Görüntü İşleme Temelli Şizofreni Ön Tanısı

Abstract

Günümüzde çoğu hastalık için erken teşhis önem arz etmektedir. Şizofreni hastalığı için de bu durum geçerlidir. Günümüzde şizofreni hastalığı teşhisi için nesnel testler bulunmamaktadır. Bu çalışmada şizofren hastalığı için nesnel veriler elde edilerek ön tanı yapılması amaçlanmaktadır. Bunun için yüz görüntüleri kullanılmıştır. Kameradan elde edilen renklerin gerçek değerleri yansıtabilmesi için renk onarımı gerçekleştirilmiştir. Onarım için kullanılan yöntemler, polinom yöntemi, doğrusal olmayan eğri uydurma yöntemi ve yapay sinir ağı yöntemidir. Onarım için en iyi doğruluk, yapay sinir ağı kullanılarak gerçekleştirilmiştir. Onarım sonrası elde edilen görüntüler üzerinden renk tabanlı öznitelikler çıkarılmıştır. Bu öznitelikler, ten rengi, göz rengi, sklera rengi ve saç rengidir. Ayrıca öznitelik olarak cinsiyet bilgisi de kullanılmıştır. Bu öznitelikler, sınıflandırıcılara verilerek şizofren ön tanısı yapılması amaçlanmıştır. Bu sınıflandırıcılar, Naif Bayes Sınıflandırıcı (NBC, Naive Bayes Classifier), Sınıflama ve Regresyon Ağaçları (CART, Classification and Regression Trees), K-en Yakın Komşu Sınıflandırması (KNN, K Nearest Neighbors) ve Olasılıksal Sinir Ağı (PNN, Probabilistic Neural Network)'dır. Farklı öznitelikler için farklı sınıflandırıcılar daha iyi sonuç vermektedir. Yapay sinir ağı ile onarım yapılan resimlerde, ten rengi özniteliği için CART ile %80.48 doğruluk, sklera rengi özniteliği için CART ile %76.67 doğruluk elde edilmiştir. Göz renk özniteliği için NBC, %70.71 ile daha iyi sonuç vermektedir. Cinsiyet özniteliği, her öznitelik ile birlikte kullanılmıştır. Ayrıca yüz bölgesi, 4x4 bölgeye ayrılarak her bölge için şizofren ön tanı doğruluğu araştırılmıştır. En iyi doğruluk oranı CART ile %83.67'dir.Nowadays, early diagnosis is important for most diseases. This also applies to schizophrenia. At present, there are no objective tests for the diagnosis of schizophrenia. In this study, it is aimed to make pre-diagnosis by obtaining objective data for schizophrenic disease. Face images are used for this. Color repairs were carried out so that the colors obtained from the camera can reflect the actual values. The methods used for the repair are polynomial, nonlinear curve fitting and artificial neural network. The best accuracy for repair was achieved using an artificial neural network. Color-based features were extracted from the images obtained after the repair. These features are skin color, eye color, sclera color and hair color. Gender information is also used as an feature. These features were aimed to give schizophrenic pre-diagnosis by giving to classifiers. These classifiers are Naive Bayes Classifier (NBC), Classification and Regression Trees (CART), K-Nearest Neighbor (KNN) and Probabilistic Neural Network (PNN). Different classifiers for different features give better results. In the artificial neural network images, 80.48% correctness with CART for skin color feature and 76.67% accuracy with CART for sclera color feature were obtained. For the eye color feature, NBC is better with 70.71%. Gender feature was used together with each feature. In addition, the accuracy of pre-diagnosis of schizophrenia was investigated for each region by dividing into 4x4 regions. The best accuracy rate is 83.67% with CART.