Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   10 ,  No.   1 ,  Febr uar y2 020,  pp. 7 46 ~ 756   IS S N: 20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v10 i 1 . pp746 - 756     746       Journ al h om e page :  http: // ij ece.i aesc or e.c om/i nd ex .ph p/IJ ECE   Mic roar ray spot p ar titi on ing by a utonomou sly   organisi ng m aps  th r o u gh cont our  model        Ka r th ik  S .   A . 1 , Manjun ath  S .   S . 2   1 Depa rtment of I nform at ion  Sci e nce   and Engi ne e ring,   Da y a nand a   Sagar   A ca dem y  of  T ec hno log y   a nd  Mana gemen t ,   India   2 Depa rtment of  Com pute r  S ci en ce   and Engi ne ering,  ATME ,   Indi a       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   Ma y   12 , 201 9   Re vised  Sep   2 9 ,   2019   Accepte d  Oct  5,   2 0 19       In  cDNA   m ic roa rra y   image  ana l ysis,  cl assifi ca t io n  of  pixe ls  as  fo ref ront  ar e a   and  the   area  c over ed  b y   ba ck groun d  is  ver y   cha llenging.   In   m ic roa rra y   expe riment at ion ,   ide ntif y ing  for efr ont  ar ea   of  d esire d  spots  is  nothi ng  but   computat ion  of   fore front  pix els   conc ent r at ion ,   are a  cove r ed  b y   spot  and   shape   of  the   spots.  In  thi s  piece   of  writi ng ,   a n  innova ti v e  wa y   for  spo t  par ti t ioni ng  of  m ic roa rra y   ima ges  using  aut o nom ously   org an iz ing  m aps   (AO M)  m et hod  through  C - V  mode l  has  bee n  p roposed.   Concept  of  neur al  net works   has  be en  inc o rpa t ed  to   tra in and to  t est m ic roa rra y   spots . In  a   traine d   AO M  the   comprehe nsive  informati on  ari sing  fro m   the   prototy p e s  of  cre a te d   neur ons  are   clea rl y   integra t ed  to   dec id e  wheth er  to  get   sm aller   or   get   bi gge r   of  cont our .   Duri ng  the   pro ce ss   of  opti m iz a ti on ,   thi s  is  done  in  an  itera t ive  m anne r.   Next   using  C - V  m odel ,   i nside  cur v e  ar ea   of  tra in ed  spot  i s  compare d   with  te st  spot  fi nal l y   cur ve  fi tt i ng  is  done. Th e  pre sente d  m odel  ca n  hand l e   spots  with  var i at ions  in  te rm s  of  shape   and   qual i t y   of  th e   spots  and   m ea nwhile   i t  is  robust  to  the   no i se.   From   the   rev ie w  of  exp eri m e nta l  work,   pre sente d   appr o ac h  is  acc ura te   over   th e  appr o a che s  l ike   C - m e a ns  b y   fu z z y ,   Morpholog y   sec t iona liza ti on.   Ke yw or d s :   AOM   C - V  m od el   Level  set   Mi cro ar ray   Spot  pa rtit ion   Copyright   ©   202 0 Instit ute of   Ad v ance d  Engi ne eri ng  and  Sc ie n ce .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   Kar t hik   S .   A . ,    Dep a rtm ent o f Info rm at ion  Sc ie nce and En gi neer i ng,    Dayana nd a  Sa gar Aca dem y of  Tec hnology a nd Mana gem e nt,    Kan a kpura Roa d,   U dayp ur, Ba ng al or e -   560082 ,  Ka rn at a ka,   I nd ia .   Em a il :  kar thiks a199 0@gm ai l. com       1.   INTROD U CTION   In   t he  dom ai n  of   bio i nfor m at i cs  cDNA  m i cro a rr ay   is  fa s te st  dev el opin g  te ch nolo gy  wh ic h  he lps   resear c hers  to  qu a ntify  the   be hav i or  of  genes   (in   te rm s  of  thousa nds)at  t he  sam e  tim e .  M ic ro ar ray   s ubstrat e   consi sts  of   ti ny   sp ots  w hich  expresses  s ome   un i qu e  i nform at ion   about  the  ge nes   [ 1] .  S ub st rate  prepa r at ion   i s   done  by  colle ct ing   m RNA  sam ples  the  pu r pose  of  c ollec tin g  m RNA  is  to  ide ntify  w hich  spe ci fic  ge nes  a r e   act ively   involv ed  in   giv in g  ge ne  e xpressi on.  Ne xt,   colle ct ed  m RNA  sa m ple  will   un de rgo  a   pr ocess   cal le d  hybri dizat ion  wh e re  sam pl e  get  tra ns cri pt  i nto  cD NA.  Further ,  sam ples  pr e par e d  by  t he   m entioned  proces s  wer e  pl otted  on  m ic ro ar ray  su bs t rate.  At  la st,  entire  su bs t r at e  is  scann ed  at   a  sp eci fic  laser   wa velen gth  wh ic h  resu lt s i n  a m icr oa rr ay  im age.   By   m at ching   norm al   sp ots  with  dise ased  s pot  on e  can  judg e  wh ic h  ge ne  is  aff ect ed  an d  can  de velo p  a   drug   f or   c uri ng  disease d  gen e   [ 2 ] .  E nti re  m ic ro arr ay   analy sis  invo lves  three  m ajor  ste ps   li ke   arr ay   local iz at ion ,  se par at in g  spot  f or e gro und  f rom   back gro und ,   qu al it y  assesm ent   [ 3 ] .  Arra y  loca li zat ion   i nvolv e s  in  ide ntifyi ng   e xact  locat io n  of  ge ne  s pot  in  s ub   gri d.   O nce  l ocati on  of  the  sp ot  is  i den ti fi ed  in  a  sub  gr i d  ne xt   ta sk   is  to  sep arati ng   a  s po t   fr om   it s  back gro und  su c h  s epar at io n  is  popula rly   know n  as  spot  sepa rati on.     Last  step is t o co m pu ti ng   uni qu e  s po t i ntens it y values  of   a  su bst rate.    Im age  segm entat ion   is  def i ne d  as   the   pro cess  of  div i din g  an   im age  into  co ns ti tuent   re gions  or   obj ect s. In  t he c on te xt of DN A  m ic ro arr ay  im ages,  segm entat ion ’s go al  is  to  div i de  eac h  gr i d  cel l i nto  re gio ns   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g   IS S N: 20 88 - 8708       Mi croarray  s pot p ar ti ti on i ng  by au t onomo usl y o r ganisin g mapsth rou gh c on t our mo del  ( Karthik  S  A )   747   corres pondin g  to  the  sp ot  ( foregr ound)  a nd   backg rou nd.  Se gm entat i on   is  ty pical ly   per f or m ed  after  the   m ic ro arr ay   im age  has  unde r gone  a  gr i dd i ng   ste p  an d  it   has  been   div i ded   i nto   cel ls  (also  known  as  s ub - gr i ds ) .   Af te r   se gm ent at ion ,   ge ne  e xpressi on  le vels   are  e stim at ed  from   the  f or e gro und  a rea.   A  nu m ber   of  factors   m ake  the  segm entat ion   of   m icr oa rr ay   im ages  a  chall eng i ng   ta sk .  T o  nam e  a  few ,  t he  bac kgr ound  is  ty pical ly   con ta m inate d  by  noise .  