Down Sendromlu Bireylerin Değerlendirilmesinde Gabor Fisher Sınıflandırıcı Tabanlı Tıbbi Karar Destek Sistemi

Günümüzde sıkça rastlanan dismorfik hastalıklardan biri olan Down sendromu, yüze ait farklı bulgular içermektedir. Down sendromunun erken teşhis edilmesi, bireyin ileriki yaşamı açısından önem arz etmektedir. Down sendromunun ön tanısının konulmasında karşılaştırma yapılarak faydalanılan veritabanları hekimin tecrübesi ön plana çıktığı için objektiflikten uzaktır. Ön tanı sürecini hızlandıracak ve subjektifliği ortadan kaldıracak, bilgisayar destekli objektif yaklaşımlara ihtiyaç duyulmaktadır. Bu çalışmada, Down sendromlu ve normal çocuklara ait iki ayrı gruba ayrılmış resimlerden oluşan bir veritabanında grupların birbirinden ayrılmasına çalışılmıştır. Özellik olarak Gabor Dalgacık Dönüşümü (GWT) sonucu elde edilen filtre cevapları kullanılmıştır. Yüksek boyutlara ulaşan özellik vektörleri üzerinde Temel Bileşen Analizi (PCA) ve Doğrusal Ayırtaç Analizi (LDA) ile boyut indirgeme sağlanmıştır. Sınıflandırma işlemi örüntü tanıma uygulamalarında başarıyla kullanılmakta olan k. En Yakın Komşuluk (kNN) ve Destek Vektör Makineleri (SVM) ile sağlanmıştır.
Today, one of the most frequently encountered dysmorphic diseases, Down syndrome, includes different findings belonging to the face. Early diagnosis of Down syndrome is vital for individual's further life. The databases, which were benefited by making comparisons on pre-diagnosis of Down syndrome, are not objective as doctor's experiences come into prominence. To speed up pre-diagnosis and eliminate subjectivity, computer-assisted objective methods are needed. In this research, belonging to children's pictures with Down syndrome and normal operation of two separate groups are tried to distinguish on database groups. As feature, filter responses obtained as a result of Gabor Wavelet Transform (GWT) are used. Dimension reduction is provided with Principal Component Analysis (PCA) and Linear Discriminant Analysis (LDA) on the reaching higher dimension feature vectors. Classification process was carried out with kth Nearest Neighbor (kNN) and Support Vector Machines (SVM) which has been successfully used in pattern recognition applications.