algoritma kullanılarak farklı şekilde YSA’nın optimizasyonu gerçekleştirilip, sonuçlar karşılaştırılabilir.

Aynı standarta sahip görüntülerden oluşan bir görüntü veri tabanının oluşturulup, referans noktalarının otomatik olarak tespit edilerek sistemin tamamen otomatikleştirilmesi yapılabilecek bir diğer çalışmadır.

KAYNAKLAR

Aesa, J. M. 1990. Diagnostic Dysmorphology.Plenum Medical Book Company, 299 p , New York and London.

Aldridge, K., Bovadiiev, S. A., Canone, G. T., Deleon, V. B. and Richtsmeier, J. T.

2005. Precision and error of three dimensional phenotypic measures acquired from 3dMD photogrammetric images. American Journal Medical Genetic, Vol.

138; pp. 247-253.

Alp, M. N., Oral, D. ve Budak, T. 2007. Down sendromu ön tanılı 584 olguda sitogenetik çalışma. Dicle Tıp Dergisi, cilt 3(4); s. 283-286.

Anonymus. 2012. Web Sitesi. http://downsyndrome.com/what-is-down-syndrome/, Erişim Tarihi: Ekim 2012.

Anonymus. 2012. Web Sitesi.http://en.wikipedia.org/wiki/Hurler_syndrome, Erişim Tarihi: Ekim 2012.

Anonymus. 2012. Web Sitesi. http://tr.wikipedia.org/wiki/Frajil_X_sendromu, Erişim Tarihi: Ekim 2012.

Anonymus. 2008. Web Sitesi. http://www. Fragileex.org., Erişim Tarihi: Haziran 2008.

Anonymus. 2008. Web Sitesi. http:// www.gunosborn.blogspot.com., Erişim Tarihi:

Eylül 2008.

Anonymus. 2009. Web Sitesi. http://www.hesdeadjimstudios.comnina., Erişim Tarihi:

Mart 2009.

Anonymus. 2008. Web Sitesi. http://www.mpssociety.org.au., Erişim Tarihi: Aralık 2008.

Anonymus. 2009. Web Sitesi. http://www.nature.com. Erişim Tarihi: Mart 2009.

Anonymus. 2012. Web Sitesi http://www.news-medical.net/health/What-is-Prader-Willi-Syndrome. Erişim Tarihi: Ekim 2012.

Anonymus. 2012. Web Sitesi. https://orpha.net/data/paths/GB/uk-WHS.pdf. Erişim Tarihi: Ekim 2012

Bahurupi, S. P. and Chaudhari, D. S. 2012. Principal component analysis for face recognition. International Journal of Enginnering an Advanced Technology, vol. 1; pp. 91-94.

Bartlett, M. S., Movellan, J. R. and Sejnowski, T. J. 2002. Face recognition by independent component analysis. IEEE Transactions on Neural Networks,vol.13(6); 1450-1464.

Bhatia, N. and Vandana. 2010. Survey of nearest neighbor techniques. Computer Vision and Pattern Recognition, vol. 8(2); pp. 302-305.

Boehringer, S., Vollmar, T., Tasse, C., Wurtz,R.P., Gillessen-Kaesbach, G., Bernhard Horsthemke,. B. and Wieczorek, D. 2006. Syndrome identification based on 2D analysis software. European Journal of Human Genetics, vol. 14; pp. 1082-1089.

Breiman, L., Friedman, J. H., Olshen, R. A. and Stone, C. J.1984. Classification and regression trees. Chapman and Hall, 358p, USA.

Caianiello, E. R. 1961. Outline of a theory of thought-processes and thinking machines.

Journal of Theoretical Biology, vol 2; pp. 204-235.

Cootes, T.F., Edwards, G.J. and Taylor, C. J. 1998. Active appearance models.

European Conference on Computer Vision, vol 2; pp. 484-498.

Çalışkan, S. K. 2008. KNN kümeleme ve k en yakın komşu yöntemi ile ağlarda nüfuz tespiti. Gebze Yüksek Teknoloji Enstitüsü Mühendislik ve Fen Bilimleri Enstitüsü Yüksek Lisans Tezi, 87 s, Gebze.

Daugman, J.G. 1980. Two dimensional spectral analysis of cortical receptive field profile. Vision Research, vol. 20; pp.847-856.

Duda, R. O., Hart, P. E. And Stork, D. G. 2001. Pattern classificaiton. John Wiley, 654 p, United States of America.

Duman, F., Erdamar, A., Eroğul, O., Telatar, Z. and Yetkin, S. 2009. Efficient sleep spindle detection algorithm with decision tree. Expert Systems With Application, vol. 36; pp. 9980-9985.

Edwards, J. H., Harnden, D. G. and Cameron, A.H. , 1960. A new trisomic syndrome.

Lancet. pp. 787-789.

El- Bashir, M. S. 2012. Face recognition using multi-classifier. Applied Mathematical Sciences, vol. 6(45); pp. 2235-2244.

Elmas, Ç. 2003. Yapay sinir ağları. Seçkin Yayıncılık. 192 s, Ankara.

Erkınay, M., Telatar, Z., Eroğul, O. ve Tunca, Y. 2011.Dismorfik sendromların tanısı için yüz görüntülerinden çıkarılan morfolojik özellikler ve dismorfik sendromların sınıflandırılması. 16. Ulusal BİYOMUT Konferansı Bildiler Kitabı, s. 80-83.

Erkınay, M., Telatar, Z., Eroğul, O. and Tunca, Y. 2012. Dysmorphic syndromes classification and recognition with computer assisted system. In: Proceedings of the 9th International Conference on Biomed. Eng., paper 764-073. Austria Gabor, D. 1946. Theory of communication. Journal IEEE, vol. 93; pp. 429-459.

Ganchev, T., Tsopanoglou, A., Fakotakis, N. and Kokkinakis, G. 2002. Probabilistic neural networks combined with GMMs for speaker recognition over telephone channels. 14th International Conference on Digital Signal Processing, vol.

2; pp. 1082-1084.

Ghosal, V., Tikmani, P. and Grupta, P. 2009. Face classification using Gabor wavelets and a random forest. Canadian Conference on Computer and Robot Vision, pp.

68-73.

Goh, T. C. 2002. Probabilistic neural network for evaluating seismic liquefaction potential. Canadian Geotechnical Journal, vol. 39; pp. 219-232.

Gonzalez, R. C. and Woods, R. E. 2007. Digital Image Processing, Prentice Hall, 976 p, United States of America.

Günal, S. and Edizkan, R. 2006. Wavelet based discriminative feature extraction for speech recognition. International Conference on Modeling and Simulation, pp.

621-624.

Günal, S. 2008. Örüntü tanıma uygulamalarında altuzay analiziyle öznitelik seçimi ve sınıflandırma. Eskişehir Osmangazi Üniversitesi Fen Bilimleri Enstitüsü, Doktora Tezi. 93 s, Eskişehir.

Hammond, P., Hutton, T. J., Allanson J. E., Buxton, B.,Campbell, L. E., Hennekam, R.

C. M., Holden, S., Patton, M. A., Shaw, A., Temple, I. K., Trotter, M., Murphy, K. C. and Winter, R. M. 2004. 3D analysis of facial morphology.

American Journal of Medical Genetics, vol. 126A; pp. 339–348.

Hammond, P., Hutton, T. J., Allanson J. E., Buxton, B.,Campbell, L. E., Smith, J.C., Donnai, D., Smith, A. K., Metcalfe, K., Murphy, K.C., Patton, M., Pober, B., Prescott, K., Scambler, P., Shaw, A., Smith, A. C. M, Stevens, A. F., Tepmle, I. K., Hennekam, R. and Tassabehji, M. 2005. Discriminating power of localized three- dimensional facial morphology. American Journal of Human Genetics, vol. 77(6); pp. 999- 1010.

