ارزيابي بخش‌بندي توأم با تصحيح ميدان باياس تصاوير MR مغز انسان توسط روش‌هاي تنظيم سطح و مؤلفه‌هاي ذاتي ضرب‌ شونده

Evaluation of Segmentation and Bias Field Correction in MR Brain Images Using Level Set and Multiplicative Intrinsic Component Optimization Methods

بخش‌بندي تصاوير MR مغز يك مساله مهم در محاسبات پردازش تصاوير پزشكي است. در اين تصاوير، بخش‌بندي به‌وسيله يك عامل دروني به‌نام ناهمگني شدت دچار خطا مي‌گردد كه اين ناهمگني به‌دليل وجود هم‌پوشاني در بين شدت بافت‌هاي مغزي است و اغلب باعث كلاس‌بندي نادرست بافت‌هاي مغزي مي‌گردد. در اين مقاله دو روش پيشنهادي جهت بخش‌بندي و اصلاح باياس اين تصاوير مطرح مي‌شود كه از طريق دو الگوريتم تنظيم سطح (LSM) و بهينه‌سازي مؤلفه‌هاي ذاتي ضرب‌شونده (MICO) پياده‌سازي مي‌گردند. روش‌هاي مطرح‌شده در اين مقاله عبارت‌اند از: اصلاح باياس تصاوير MR مغز انسان توسط يكي از دو الگوريتم فوق و بخش‌بندي آن توسط الگوريتم ديگر و بالعكس. هدف، بررسي كارايي روال تصحيح باياس و بخش‌بندي هر الگوريتم به‌صورت جدا و ارزيابي كمي و كيفي نتايج حاصله و انتخاب الگوريتم مناسب جهت به‌دست آوردن نواحي سه‌گانه بافت‌هاي مغزي (WM ،GM و CSF) است. تحليل‌هاي كمي و كيفي بر روي نتايج، دقت بالاي 90 درصدي را براي ناحيه حاوي CSF با استفاده از الگوريتم MICO و همچنين به همين ميزان براي نواحي WM و GM توسط الگوريتم LSM را نشان داد. با استفاده از اين نتايج مي‌توان الگوريتم بهينه جهت اصلاح باياس و بخش‌بندي هر ناحيه را انتخاب كرد.

Segmentation of brain MR images is a major issue in medical image processing computations. In these images, segmentation is failed by the existence of internal artifact which is called intensity inhomogeneity due to the existence of overlap effect among brain tissue intensities which often causes false classification of brain tissues. In this paper, two suggested methods for segmentation and bias field correction arises, which these images are implemented through the level set (LSM) and multiplicative intrinsic component (MICO) algorithms. Methods outlined in this article include: bias field correction of the human brain MR images by one of these algorithms and segmentation by other algorithm and vice versa. Quantitative and qualitative analysis on the final results showed, accuracy above 90% for the area containing the CSF using the MICO algorithm as well as the areas WM and GM by LSM algorithm. These results can be used to select efficient algorithm to correct the bias field and segmenting each area, separately.