S pots’  sha pes  a nd   siz es  m igh t  di ff er  within  a n  i m age  from   on e  spot  to  a no t her.     The   i ntensity   of  a  s pot  is  not  necessa rily   unif or m .  Also  s ince  the   hy br i di zat ion   process   is  not  hom og eneous   the s po t  reg i ons could  b e  brok en.  M or e over , t he  qual it y of  DNA  m ic ro ar r ay  i m ages mi gh t va ry.    The  backg rou nd  noise   a nd   var ia ti on  in  t he   sh a pe  of   t he   spots  can   be  cl early   seen  i n  the  pict ur e .   Figure  1   ex hibi ts   so m e  sa m p le   sp ots  of   dif f eren t  DNA  m i cro a rr ay   im ages.  As  ca n  be  s een  the re  is  a  wide  range  of   var ia ti on s  in  te rm s   of   sh a pe  a nd  qu al it y  of  th e  spots.  S eei ng  that ,   se gm entat ion   m et hodo l og ie s   ty pical ly   necessit at e s   m anu al   interfer e nce   to  giv e  t he   requisi te   para m et ers  or   to   exact  their  r esults.   C onversel y,  there  is  a  le ss  s cop e  of   aut oma ti on   that  can  extensi vely   influ ence s  bi olog ic al   interpr et at i on s .     In  fact,   it   has  be en  s how n  t hat  the  c hoic e  of  t he  se gm entat ion   m et ho d  has   s ign ific a nt  ef fec ts  on  the   pr ov i sion  of the  outc om e  of a n  e xp e rim ent .               Figure  1.   Ty pi cal   m ic ro arr ay   sp ots         Hen ce ,  for  t he  perfect   cat eg ori zat ion   of   ge ne   ex pr es sio n  a nd  to   ge ne rali ze  spot’s   em inence  m easur es   th ere  is   a  gr eat   dem a nd   for  the  r obos ti c  ap proa ch .  F ro m   the  afo rem entione d  sta ges,   one  can  concl ude  spot   par ti ti on i ng  is  on e  of  t he  m os t chall en ging t ask .   A  few   ye ars  ba ck ,  num ero us   m ercantil e  pack age s  and   in ve sti gative  m et ho ds   hav e  been   pro po se d  f o r  the  s egm entat ion  of  im ages .  Existi ng  se gm entat ion   [ 4 - 8 ]   (p arti ti on  of   the  f or e fro nt  area  f ro m   the  entire  i m age)   m e thodo l og ie s   a re  cat egorised  a s  rin g   fixe d 0   segm entat ion ,  ada ptati on   rin g  segm entat ion ,   m or phologica l  adap ta ti on  se gm entat ion .  I n  Gen e Pix  versat il e  ring   di vi sion   m et ho d  is  util iz ed .  As   per     the  ap proach,  the  ra diu s  of   al l  sp ot  is  not  re gu la r  but  fine  t un e d  in de pend ently   fo r  e ver y   sp ot.  Neverth el ess,    a  rou nd  s po t  m ask  yi el ds   a   w or st  fit  to  unpredict able  sp ots   as  the   m et ho dolo gy  r est rict s  the  s ha pe  of    the  re gions   as  ci rcu la r.  I n  Sc anA ly ze 0   [ 9 - 12 ] ,  a   fixe d  rin g  se gm entat ion   m et ho d  im pl e m ented  by  m eans   of   the h yp oth e sis t hat  area s ar e   a ssu m ed  to b e  gl obular wit h  a  pr eset   rad i us . Sp ot - on  als o  use s the sam e p rincipl e   of f ixe d  ci rcle  segm entat ion .   The  SP OT  Sof tware  inco r por at es  the   m e thods   [ 12 ]   su c h  as  watersh e d  a nd  seede d  re gion  gro wing   Adva nced   im a ge  ha ndli ng   t echn i qu e s  us e d  in  the  do m ai n  of   m ic ro a rr ay   co ns ist   of  the  m or phol og ic al   adap ta ti on  se gm entat ion .  T hi s  ap proac h  does  not  dep e nd ent  on  a ny  po stulat ion   a bout   the  dim ension   a nd    the  co ntour  of  the  spot.  T he  f la w  of  both  wa te rsh e d  an d  se eded   re gion  gr ow i ng   a ppr oac hes  are ,  they   dem and  the  preci se  c onditi on  of   t he  pr el im inary  points  or  the  see ds .  The   seede d  re gion  gro w ing   a ppr oac h   [ 13 ]   is   furthe r  fle xib l e  an d  a da ptabl e  to  div e rse  c on t ours  a nd  di m ension s   of  t he  s pots  bu t  it   is  quit e  se ns i ti ve  to  no ise . Param et ers  su c h  as  sta rt ing   val ue  an d  porc h  value  a r e  sel ect ed  by  con si der e d  s po t.   Approac h  w orks  on  low  inten sit y  values  of   spot s,  i m pr oper  s ha ped   s pots  al so .  A bru pt  pix e l  values  do  not  aff ect s  execut ion   of   pro po se d  a ppr oach .   Most  i m po rtan t  diff ic ulty   of   histo gr am   app ro ac hes  is  that  qu a ntific at ion  is  un ste ady  after  a  gr ea t   intenti on  m ask  is  sit uate  to   va riat ion .  Acti ve   co ntour   m eth od ologies  has   bee n  discu sse d  in   [1 4,   15 ] ,  wh e re     a  prel i m inary  con t our  is  t o  be   f ound  on  the  s po t - im age  and   a  co ntour   be nd   is  pro duced   f or  the   jo b  of   outl ine   the  spot  bounda ries. Mi xture  m od el   m e tho ds  [1 6,   17]   are  inco r porated  f or  the  job   of   pa rtit ion in g  m ic ro ar ray   i m ages.  O n  th e  oth e r  ha nd,  these  m et ho ds  are  de pe nd e nt   on   i ntensity   and   do  not  thi nk  ab out  the  re li able  a m on g  a djo ini ng   pix el s.  T he y  rely   on   assum ption   of   norm al ity  fo r  the  ap plica ti on  to  the  segm e ntati on   pro blem   (p ara m et ric  assu m ption   of   norm al  distribu ti on ).   Othe r  sch olars   ini ti at ed  m uc h  releva nt  pro cedures   for  the  proce ss ;  to  fu sio n  sc ul pt  analy sis   [1 7 ]   and   defor m able  m o dels   [18 ] .  In   t he  m ixtur e  m od el   ana ly sis ,     the  m os t  i m po r ta nt  ne gative  a sp ect   is  th e  detect ion   of  inten sit y  near   t o  it s  sp ot   bac kgr ound.  A pp ro ac he s  suc h  as  K - m eans  ,  Fu zzy   C  m eans  ,  Exp ect at io n - Ma xim iz ation  [ 19 - 22 ]   et c.,   h ave   been   us e d  by  seve ral  scho la rs.   K - m eans  ref le ct   on   a  fe w  narrow  featu res,   li ke  noise .  Als o,  the  par ti ti on e d  fo re fro nt  an d  su r rou nd i ngs  s ect ion  need  not  be  l ink e d  in   this,   te chn i que  but  act ua ll y  the  f or e fron t   an d  bac kdr op  are   associat e d  re gion s .     The  m os t  i m po rtant  ne gative  aspect  is,  they   no t  get  us e d  to   fit  to  irregular   base  cl us te r s  and   fail s  to  util iz e  al l    Evaluation Warning : The document was created with Spire.PDF for Python.
                IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  10 , No .  1 ,  Febr uar y  2020 :   74 6  -   756   748   the  a vaila ble  pr i or  kn ow le dge  a bout  t he  data.O ffset   ve ct or   fiel d  a nd  exp ect at io n  m a xim iz at ion   al gorithm   descr i bes  a  un i qu e  a ppro a ch  to  suppress  un wan te d  pix el s  in  ge nes.   Usi ng  m axi m iz at ion   al gorithm   sepa rati on   of   bac kgr ound   done .  E xp e ri m ental   resu lt s   rev eal s  t hat  pro po se d  a ppr oach  is  at tract ive  an d  yi el ds  ver y  prom isi ng   perfo rm ance. G ra ph   base d  m et h od s   [ 23 ] ,  desc ribes  a   way  f or   cl assifi cat io n  of  pix el s .  Au t ho r   conveys  that  s po t  se gm entat i on   of  m ic ro arra y  is  a  chall eng i ng   ta s k  a nd  pr opos e d  a ppr oac h  is  aut om at ed.   Descr i bed ap pr oach w orks  on i rr eg ular  spot s hap e  and  siz e  wh ic h resu lt s i n hig h   acc ur ac y  of ap proac h.   S el f - m otivate d  curvatu re  ap proac h   [ 24 ]   pro j ect s  a  fe w  ide as  to  par ti t on  an  im age  by  i gnori ng  ed ge  picture   val ues .  Im age  bo undar ie sa re  undoubte dly   recti fied  with  sli ght   cha nges.   Level  set   a nd  C - V    appr oach   [ 25,  26 ]   has  il lustr at ed  an   inno va ti ve  way  to  separ at e  im age  us in g  le vel  set   scaff ol d.   Bo unda ry  values   can   hel p  to   fi nd  out  preci se  locat io n  of  inte ntion  s hap e   an d  res ol ves  dilem m a  of   bord e r  li n e   le akag e   Descr i ptive  in sta nces  of  the   work   ca rr ie d  ou t   sig nifies  the  help fu l nes s  of t h e  m e tho d.   A  ne w  aut om at ed   appr oach   [27]   fo r  se gm enting  m ic ro arr ay   i m ages  descri bes  a  way  f or   ac hieving  op ti m iz ation   thr ough   gen et ic al ly   based   al gorithm .  Pr op os e d  ap proach   is  ad va ntageous  ov e r  noise   an d  res ults  are  excell ent   whe n  they   are  te ste d  du rin g  w or s t  ca se .  Ill us trat es   [ 28 ]   innov at i ve   s ect ion   s uppor t  m et ho d  f or   i m age  sect ion al isa ti on   that   is  ca pabl e  to  re so l ve  c on ce ntrati on  i n  hom og eneit y.   Pr im aril y  confine d  inte ns it y  base d  gro up i ng   c rite r ion   has  bee n  f un ct io nal  the n  inco rpor at e d  w it h  com pr ehe nsi ve  crit er io n  f or   im age.  Ulti m at ely   reducin g   of  en erg y  is  con ce de d  out  by  L - S   m od el .  And a   m od ifie d  ver si on   [ 29 ]   of   cl ust ering   al go rithm   to  su pp ress  unw anted  pi xel  inf or m at ion   from   i m ages.  In it ia ll y,  qu al ity  of   the  i m a ge  i m pr ove d  us in g  enh a ncem ent  appr oach   t hen   us in g   va riance   betwee n  cl ass   of   s pots  m e tho d  is  a pp li e d  to  ad dress  the  sp ot .   Finall y,  cl us te r ing   al gorithm   i s  app li ed  to  s pot s .  A   no vel  w ay   [ 30 ]   to  seg m ent  the  i m ag e   by  reducin g  l evel  of  no ise   is  ac hieved   .I niti al ly   t he  pro pose d  gro w - c ut  al gori thm   app li ed  to  ev e ry  spot  to  cl assify   fro m   its   backg rou nd.  T o  asses s  the   novelty ,  the   pr opose d  a ppr oac h  is  im ple m ented  th rou gh   m ulti thred e d  CP U   a nd  GPU.   P rop os e d  ap proac h   [31]   is co m bin ed  s om e o f  the popular tra diti on al  algorit hm  l ike cann y, m orpholo gy,   FCM .  By   experim enta l  resu lt s  the  pr op ose d  al gorithm   i s  fast  en ough   to  segm en t  t he  spots.  T o  cl assify   the  s po t  a s  for efron t   pa rt  a nd  bac kgr ound   obta ined   im age  is  pr e   processe d  fo ll owe d  by  sepa rati on  of  sp ot   from  f or ef r on t  par t.  Ne xt, un i qu e  expr essio n i s co m pu te d   [ 32 ]   a nd d at a is   norm al iz ed.  Finall y ob ta ine d resu lt s   are  op ti m iz ed .   In   m ic ro   im ag e  analy sis,  it   is  necessa ry  to  do  an  im age  pa r ti ti on   as  a  f or e fron t  a rea  an d  backg rou nd   reg i on.  A  m ajo r  prob le m   that  aff ect s  m ic ro arr ay   im age  par ti ti on in g  is  an  irre gu la r  dist rib ution   of   int ensity  values .  S om et i m es  these  inte ns it y  value s  a ppear   to  reside   i n  the   backgro und  or  it   m ay   be  in  t he  forefro nt   area  of   the  s pot.  T his  le ads  to  c onf us io n  w het her   a  pi xel  be longs  to  the  f or e fro nt  area  of   s po t  or   bac kgr ound  reg i on.  This  pa per   disc us ses   a  no vel  m et h od   to  s olv e  th e  m isc la ssific a ti on   of   pix el s  as  fo re fro nt  pix el s  or   backg rou nd  pi xels.   T he  w ho l e  edi to rial   com po sit io n  fr am ed  as   :  di vision  2  descr i bes  i nnov at ive   way  f or  s po t   par ti ti on i ng   ba sed  on  AO M - CV  m od el .  Divisio n  3   descri bes  the  ex pe r i m e ntal  values  of   s om e  te st   sp ots .   Pr ese nted w ork  is e ve ntu al ly  co ncl ud e d  at  th e last .       2.   AU TO N OUM OUS L Y  O RGANI SI NG  M APS   THRO UGH   CHA N  VESE( AOM - CV)   METHO DOL OGY   In   t he  prese nt   wor k,   a  nove l  un s uper vised   auto nom ou sly   orga nizing  m ap  ba sed  on  Chan  Vese   (AOM - C V)   is  p r opos e d.  T his  m od el   is  base d  on  a  group  of  trai ne d  a uton om ou sly   orga ni zi ng   neur on s   to  sto r e   intensit y  value s  of   the  im age.  AO M - C V  m o del  e m plo ys  A OM  as  a  too l  to  ex plore  the  intensit y  distrib ution   of   a  spot  an d  joins  t he  protot ypes  of  le ar ne d  A OMs  t o  co ntr o l  the  grow t h  of  c on t our.   These  prototyp es  ar e   e m plo ye d  to  est i m at e  intensit y  distribu ti on  an d  to  gu i de   the  gro wth  of   c on t our.   T he  ge neral   idea  of     the  m et ho dolo gy  is  sh own  in  Fig ur e  2.  Spots  are  captu re d  from   t ypic al  databases  su c h  as  GEO - DB  [3 3] .     