An efficient method for analyzing measurement results on the example of thyroid ultrasound images

• Autorzy: Omiotek Z. , Wójcik W.

Identyfikatory

DOI

10.15199/48.2016.11.04

Warianty tytułu

PL

Wydajna metoda analizy wyników pomiarów na przykładzie badań USG

• Języki publikacji: EN

Abstrakty

EN

The paper presents a method which supports the choice of the clustering procedure and makes it possible to select parameters for most important steps in this process. This method was presented on the example of thyroid ultrasound images belonging to healthy individuals and patients suffering from Hashimoto's thyroiditis. 11 360 variants of clustering procedure were analyzed and optimal parameters for 4 different forms of data set have been chosen.

PL

W pracy zaprezentowano metodę, która wspomaga wybór procedury grupowania obiektów i pozwala określić parametry dla najważniejszych etapów tego procesu. Działanie tej metody pokazano na przykładzie obrazów USG tarczycy należących do osób zdrowych i chorych na chorobę Hashimoto. Metoda pozwoliła przeanalizować 11 360 wariantów procedury grupowania i wybrać optymalne parametry dla czterech różnych postaci zbioru danych.

Słowa kluczowe

EN

cluster analysis; clusterSim

PL

analiza skupień; clusterSim

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2016
• Tom: R. 92, nr 11
• Strony: 15--18
• Opis fizyczny: Bibliogr. 18 poz., tab., wykr.

Twórcy

autor

Omiotek Z.

• Lublin University of Technology, Faculty of Electrical Engineering and Computer Science, Nadbystrzycka 38d, 20-618 Lublin

autor

Wójcik W.

• Lublin University of Technology, Faculty of Electrical Engineering and Computer Science, Nadbystrzycka 38d, 20-618 Lublin

Bibliografia

• [1] Milligan G.W., Clustering validation: results and implications for applied analyses, [In:] Arabie P., Hubert L.J., de Soete G. (Eds.), Clustering and Classification. World Scientific (1996), 341-375
• [2] Burda A., Pancerz K., Clustering and Visualization of Bankruptcy Patterns Using the Self-Organizing Maps, Barometr Regionalny. Analizy i prognozy, 3 (2014), 133-138
• [3] Wosiak A., Zakrzewska D., On Integrating Clustering and Statistical Analysis for Supporting Cardiovascular Disease Diagnosis, Proceedings of the Federated Conference on Computer Science and Information Systems, 5 (2015), 303-310
• [4] Peker M., A decision support system to improve medical diagnosis using a combination of k-medoids clustering based attribute weighting and SVM, Journal of Medical Systems, 40(5) (2016), 116
• [5] Anjana Devi M.V., Sarma D.D., Comparison of Clustering Algorithms with Feature Selection on Breast Cancer Dataset, Journal of Innovation in Computer Science and Engineering, 5(1) (2015), 59-63
• [6] Wu Y., Duan H., Du S., Multiple fuzzy c-means clustering algorithm in medical diagnosis, Technology and Health Care, 23 (2015), 519-527
• [7] Omiotek Z., Burda A., Wójcik W., The use of decision tree induction and artificial neural networks for automatic diagnosis of Hashimoto’s disease, Expert Systems with Applications, 40 (2013), n. 16, 6684-6689
• [8] Omiotek Z., Burda A., Wójcik W., Application of selected classification methods for detection of Hashimoto’s thyroiditis on the basis of ultrasound images, [In:] Pancerz K., Zaitseva E. (Eds.), Computational Intelligence, Medicine and Biology. Studies in Computational Intelligence, 600 (2015), 23-37
• [9] Carmone F.J., Kara A., Maxwell S., HINoV: a new method to improve market segment definition by identifying noisy rariables, Journal of Marketing Research, 36 (1999), 501-509
• [10] Hellwig Z., On the optimal choice of predictors. Study VI, [In:] Gostkowski Z. (Ed.), Toward a system of quantitative indicators of components of human resources development, UNESCO,Paris, 1968
• [11] Omiotek Z., Wójcik W., Zastosowanie metody Hellwiga do redukcji wymiaru przestrzeni cech obrazów USG tarczycy, Informatyka Automatyka Pomiary w Gospodarce i Ochronie Środowiska, 3 (2014), 14-17
• [12] Walesiak M., Symulacyjna optymalizacja wyboru procedury klasyfikacyjnej dla danego typu danych - oprogramowanie komputerowe i wyniki badań, Prace Naukowe AE we Wrocławiu, 1126 (2006), 120-129
• [13] Kaufman L., Rousseeuw P.J., Finding Groups in Data: an Introduction to Cluster Analysis, Wiley, 1990
• [14] Milligan G.W., Cooper M.C., An Examination of Procedures of Determining the Number of Cluster in a Data Set, Psychometrika, 50 (1985), n. 2, 159-179
• [15] Caliński R.B., Harabasz J., A Dendrite Method for Cluster Analysis, Communications in Statistics, 3 (1974), 1-27
• [16] Hubert L., Approximate Evaluation Technique for the Single- Link and Complete-Link Hierarchical Clustering Procedures, Journal of the American Statistical Association, 69 (1974), n. 347, 698-704
• [17] Hubert L.J., Levine J.R., Evaluating Object Set Partitions: Free Sort Analysis and Some Generalizations, Journal of Verbal Learning and Verbal Behaviour, 15 (1976), 549-570
• [18] Krzanowski W.J., Lai Y.T., A Criterion for Determining the Number of Groups in A Data Set Using Sum of Squares Clustering, Biometrics, 44 (1985), 23-34

Uwagi

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę.