ناحيه بندي تصاوير MR مغز با استفاده از FCM بهبود يافته مكاني به كمك تابع گوسي : gsFCM

Magnetic Resonsnce image segmentation by modified spatial FCMbased on Gaussian function

بخش بندي تصوير را به بخش‌هاي مجزا تقسيم مي كند كه هر كدام از اين بخش‌ها داراي سطوح روشنايي يكنواختي هستند. از بين روش هاي موجود روش خوشه‌بندي فازي FCM (fuzzy c-means clustering) داراي كاربرد وسيعي در ناحيه بندي تصاوير پزشكي است. عدم ادغام ويژگي هاي مكاني در FCM استاندارد، از معايب اين روش در ناحيه بندي تصاوير تشديد مغناطيسي MRI (Magnetic Resonance Imaging) مغز انسان است؛ در اين مقاله از روشي جديد براي بخش بندي و حذف نويز تصاوير MR با اعمال فيلتر مكاني گوسي در تابع عضويت فازي استفاده شده است. فيلتر مكاني مذكور، آثار نويز در مرز بافت ها و زواياي تصوير را بصورت بهينه‌ اي مديريت مي كند؛ علاوه براين پيكسلي كه به لحاظ آناتوميكي يك بافت مجزا است مانند تومور در مراحل اوليه رشد، شانس بيشتري براي يك خوشه شدن دارد. در پايان آزمايش‌ها كه بر روي پايگاه داده ISBR انجام شده است كيفيت روش پيشنهادي توسط توابع اعتبارسنجي متداول مانند شاخص جاكارد و ضريب دايس مورد ارزيابي قرار گرفته است. از طرف ديگر در كاربردهاي پزشكي به خصوص در شرايط اورژانسي، ضرورت سرعت عمل تمام عوامل پزشكي امري اجتناب ناپذير است و الگوريتم ناحيه بندي از اين قاعده مستثتي نيست، لذا براي دستيابي به اين مهم توسط الگوريتمي مركز ثقل اوليه خوشه ها، مشخص مي شود كه زمان هم‌گرايي تابع هزينه در FCM بهبود يافته مكاني گوسي، نسبت به FCM استاندارد تا حد قابل قبولي كاهش مي يابد.

Segmentation divides an image to some subdivisions where which of ones has similar intensity gray levels. Among clustering methods fuzzy c-means (FCM) clustering has been frequently used for segmentation of medical images. However, this algorithm doesn’t incorporate spatial neighborhood information in segmentation. This approach is very susceptible to nuisance factors. Therefore this paper proposes a Gaussian spatial FCM (gsFCM) to MR image segmentation. Proposed method has less sensitivity to noise specially in tissue boundaries, angles, and borders than spatial FCM (sFCM). Furthermore by the suggested algorithm a pixel which is a separate tissue from structurally point of view for example a tumor in primary stages of its appearance, has more chance to be a unique cluster. Applying quantitative assessments using Jaccard similarity index, Dice coefficient, and other validation functions on FCM,sFCM and gsFCM approaches show efficient performance of the proposed method. In this research the ISBR data bank is used for simmulations.Moreover in medical applications getting patient condition and information with fast methods is very important especially in emergency circumstances. Therefore all effective agents in patient health must be fast even medical algorithms such as clustering ones . Hence in this paper to decrease the time of convergence considerably and decline the number of iterations significantly, cluster centroids are initialized by an algorithm.