This  wo r k  c on t rib utes .     Fo rm ulati on   of unsupe rv ise d ac ti ve  co ntour   m od el     Gu i de fo r  c on t our gro wth     Pr ese nts a  well  experim ental  w ork  in  term s o f  accu racy a nd  rob us tness             Figure  2. O verv ie w  of  AOM - C V  a ppr oach     Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g   IS S N: 20 88 - 8708       Mi croarray  s pot p ar ti ti on i ng  by au t onomo usl y o r ganisin g mapsth rou gh c on t our mo del  ( Karthik  S  A )   749   2 . 1.     Formul at i on   of  act ivec ont our mo dels   The  C - V  m o de l  and   M - S  m od el   [34 ,   35 ]   are  the  well   known  m a the m at ic a l  m od el s  fo r  se gm entat i on  base d  on  re gion.   C - V  m od el   is  based   on  r edu ci ng   a ppr oxim a ti on   funct ion ,  de velo ped  in  su c h  a  wa y  that    it ’s  m ini m u m   reache d  by  cl ose   ap pro xim ati on  of  e xact  e dges  of  di ff e rent   reg i on s .  T he   ene rg y  f un ct i on  is   giv e n by :     E CV   ( C r ) = μ ∙ le n ( C r ) + ν ∙ Are a ( C r ) + λ + ∫ ( Sp ( x ) − c + ( C r ) ) 2 dx 2 C r in     + λ − ∫ ( Sp ( x ) − c − ( C r ) ) 2 2 C r ou t dx   (1)         Fig ur e  3  s ho ws  re presentat ion   c onto ur ,   w her e ,  C r   is  the   con t our   a nd  Sp ( x)  is  a  m icr oa rr ay   s pot  su ch  t hat  Sp ( x) ∊ℝ . S p(x)i s  the  gr ey   le ve l  value   of  t he   spot   de no te d  by  locat io n  of   the  pictu re  el e m ent   in  m ic ro ar ray  sp ot  de note d  by   Ω.  Param e ter   of   re gula rizat ion   µ≥ 0  hel ps   in  con t our  sm oo t hn e ss  i ns id e  and   outsi de  area  of   the  m ic ro ar ray  sp ot  is  de note d  by  C rin   an d  C rout   of   C r .  ν ≥ 0  an oth e r  p enali zi ng   par a m et er  fo r  huge   area   offoref r on t  regi on   of the  spot.   O ne  ca n wr it e:     c + ( C r ) = Expecta t ion ( Sp ( x ) | x ∈ C rin )   c − ( C r ) = Expecta t ion ( Sp ( x ) | x ∈ C rin )   (2)           Figure  3. Re pr esentat ion o f  c on t our       In  ( 2 )   re pr e se nts   e xp ect e d  va lues  of  inten s it ie s  of   a rea  i nsi de  a nd  outsi de  t he  c urve . λ +   an d  λ - ≥  0  wh ic h  c on t ro l   t he  in flue nce  of  the tw o  im age  ene rg y t erm s     ∫ ( ( Sp ( x ) − c + ( C r ) ) 2 ) dx 4 C r in   A nd ∫ ( ( Sp ( x ) − c + ( C r ) ) 2 ) dx 4 C r ou t   (3)     In   a  f or m ulatio n  of   le vel  s et   C r   is   exp re ssed  as  n ull  set   fu nctio n  Ø: Ω→ ℝ : C r ={x ∊ Ω: Ø(x) = 0} .     Ar ea  inside  and  ou tsi de  the  s po t a rea  of co nt our  al so ex pre ssed  as     C rin = { x ∈ Ω : Ø ( x ) > 0 }   C rout = { x ∈ Ω : Ø ( x ) < 0 }   (4)     Dista nce  functi on to  e xpres s t he  c on t our Ø( x) as  Eucli dia n dist ance   is  gi ve n by:       (5)     In   le v el   s et   f or m ulati on   of  C - V  m od el ,   the  reli ance   of  C + (C r )  a nd  C - (C r )  on Ø de pe nds  on   m ini m iz at ion   of e q(1)  w hich   is d one  by appl y ing   gr a dient  de c ent lea di ng to follo wing  P DE .     ∂ ∅ ∂ t = δ ( Ø ) [ μ ∇ ∙ ( ∇ ∅ ‖ ∇ ∅ ‖ ⁄ ) − ν − λ +   ( ( Sp − c + ( Ø ) ) 2 ) + λ − ( ( Sp − c + ( Ø ) ) 2 ) ]   (6)     | |.| |  is  no rm   of   eucli dian  a nd   δ (. )  is  the  Dir ac  gen e rali zed  f unct ion.  To  kee p  the  le vel  set   functi on  sm oo th,   µ  is  us e d.  To  c on tr ol the g r ow i ng   rate of  the evol ving conto ur  term  ν  is u sed.   λ +   and   λ −   can b e g ene rali zed as  inne r   and outer  for ce s that f orce t h e  conto ur to ward the  d e finite  s po t ’s bor der  li ne.   Evaluation Warning : The document was created with Spire.PDF for Python.
                IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  10 , No .  1 ,  Febr uar y  2020 :   74 6  -   756   750   2.2.    Spot se gmen t at i on  u sing   A OM  and  C h an - V e se   m od el   (AOM - C V  mo del )   I n  A OM - C V  m od el   inv ol ve s  tw o  sta ge s  nam el y,  trai nin g  a nd  te sti ng  sta ge.   In  the   tr ai nin g  sta ge ,    a  set   of  points   are  e xtracte d  from   an  ed g e  detect ion  proc edure  from   the  give n  im age  are  us e d  as   th e  in put   vecto r.   T he  w ei gh ti ng  vect or  is  assigne d  init ia ll y  and   then  update d.   The  trai ni ng   s ta ge  is  fo ll ow ed  by     the  te sti ng   sta ge   wh e re  the  ed ge  points  are  c on t ro ll ed  acc ordin g  to  a  PD E.   Finall y,  the   m od el   is  i m ple m ented   by an al gorith m .     2.2.1.  Tr ainin g  sessi on   Durin g  a  tr ai ni ng  sessio n  by  sel ect ing   a  a ppropr ia te   nu m ber   of  neur on s   [ 35,  36]   a nd   t opol og y   [37]   for  A OM  the  intensit y  SP in_tr (x t )  of  ar bitrari ly   cho sen  pix e l  x t   of   trai ning  i m age  ta ken   as   AO M  in pu t  at   tim e   t= 0,   1, … ….t max_ tr.  Let   t m ax_ tr be  the   it erati ng  val ue  for   trai ning  of  AO M.   S ubseq uen tl y,  neur ons  a re   auto no m ou sly   arr a ng e d  t o  m ai ntain  it s  to polog ic al   st ru ct ure.  E ver y  ne uro n  n  is  a sso ci at e d  to   the   wei gh  vecto r  +   of D dim ensio n on ce  init ia li zat ion  is c om plete d  wei gh t  +   r ul e can be  w ritt en  as :     + ( + 1 ) = ( ) + ( ) ℎ  ( ) [    ( ) − ( ) ]   (7)     Ra te   of   le ar ning  is  sym bo li cally   rep rese nted  by  η(t),  t he  fea s ible  m a tc hin g  un it   ( FMU )  of   nu m ber  of   neur on  b  a r ound  ke r nel  nei ghbo urh ood  de note d  a s  h bn (t).   To  optim iz e  the  weig hts   + ( ) ,  the  te rm   η(t)  and  h bn (t)  m us t  be  dev el op e d  as  f un ct io n  of   ti m e  decr easi ng.  On ce  trai ning  session   of   ne uro n  is  com pleted ,  on e  can a ppr ox im a te ly   m ap  pix el   intensit ie s d ist r ibu ti on to   wei ghts  of   FMU .  