Haykin, S. 1999. Neural networks. Prentice Hall. 837s, USA.

Hopfield, J. J. 1982. Neural networks and physical systems with emergent collective computational abilities. Proceedings of the National Academy of Sciences, vol.

79; pp. 2554-2558.

Hu, X., Tang, Y. and Zhang, Z. 2008. Video object matching based on SIFT algorithm.

International Conference on Neural Networks and Signal Processing, pp. 412-415.

Huang, J., Gutta, S. and Wechsler, H. 1996. Detection of human faces using decision trees. Proceedings of the 2nd International Conference on Automated Face and Gesture Recognition, pp. 248-252.

Jones, K. L. 2006. Smith’s recognazable patterns of human malformation. Elsevier, 954 p, USA.

Kavzoğlu, T. ve Çölkesen, İ. 2010. Karar ağaçları ile uydu görüntülerinin sınıflandırılması: Kocaeli örneği. Harita Teknolojileri Elektronik Dergisi, cilt 2(1); s. 36-45.

Kepenekçi, B. 2001. Face recognition using Gabor Wavelet Transform. Ortadoğu Teknik Üniversitesi Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, 118 s, Ankara.

Kocadere, G. 2010. Video görüntülerinin sabitlenmesi. Ankara Üniversitesi Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, 101 s, Ankara.

Lades, M., Vorbrüggen, J.C., Buhmann, J., Lange, J., Malsburg, C., Würtz, R. P. and Konen, W. 1993. Distortion invariant object recognition in the dynamic link architecture. IEEE Transactions on Computers, vol. 42(3); pp. 300-311.

Loos,H.S., Wieczorek,D.,Würtz,R.P.,Malsburg,C. and Horsthemke, B. 2003. Computer Based Recognation of Dysmorphic Faces. European Journal of Human Genetics, vol.11; pp. 555-560.

Lowe, D. G. 1999. Object recognition from local scale- invariant features. Proceedings of the International Conference on Computer Vision, vol. 2; pp. 1150-1157.

Lowe, D. G. 2004. Distinctive image features from scale invariant keypoints.

International Jorunal of Computer Vision, vol. 60(2); pp. 91-110.

Lu, J., K., Plataniotis, N. and Venetsanopoulos, A. N. 2003. Face recognition using kernel direct discriminant analysis algorithms. IEEE Transacitons on Neural Networks, vol. 14; pp. 117-126.

Lu, J., K., Plataniotis, N. and Venetsanopoulos, A. N. 2003. Face recognition using LDA based algorithms. IEEE Transacitons on Neural Networks, vol. 14(11);

pp. 195-200.

Mingers, J.1989. An empirical comparison of pruning methods for decision tree induction. Machine Learning, vol 4; pp. 227-243.

Minsky, M., Papert, S. 1969. Perceptrons. MIT Press, 295p, England.

Mitchell, T. M. 1997. Machine learning. The Mc Graw-Hill Companies, 400p, Portland.

Manjunath, B.S., Chellappa, R. and Malsburg, C. 1992. A feature based approach to face recognition. Proceedings, IEEE Conference on Computer Vision and Pattern Recognition, pp. 373-378.

Mora, J. G., De la TorreMurthi, F., Guil, R. N. and Zapata. E. L. 2007. Bilinear active appearance. Models. Computer Vision, pp. 1-8.

Oğuzlar, A. 2003. Veri önişleme. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, vol. 21; pp. 67-76.

Ouinlan, J. R., 1993. C4.5 programs for machine learning. Morgan Kaufmann Puplishers, 302p, USA.

Ölmez, T. ve Dokur, Z. 2009. Uzman sistemlerde örüntü tanıma. İTÜ Elektrik Elektronik Fakültesi Elektronik ve Haberleşme Mühendisliği Bölümü, 200s, İstanbul.

Öztemel, E. 2003. Yapay sinir ağları. Papatya Yayıncılık, 232s, İstanbul.

Parveen, P. and Thuraisingham, B. 2006. Face recognition using multiple classifiers.

18th IEEE International Conference on Tools With Artificial Intelligence, pp.179-186.

Petkov, N. and Kruizinga, P. 1997. Computational models of visual neurons specialised in the detection of periodic and aperiodic oriented visual stimuli: bar and grating cellls. Biological Cybernetics, vol. 76(2); pp. 83–96.

Rabiner, L. and Juang, B. H. 1993. Fundamental of speech recognition. Prentice Hall, 496p, Unites States of America.

Raj, A., Bincy, G. and Mathu, T. 2012. Survey on common data mining classification technigues. International Journal of Wisdom Based Computing, vol. 2(1); pp.

12-15.

Romero,R., Touretzky, D. and Thibadeau, R. H.1997. Optical Chinese character recognition using probabilistic neural networks. Pattern Recognition, vol. 30;

pp. 1279-1292.

Rosenblatt, F. 1958. The perceptron: a probabilistic model for information stroge and organization in the brain. Psychoanalytic Review, pp. 96-104.

Rumelhart, D. E., Hinton, D. E. and J. Williams. 1986. Learning representation by backpropagating errors. Nature, vol. 323(9); pp. 533-536.

Safavian, S.R. and Landgrebe, D. 1991. A survey of decision tree classifier methodolgy.

IEEE Transactions on Systems, Man and Cybernetics, vol. 21(3); pp 660-674.

Saraydemir, Ş., Taşpınar N., Eroğul O., Kayserili H., Dinçkan N. 2011. Down syndrome diagnosis based on Gabor wavelet transform. Journal of Medical Systems, DOI 10; pp. 1007-10916.

Sipahi, M. E. 2008. Dismorfik Hastalıkların Görüntü Analizi İle Ayırt Edilmesi.

Başkent Üniversitesi Fen Bilimleri Enstitüsü Yüksek Lisans Tezi, 83s, Ankara.

Shen, L. and Bai, L. 2006. A review on Gabor wavlets for face recognition. Pattern Analysis and Applications, vol. 9; pp. 273-292.

Sreemathy, J. and Balamurugan, P.S. 2012. An efficient text classification using kNN and naive bayesian. International Journal on Computer Science and Engineering, vol. 4(3); pp. 392-396.

Tezel, G. 2007. Biyomedikal işaretlerin yeni bir adaptif aktivasyon fonksiyonlu yapay sinir ağı ile sınıflandırılması. Selçuk Üniversitesi Fen Bilimleri Enstitüsü, Doktora Tezi, 162s, Konya.

Vollmar, T., B. Maus, R. P. Wurtz, G. G. Kaesbach, B. Horsthemke, D. and Wieczorek, S. Boehringer. 2008. Impact of geometry and viewing angle on classification accuracy of 2D based analysis of dysmorphic faces. European Journal of Medical Genetic, vol. 51; pp. 44–53.

Widrow, B. and Hoff, M. E. 1960. Adaptive switching circuits. Westcon Convention, Record Part IV, pp. 96-104.

Wiskott, L., Fellous, J-M., Krüher, N. and Malsburg C. 1999. Face recognition by elastic bunch graph matching. In Intellegent Biometric Techniques in Fingerprint and Face Recognition CRC Press, vol. 11; pp. 355-396.

Wu, G. S., Bao, F. S., Xu, E. Y, Wang, Y-X., Cahng, Y-F.and Xiang, Q-L. 2007. A leaf recognition algorithm for plant classification using probabilistic neural network. IEEE International Symposium on Signal Processing and Information Technology, pp. 11-16.

Yavuz, E. 2008. Duruk imgelerde damgalama ve veri saklama. Ankara Üniversitesi Fen Bilimleri Enstitüsü, Doktora Tezi, 167s, Ankara.