Analysis of microarray images using FCM and K-MEANS clustering algorithms

Abstract

Mikro-dizin teknolojisi çok sayıda gen ifadesini aynı anda analiz edebilmeyi sağlayan çok faydalı bir araçtır. Mikro-dizin deneylerinin analizinde imge işleme teknikleri çok önemli bir rol oynar, çünkü spot yoğunluğu gen ifadesinin bir ölçüsüdür. Bir spotun gen ifadesi piksel yoğunluklarının dağılımı sayesinde anlaşılır. Bu yüzden, piksel yoğunluk dağılımına bağlı bir bölütleme tekniği uygundur. Spotu arka planından ayırmak için çok sayıda bölütleme tekniği bilinmektedir: yarıçapı kullanıcının belirlediği daire oturtma tekniği, parametrik bölütleme tekniği, parametrik olmayan bölütleme tekniği, alan genişletme tekniği ve yoğunluğa bağlı kümeleme teknikleri. Diğer tekniklerin çok çeşitli eksiklikleri olduğundan, kümeleme teknikleri son zamanlarda daha çok ilgi çekmektedir. Medoidler etrafında bölüntüleme (PAM) ve K-MEANS algoritmaları çok yakın zamanda uygulanmıştır. Bu tezde, bu algoritmaların genişletilmiş bir versiyonu olan FCM algoritması, spot bölütleme probleminde kullanılmıştır. Karşılaştırma amacıyla serbest kullanıma açık mikro-dizin verisi kullanılmıştır. Bu veri seti üzerinde, FCM algoritmasının K-MEANS algoritmasından daha gürbüz olduğunu gözlenmiştir. Ayrıca, FCM ve K-MEANS kümeleme algoritmalarını kullanarak mikro-dizin verisinin analizi yapabilmek için EESCAN adını verdiğimiz kapsamlı bir yazılım geliştirilmiştir. Anahtar Kelimeler: Mikro-dizin, gen cipi, kümeleme algoritmaları, FCM, K-MEANS, imge işleme.

Microarray technology is a useful tool to assay the expression of a large number of genes simultaneously. In the analysis of microarray experiments image processing techniques play an important role, because spot intensity is a measure of gene expression. The gene expression of a spot is governed by the distribution of pixel intensities. Therefore, a segmentation technique based on distribution of pixel intensities is appropriate. In the literature, numerous techniques have been applied for segmentation of spot from background region: user defined circular radius, parametric segmentation, non-parametric segmentation, region growing and intensity-based clustering techniques. Clustering techniques are getting more attention recently, since other techniques have various drawbacks. Partitioning around medoids (PAM) and K-MEANS algorithms have been applied recently. In this thesis, an extended version of these algorithms namely, Fuzzy c-means (FCM) algorithm is applied to the spot segmentation problem. Analysis on publicly available microarray data shows that FCM algorithm is more robust than K-MEANS algorithm in the analysis of microarrays. We also developed a tool called EESCAN, a complete software tool to analyze microarray data using FCM and K-MEANS clustering algorithms.Key Words: Microarray, gene chip, clustering algorithms, FCM, K- MEANS, image processing.