T her e fore c hoic e of lear ning  ra te   is     ( ) = 0 ( ) exp ( − )   (8 )     0 is  the  init ia l  ra te   of   le a rn i ng  0 ≥ 0   an d  > 0   is  a  tim e  const ant  w he re   as  h bn (t )  c hoose s   a  f unct ion  of  Gau s sia n  ce ntr ed on ne uro ns   assum e the form     ℎ  ( ) =  ( − ‖ − 2 2 ( ) ‖ 2 )   (9 )     Wh e re  r b   a nd  r n ∊ℝ   are  ad dre ss  of  vect or s  i n  the  ne ur al   m ap  of  ou t pu t  of  ne uro n  b  an d  n.  ti m e  decr easi ng  neig hbour hood  of r a dius r (t)> 0  is  giv e n by r o i niti al  n ei ghbo urh ooda nd      ( ) = 0  ( − )   (10)     Th us , val ue s  of w ei ghts + ( + 1 )   are  obta ined  in  the  tr ai nin g sessi on.     2.2.2.  Te s tin g   session   Af te r   su cce ssf ul  com pleti on   of   t rainin g  ses sion   of  A OM - CV  m od el ,   trai ned  net work  is  de plo ye d  t o  te sti ng   ph ase   with  ty pical   m i cro a rr ay   s pots  for  the   cu r ve  pro gr e ssio n  of   C r .  At  the   ti m e   of  ev ol ution  of  c urve  forefro nt  im age  intensit y  an d  bac kgrou nd   i nt ensity   say   E(Sp( x)   |  x ∊ C r_in )  and   E(Sp (x)  |  x ∊ C r_out )  res pe ct ive l y  are   passe d  as i nput to  the t rained net wor k.   F or eve ry n e uro n  the  qua ntit ie s ar e  def i ned as      + ( ) = | − (  ( ) | ∈  ) |   − ( ) = | − (  ( ) | ∈  ) |   (11)     + ( ) and − ( )   a re  t he   di sta nces   of  sub sidiary   prototy pe  w n   f ro m   m ean  inte ns it y  of   cu rr e nt  appr ox im at ion s  of  f or e fro nt  of   a  spot  an d  backg rou nd   of   a  spot  an d  it erati vely   com pu te d  durin g  t est ing  session.  T he n,   on e  can  d e fine   the tw o  set s,     { + ( ) } = { : + ( ) ≤ − ( ) }   { − ( ) } = { : + ( ) > − ( ) }   (12)       + ( ) = | { + ( ) } | a nd − ( ) = | { + ( ) } | wh ic h  are  associat ed  pro toty pes  of  set   of   neur on .   Accor ding  to  t heir   e xp ect e d  value  of  inten s it y  su ch  protot ypes  are  c hose n  as  forefr on t  area  an d  bac kgr ound  area  of   spot.  F un ct io nal  of AOM C - V  m od e l i s g ive n by :      _  ( ) = + ∫ + ( , )  + − ∫ − ( , )  0  0    (13 )   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g   IS S N: 20 88 - 8708       Mi croarray  s pot p ar ti ti on i ng  by au t onomo usl y o r ganisin g mapsth rou gh c on t our mo del  ( Karthik  S  A )   751   Wh e re,  im age en er gy term s ar e     + ( , ) = ∑ (  ( ) − + ( ) ) 2 = 1 … … + ( )   (14)     − ( , ) = ∑ (  ( ) − − ( ) ) 2 = 1 … … − ( )   (15)     Wh e re,  par am et ers  λ +   ,  λ -   ≥  0,   a re  the  ass oc i at ed  weig hts   of   s pot  ene rgy   te r m s.  Fo r  t he  le vel  set   f unct ion  rep la ce C r   by  Ø  the n      _  ( Ø ) = + ∫ + ( , Ø )  + − ∫ − ( , Ø )  0 Ø < 0 0 Ø > 0   (16)     The  e xpli ci t reli ance of e +   an d e -   on le vel set  functi on  Ø  is  ba sed o n Heavis ide ste p f un ct i on H :  ℝ →R       (17)       By  r ew riti ng  e qu at io n o f  E AO M_C V(Ø)      _  ( Ø ) = + ∫ + ( , Ø ) ( ( ∅ ( ) ) )  + − ∫ − ( , Ø ) (   1 − ( ( ∅ ( ) ) )  0 0   (18)     Finall y con t our  evoluti on is  gi ven b y       ∅  = ∅ [ + + + − − ]   (19)     Fr om   (19 ),  ca n be  so l ved it era ti vely  u sin g  th e sam e s m oo thing  a nd  discret iz at ion  tech niques.     2.3.    Algori th m  for   AOM  C V  im plem ent at i on   Algorithm  f or  AO M C V  m odel  i m ple m entation   1. In ti al iz at ion   of in pu t  par am et er   In ti al iz at ion   of input  par am eter s     a.   Train _spo t=  “i m age.b m p”  an d  Test _spo t=  “ i m age1 .b m p”   b.   No.  Of   Iterati on a nd Max . I te rati on t m ax_t r and  t m ax_evol   c.   Global  se gm entat ion =σ, lea rni ng   rate a nd r a diu s  of m ap  η  and r o   d.   Ti m e  con sta nts,  weig hts  of   e nergy  and   bin a ry  approxim ati on   of   le vel  set   fu nctio n:  (τ n   and   τ r ),  (λ +   a nd λ - )  and  ρ   2 .   Neur on pro t otype  In ti al iz at ion:  Tr ai ning  Sess ion     Do   3 .   To dete rm ine FM U of ne uro n  to  inten sit y I int_tr (x t )  c hoose   a p ixel  x t   i n  a  dom ai n  of  s pot  Ω :    4 .   Mod el   updatin g usin g  e quat io n (7), (8),(9 )  a nd  (10)   5 .   Wh il e(t m ax_tr =t m a x_evol )   6 .   Test ing   Sessio n    In ti al iz at ion   of level  set f unct ion i n  t he do m ai n  of s pot Ω  wi th bo unda ry Ω ’   w ho se  s ub set  is Ω 0   7 .   If(x ∊ Ω 0 /Ω ’ )  th en x=ρ   8 .   Else  if (x ∊ Ω’ ) t he  x= 0   9 .   Othe rw ise   x= - ρ     Do   10.   If   E AOM C - V  has  been sel ect ed  t hen   11 .   Ca lc ulate   +   an d  −   f or  e ve ry n e uron   12 .   Grow the  cont our usin g Ø   13 .   Else  co m pu te   +   a nd  −   14 .   En d  if    15 .   Update c urren t  Ø  t o bina ry u s ing   Ø←ρ (H(Ø) - H( - Ø ))   16 .   Stop ev olu ti on  if t m ax_ tr reached.     Fr om  this alg ori thm , o ne  ca n im ple m ent this u si ng MATL AB.         Evaluation Warning : The document was created with Spire.PDF for Python.
                IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  10 , No .  1 ,  Febr uar y  2020 :   74 6  -   756   752   3.   E X PERI MEN TAL STU D Y AND  OUT COME S   In   the  e xp e rim ental   stud y ,  th e  rejoin der   o f  the  pu t  f orwa r ded   a ppr oach   i s  est i m a te d  on  a  var ie ty   of   m ic ro arr ay   s po ts.  Im ages  are  captu red   from   GEO - DB .   Depend i ng  on  ty pe   of   spot  f our  tup es  of  im age   are   analy zed .   T he  four   s po ts  are:  ty pical ly  cl ean  sp ot,  s po t  wit h  arti facts,  do nut  sp ot  a nd   noi sy  sp o t.  I n  this   wo r k  MATLAB   (R 2014 b)   is  us e d  f or   im age  analy sis  as  it   is  a  hi gh  pe rfor m anc e  too l.   To   qua ntify  the  le vel  exact  par ti ti on i ng   of  fo re fro nt  par t   fr om   rear  part   reg io n,   s up e r iority   of   the  s po t,  var i ou s  c on si der at io ns   s uch   a s   Total  im age Em inence in de x (TIE I), c oeffici ent of  determ inati on   r 2  , c on c orda nce c orrelat ion p c , a re  us e d.     3.1.    Total  im age e mi nence inde x  (TIEI)   To  m ake  a  dist incti on   t he  trai ned  an d  te sta bl e  spot  this   par a m et er  gauge  is   util iz ed  [ 32 ] . I n  descr i bed  m et ho dolo gy  par ti ti on e d  s pot  is   al ie nated  into  co rr el at ion   l os s,  lum inance  dist or ti on  an d  m or phol og ic a l   con t rast is s pec ifie d by       ( , ) =  ( , )  ( ) ∙  ( )   (20)      ( , ) = 2 ∙  ( ) ∙  ( ) (  ( ) ) 2 + (  ( ) ) 2   (21)     ( , ) = 2 ∙  ( , ) (  ( ) ) + (  ( ) )   (22)     wh e re      ave rage  outl ine   of   cu rv at ur e   a nd  pa rti ti on ed   c urva ture ,   s t (i )  a nd   s t (j)  a re   no rm a l  di vergen c e   of   spot  a nd  pa rtit ion ed   spot,  s t (i,j)  is  c o - vari ance  of   trai ne d  c urvatu re  a nd  par ti ti on e d  c urvatu re.   I n  ( 20)  i s   a  m easur e  w hich   c om pu te s  th e  relat ion  sh i p  betwee n  in put  sp ot  a nd  se gme nted  spot.  Ra ng e   of  c o r rloss  (i, j )  i s   [ - 1,   1].  Be st   va lue  f or  this   pa r m et er  is  1.  L u(i ,  j)  value   li es  betwee n  0  a nd  1  wh ic h  cl ea rly   m easur es  cl ose nes s   value  of   l um in ance  bet ween   s po t  ta ke n  as  i nput  a nd   portio ned   s pot.  Mo rpho l og ic al   co ntr ast s  betwee n  im ages   are  m easur ed  by  S t (i,  j )  it s  range  of   value   is  betwee n  0  and   1.   G ood  value  for  L u( i,   j )  a nd  St(i,  j )   is  1.   Ultim at ely To ta l Im age Em inence in de x (TI EI) co nvey ed  a s   [ 38, 39] .      =  ( , ) ∗  ( , ) ∗  ( , )   (23)      ( , ) = 4 ∙ ∙ ∙  ( , ) ( + ) 2 + (  ( ) ) + (  ( ) )   (24)     In  ge ner al   ch oi c e  of  this  para m et er  is  [ - 1,  1].  As  s how n  i n  T a ble  1  s ho ws  sta ti sti cal   assessm ent  of   T IEI  f or  sp ot  p a rtit ion .   Wh e n TIE I  is e qu al  t o un it y  or al m os t u nity  sign i fy b est   qual it y of  s po t, - 1  s i gn i fyw or st qu al it y.       Table 1.   Stat ist ic al  assessm ent s of T IEI f or s po t  pa rtit ion   [38,   39]   TI E I  o f  a  rang e of   sp o ts   Sp _ id [16 ]   C - m eans  b y  f u zzy   Morp h _  Section alizatio n   AOM - CVtech n iq u e   Sp o t8   0 .41 8   0 .62 5   0 .95 0   Sp o t9   0 .44 0   0 .35 1   0 .48 3   Sp o t6   0 .32 0   0 .62 1   0 .79 2   Sp o t1 2   0 .46 0   0 .32 6   0 .61 6   Sp o t1 3   0 .55 0   0 .71 0   0 .73 3       In   order   to  m ake  a  rev ie w  of   se gm entat i on   process  th e  fo ll owin g  m et rics  are  cal culat ed  f ro m     the sim ulate d  im ages:     The  coeffic ie nt   of  de termi na ti on   r 2   in di cat es  the  strong  point  of  the  li near   in vo lve m ent  between  si m ulate d  an d  cal culat ed  s pots,  as   well   as ,  it   giv e   the   pro portio n  of  the  fluctuati on   of  the   cal cul at ed     data   [40 ] .     2 = ∑ (    ( ) −   ) 2      = 1 ∑ (   − ̅   ) 2      = 1   (25)     Wh e re I segm ented   and   I actual are  t he  m ean  intensit y  values  of   the  cal culat ed  and   sim ulate d  sp ots,  res pecti vely .   Her e i   re fers  to  ind ivi du al   cel l  i m ages  ( i =  1….3 24),   a nd   ̅    is  the  over al l  m ea n  of  the  f oreg r ound  of  al l  sp ots   in  sim ula te d  im age.  The  algorit hm  that set s  r 2   val ue  cl os est  to  the  unit y has the  b est   perform ance.   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g   IS S N: 20 88 - 8708       Mi croarray  s pot p ar ti ti on i ng  by au t onomo usl y o r ganisin g mapsth rou gh c on t our mo del  ( Karthik  S  A )   753     The  conc orda nce  correl at i on  p c   m easur es  the  ag reem ent  betwee n  sim ul at ed  an d  cal c ul at ed  data  a nd   is  us e d  to  ev al uate the  reprod uci bili ty  o f  the  pr opos e d  se g m entat ion  m et ho d   [4 1 ] .     = 2 ∗  ∗   2 +  2 + ( − ) 2   (26)     Wh e re  A   a nd B   are  tw o  sam ples,  an d  μ B are  the   m ean  value s,     and     are  the  st and a r d  de viati on   of  the  sam ples. p c   value  de ci des  t he  pe rfor m ance  o f  al gorithm ,  hig he r  the  p c   values  te ll s  that  bette r  per f or m ance  of   a ppr oac h.    Com par isi on   o of   e xisti ng  m eth od  with  our  t echn i qu e   usi ng   assessm ent  pa ram et ers   is  sh own   in  T able  2.       Table   2.   C om par iso n of exist ing m et ho d wit h our tec hn i que u si ng assess m ent p aram et e rs   I m ag e  Id   C - m eans  b y  f u zzy ( FCM)   Morp h _  Section alizatio n (M o Seg )   AOM - CV tech n iq u e   2     2     2     Sp o t   0 .86 1 2   0 .74 8 0   0 .86 3 0   0 .91 9 0   0 .98 3 5 0   0 .99 1 7   Sp o t8   0 .87 2 1   0 .67 2 7   0 .57 3 2   0 .63 2 8   0 .97 2 1   0 .98 5 7   Sp o t9   0 .68 4 0   0 .49 0 0   0 .76 9 3   0 .85 2 5   0 .96 0 7   0 .98 0 1   Sp o t6   0 .43 0 6   0 .18 4 8   0 .68 2 9   0 .76 8 2   0 .89 7 2   0 .94 2 2   Sp o t1 2   0 .80 5 5   0 .72 6 1   0 .57 0 6   0 .63 5 6   0 .89 8 1   0 .93 7 2   Sp o t1 3   0 .81 0 7   0 .63 1 5   0 .73 3 5   0 .80 3 3   0 .99 3 8   0 .99 6 8       Figure  4  sho w s  boxplot  com par isi on  of   T I EI.   Bo x  plo t  of  Fu zzy   C - m eans   m et ho d  is  c om par at ively  sh ort - wh ic h  s ugge sts  that gene rall y  sp ot ’s  to ta l   i m age  e m inence  in de x   [ 40 - 4 2 ]   ha ve  a   hi gh  le vel of  a gr e e m ent  with  each  oth e r  but  fail s  to  re ach  cl os est   to  un it y.   Mor pho - segm entat ion   m et ho d  box  co m par at ively   tal l  and  interp rets  dif fe ren t  im m inence   ind e x  val ue  wh e n  c om par ed  to  oth e r  spot s.  A OM - C V  m et hod  bo x  pl ot  sh ow s   cl os e  val ue  o f  im m inence   ind e x  to  1  w hich  is  a  pro m isi ng   res ult  to  judge  t he  qu al it y  of   t he   spot .   Fr om  Fig ur e  5  and  Fi gure 6   it  is cle ar th at  the re is close ap pr ox im at ion  o f  A OM_C V  m e tho d  to wards th e  b est   perform ance  of  sp ot  po rtion i ng ,   com par ed  to  FCM   m et ho d  an d  Moseg   m et ho d .  Fi gure s  5  and   6  dem on strat es   our  e xperim ental  w or k wit h diff e ren t t ypes  of  spot.           Figure  4 .   Box - plo t c om par iso n of TIE I   .            Figure   5.   Com par is on of  2     Figure  6.   Com par is on of      Evaluation Warning : The document was created with Spire.PDF for Python.
                IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  10 , No .  1 ,  Febr uar y  2020 :   74 6  -   756   754   Figure  7   s how s  ex per im ental  stud y  on  var i ous  ty pes   of  s pots.  For  t he  pur po s e  of  e xperi m ental   stud y   var i ou s   ty pes  of   spots  a re  c on si der e d.  A O M - CV  a ppr oa ch  works  well   in  al l  cases  i nc lu ding  no ise ,  do nu t   sh a ped   s pot.  M or e ov e r  it   identifie s  c on t our  in  s pots  ( donut  spot) .  Finall y  fo re fro nt  area  an d  bac kgr ound   reg i on clea rly   diff e re ntiat ed.       Spot T yp e   Te st   Sp ot   Spot P or tion i ng   by  AOM - CV  me t ho d   Fore ground   Extr act i on   Back ground   Extr act i on   Ty pical   Spot                     Spot with   Ar ti facts                       Don ut S po t                     No isy   Spot             Figure  7.   Ex pe rim ental   ou tc om e       4.   CONCL US I O N   In   this  w ork,   a  novel  m et ho d  of   s po t  porti on i ng   im ages  i s  done.   Fir st,  the  te sti ng   of  ne uro ns   an d    the  trai ni ng  proces s  of  ne uro ns   is  c ar ried  ou t  us i ng  a uto m at ic   or ga nizing  m aps  ( AO M ).   T his  m et ho d  consi ders  the  aver a ge  i ntensi ty   values  in sid e  an d  outsi de   the  c urvatu re  of  the  s pot.   E vo luti on   of  co ntour  is   done  by  e dg e   m ap.   Fr om   this  on e  ca n  easi ly   disti n gu is h  the  f oref r on t  area  from   the  rear  reg i on.   Now,  this reso l ves  t he  c halle nges  c reated b y t he  ot her  m et h od s . A OM - CV   ap proac h  is  al so   a ppli cable  im ages   that  con sist   of  arb it ra ry  dev ia te d  of   pix el s  al so .   T hro ugh  co nductin g  t est s  and   ob ta i ned   r esults  total   pro cedure  is  dynam ic ,  in  the  prese nce  of  ar bitra ry  de vi at ion   of  pi xels,   topol og ic al   c ha ng e s,  a nd  ir re gu la rity   of  spo t  and  m or phologica l changes .       REFERE NCE S   [1]   X.  Xie  and  G.  Beni ,   “ A  Vali dity  m ea sure  for  Fu zzy   Cluste r ing ,” IEE E   Tr ansacti o ns  on  Pat te rn  Anal ysis,   machine  Inte ll,  vo l.  13(8) ,   pp.   841 - 847,   19 91 .   [2]   “ Introduc ti on  to m ic roa rra y ,  ”[Onl ine ] ,   Ava il ab le:  ww w.c eb it a c. u nibi elefe ld  d e/ gr oups/brf/ softwar e/ emm a .   [3]   Schena   M,  Shal on  D,  Davis  R  W   and  Brown  P  O ,   “ Quanti ta t ive   m onit oring  of  gene   expr ess ion  pat t ern s  with    a  complemen ta r y   DN A m ic ro arr a y ,” S cienc e ,  vo l. 270(5235), pp.   467 - 70,   1995 .   [4]   Buhle r  J,  Ide k e r   T,   &Ha y nor  D,   Dapple ,   “ Im prove d  te ch nique s  f or   findi ng  spots  on  DN A  m ic roa rr a y s ,”   (UW CS E  Te ch) ,   W ashingt on  UW TR  depa r tm ent   of com put er  sci ence and  E ng,   Univer si t y   of   W ashingt on,   p p .   198 - 207 ,   2000 .   [5]   Buckl e y   M .   J ,   “ Spot use r’s gui d e ,”   S y dn e y ,   Aus t ral i a:   CSI RO  Ma the mati cal   and   I nformation  Sc ience s ,   2000 .   [6]   W ang  X,  Gho sh  S,  Guo  SW ,   “ Quanti tati ve  qua li t y   con trol   in  m ic ro ar ra y   image   pro ce ss ing  and   da ta  ac quisit ion, ” Nuc le i c  A ci ds  Re sea rch ,  vol .   29(15 ),   pp.   e75 ,   2001 .   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g   IS S N: 20 88 - 8708       Mi croarray  s pot p ar ti ti on i ng  by au t onomo usl y o r ganisin g mapsth rou gh c on t our mo del  ( Karthik  S  A )   755   [7]   E.   K.  Lobe nho f er,   P.  R.   Bushe l,   C.   A.  Afs har i,   and  H.  K.  Ham ade h,   “ Progress   in  the   appl i ca t ion  of  DN A   m ic roa rra y s ,” En vi ronm ent   Hea lth Pe rs pectives ,   v ol.   1 09 ( 9 ) ,   pp .   8 81 – 891,   2001 .   [8]   Yang  YH ,   Buckl e y   MI,  Dudoit  S,  Speed  TP ,   “ Com par ison  of  m et hods  for  image  anal y s is  on  c DN A  m ic roa rr a y   dat a ,” Journal  of   Computati onal  a nd  Gr aphic al  S t ati stic s ,  vol .   11( 1) ,   pp .   108 – 36 ,   2002 .   [9]   Boz inov  D,  Rah nenf ühre r  J,  “ Uns uper vised  te chn ique   for  robust  t arg et   sep ara t ion  and  ana l y sis  of  DN A  m ic roa rr a y   spots throu gh  ad apt iv e  pix el c lus te ring ,” B ioi nfor matic s ,   pp . 747 – 56,   2002 .   [10]   Ahm ed  AA ,   Vias  M ,   I y er  NG ,   Cal das  C,   Br enton  JD ,   “ Microa rra y   segm ent atio n  m et hods  signifi ca n tly   inf lue nc e   dat a   p re ci sion ,”   Journal  of   Nucle ic   Ac ids   Re searc h .,   vol.  32(5) ,   pp .   e50 ,   2004 .   [11]   M.  B.   Ei sen ,   “ Sc anAl y ze , “ [Onli ne] ,   Available:  h tt p://r an a. Stanfor d. EDU/software / for  software   and   documenta t ion.   [12]   K.  Ble kas,   N.  P.  Ga la tsanos ,   an d  I.   Georgi ou,   “ An  unsupervise d  art ifa ct   cor r ection  appr oa ch  for  the   ana l y sis  of   DN A m ic roa rra y  images ,”   in   Pro c .   I EEE  Int .   Con f.   Image   Proc ess.   ( ICIP ) ,   vol. 2,  pp.   165 – 168 ,   20 04.   [13]   Dee pa  J ,   T essam m a  Thomas ,   “Automati c  Seg m ent at ionof   DN A  Microa rra y   I m age s  using  an   Im prove d  see d ed   reg ion  growing   m et hod ,” World   Congress   on  Nat ure  &   Bi ologi cally  Inspired   Computing  ( NaBIC) ,  IEE E ,   2009 .   [14]   T.   Srinark   and  C.   Kam bhamettu,  “ A  m ic roa rra y   imag e  an aly si s  sy st em  base d  on  m ult ipl e  sna kes , ”  Journal   Biol.   Syst.   Sp ec.  Iss ue ,  vol. 12, pp. 127 – 157 ,   2004 .   [15]   J.  Ho  and  W . - L.   Hw ang,   “ Automa tic  m ic roa rra y   spot  segm ent at io n  using  a  snake - fisher m odel , ”  I E EE   Tr ansacti ons   on  Me di cal Imaging ,   vo l. 27 ( 6 ) ,   pp.   847 – 857 ,   20 08 .   [16]   K.  Ble k as,   N.   G al a tsanos ,   A.   Likas,  and   I.  E .   L a gar is,  “ Mixtur e  m odel   anal y s is  of  DN A  m ic roa r ra y   images ,” IE E E   Tr ans.  Me d.   Ima g . ,   vol. 24 ( 7 ) ,   pp .   901 – 909 ,   2005 .   [17]   Athana siad is  E . I ,   e t  al . ,   “ Com ple m ent ar y   DN A  m ic roa rr a y   image  proc essing  base d  on  th e  Fuzz y   Gauss ia n  m ixt ur e  m odel ,” In   I EEE  Tr ansacti on  on  I nformation  Tech nology   in  B iome dic in e,   vol. 13( 4 ),   2009 .   [18]   Cec c are l li   M ,   A ntoni ol  G,   “ A  def orm abl e  gr id - m at chi ng  appr o ac h  for   m ic roa rr a y   images ,” IE E E  Tr ansacti on  o n   Image  Proc essing ,   vol .   15(10) ,   p p.   3178 – 88 ,   200 6 .   [19]   Rah nenf ühre r  J,   Bozi nov  D,  “ H y brid  c luste rin g  for  m ic roa rra y   image  ana l y si s  combining  int ensity   and  shap e   fea tur es, ” BMC Bi oinf orm atics ,   pp.   1 – 11 , 2004 .   [20]   W engGuir ong,   Su  Jian,   "M ic roa rra y   Im age s   Proce ss ing  U sing  the   Offs et   Vec tor  Fiel d   and  Expe ctat i on  Maximiza t ion  A lgori thm ,” I EE E   co nfe ren ce ,   201 0.   [21]   Manjuna th  S  S  and  La lithaRangara j an,   “ Refinem ent   of  K - me ans  Cluste ring   for  Segm ent at i on  of  Microa rr a y   Im age s ,” Journal   of  Con ve rgen ce  and  Information T ec hnology , v o l. 6 ( 9 ) ,   pp .   403 - 41 1,   2011 .   [22]   J.  Hari kira n ,   e t   al. ,   “ Fuzz y   C - m ea ns  with  bi dimen sionae m pi ric a l  m ode  decom positi on  for  segm ent at ion  of  m ic roa rra y   imag e, ”   Int ernati onal   Journal  o f  Com pute r Sc ie nc e ,   v ol.   9 ,   pp .   189 – 19 8,   Sep   2012.   [23]   N  Kar imi,  S  Sam avi ,   S.  Shirani ,   “ Segm ent at ion  ofDN A  m ic roa rr a y   Im ag es  using  ada pt ive gra ph  b ase d  m et hod ,” I E T   I mage  proce ss in g , v ol .   4 ,   pp .   19 - 27 ,   2008 .   [24]   Shenghua N,  Pa n   W ang ,   “ Spotte d  Cdna  Mi cro arr a y   Im age  Se gm ent at ion  Us i ng  ACW E , ” Ro manian Journal  Of   Information  Sc ience   And  Te chnology ,  v ol .   12 ( 2 ),  pp.   249 - 263 ,   20 09.   [25]   Yan  Zha ng,   Bog dan  J.  Matusze w ski,  Li k - Kw an  Shark ,   “ Medical   I m age   Segm ent ation  Us ing  New  H y brid  L eve l - Se t  Method, ” Fi f th  Inte rnational   Co nfe renc e  Bi oM e dic al  Vi sual izat ion:  Information  Vi sualizati on   in  Me dic al  an d  Bi omedi cal   In formatic s ,   vo l. 2 ,   p p.   89 - 97 ,   2009 .   [26]   Kaustubha  A.  Mendhurwar,   R aj ase kh arKa kum ani , Vi j a y Dev ab h akt uni ,   “ Microarra y   image  seg m ent at ion  using  cha n - vese   a ct iv e   con tour   m odel   and  l eve l   set  m e thod, ”   Annual  I nte rnational   Co nfe renc e  of   the  I EE E  Engi n ee rin g   in  Me d ic in e  and   Bi ology Society ,   vol.   5 ,   pp .   256 - 2 64,   2009 .   [27]   El eni  Zacha r i a  and  Dim it ris  Marou li s,  “ 3 - D  Spot  Modeli ng  f or  Autom at ic   S egmenta t ion  ofc DN A  Microa r r a y   Im age s ,”   I EE E   T rans act ions  on Nanobiosci en ce ,   v ol . 9 ( 3 ) ,  2010 .   [28]   Guifa ng  Shao,   Ti ngna  W an g,   W u peng  Hong,  Zhi gang   Chen,   “ An  Im prove d  SV M  Method  for  eDNA Microa rra y Im age   Segm en ta ti on ,”   The  8 th   Inte rnational   Confe renc e  on  Computer  Sci en ce   &   Educ ati on ,  2013 .   [29]   Chunm ing  Li ,   et   al. ,   “ A  Le ve l  Set  Met hod  for  Im age   Segm ent at ion   in  the   Prese nce   of  Inte nsi t y   Inhom ogene it i es with   Appli ca t ion   to  MRI ,” IE EE  Tr ansacti ons  on   Image  Proc essing ,   vol .   20 ,   pp .   20 07 - 20 17 ,   2011 .   [30]   Stamos Katsigi anni s ,   Eleni  Z ac h a ri a,   and  Dim it ris   Marouli s,   “ Grow - Cut  Based  Autom at ic   cDNA   Microa rra y   Im age  Segm ent at ion ,” I EEE   Tr ansacti o ns On     Nanobios ci en ce ,  vol .   14 ( 1 ) ,   2015 .   [31]   Guifa ng  Shao,   Sh unxia ng  W u,   Ti e jun  Li,   “ c DN A  Mieroa rra y  Im age   Segm ent at ion  wi th  an  I m prove d  Moving     K - m ea ns Cluste r ing  Method ,” I E EE   ICSC ,   2015 .   [32]   Mac hm ud R  Allaham di,   Ito   W asito,   “ Im prove d  Micro  arr a y   image s  Canc er   Cla ss if ic a ti onusing  k - n ea rest   nei ghbou r   using pa rt ic l e  sw arm  opti m iz a ti o n, ”   I EEE  conf er enc e ,  IW BIS ,   20 17 .   [33]   T.   B arr e tt ,   S.  E . W il hite,   P.  L ed oux,   e t  al . ,   “ NCBI  GEO:  ar ch ive   for   func t ion al   g enomics  data  sets — upda te,”   Nucl eic Ac ids Research ,   vol. 41, pp.  991 – 995 ,   20 13.   [34]   Pasca l  Ge tre u er ,   “ Chan - Vese  Seg m ent at ion , ”  IPO L J ournal  Image   Proce ss ing  On   Line ,   vo l. 2 ,   pp.   109 - 129 , 2 014 .   [35]   Moham m ed  M.  Abdelsa m ea   , Gi orgio  Gnec co,   Moham ed  Medha t  Gab er ,   “ A  SO M - base d  Chan – Vese  m odel   fo r   unsupervise d  i m age   segm ent a ti on ,”   Springer - Ve rlag  Be rlin   Heide lb erg  201 5 ,  Sof t  Compu t  ( 2017) , no.   21 ,    pp.   2047 – 2067 ,   2015 .   [36]   B y eongk eun  Ka ng,   Truong  Q  N ,   “ Ran dom   Fores t  with  Le arn ed  R epr ese nt at ions  fo r  Sem ant ic   Segm ent at ion ,” IEEE  Tr ansacti ons on Im age  Proc essing:  a  Pub licati on   of  th e  I EE E   Sign al  Proc essing  So ci e ty ,   pp .   1 - 1 ,   20 19.   [37]   Z.   W ang,   B.   Zi neddi n ,   J.  Liang,   e t  al. ,   “ A  novel   neur al  net work  appr oac h  to  cDNA m i cro arr a y   ima ge   segm ent at ion , ”   Computer  Me tho ds and  Program s in  B iomedicine ,   vol .   11 ,   pp .   189 – 198,   Jul 20 13 .   [38]   N.  Gianna k ea sa ,   et   a l . ,   “ Segm ent at ion   of  m ic ro a rra y   images  usin g  pixe l   c la ss ifi c at ion - compari son  withc lust eri ng - base d  m et hods, ”   Computers i n  Biology   and   Me d icine ,   vol .   43 ( 6 ) ,   p p.   705 – 716 ,   201 3 .   Evaluation Warning : The document was created with Spire.PDF for Python.