قطعه‌بندي تصاوير پزشكي با يادگيري بدون نظارت بر اساس محاسبات مركز جرم محلي

Unsupervised Medical Image Segmentation Based on the Local Center of Mass Computation

در قطعه‌بندي تصاوير پزشكي هر بافت يا هر قسمت از تصوير در يك محدوده مرزبندي‌شده قرار مي‌گيرد و هدف از انجام آن، تشخيص بهتر هر قسمت از بافت‌هاي تصوير است. در اين مقاله، يك روش براي قطعه‌بندي تصاوير پزشكي بررسي مي‌شود كه بر مبناي يادگيري بدون نظارت بوده و نيازي به آموزش‌هاي اوليه يا مجموعه داده آموزشي ندارد. روش قطعه‌بندي در اين مقاله، برمبناي محاسبات مركز جرم محلي است. در اين روش يك پيكسل به عنوان مركز جرم در نظر گرفته مي‌شود و با پيكسل‌هايي كه ويژگي مشابه با آن دارند در يك ناحيه قرار مي‌گيرند. اين محاسبات ابتدا در فضاي يك بعدي انجام مي‌شود و با استفاده از الگوريتم تكرارشونده و جهت‌هاي محاسبه، تصويرهاي دوبعدي و سه بعدي نيز قطعه‌بندي مي‌شوند. تصاوير پزشكي مورد استفاده، تصوير اشعه ايكس دوبعدي دست و تصوير تشديد مغناطيسي سه‌بعدي شكم هستند. براي بررسي عملكرد روش محاسبات مركز جرم محلي از سه روش ديگر كه با يادگيري بدون نظارت هستند براي مقايسه استفاده مي‌شود: آب‌پخشان، ميدان تصادفي پنهان ماركوف مبتني بر مدل مخلوط گاوسي و خوشه‌بندي تكراري خطي ساده. نتايج نشان مي‌دهند روش مركز جرم محلي در مقايسه با ديگر روش‌هاي قطعه‌بندي، عملكرد بهتري دارد.

In the segmentation of medical images, every tissue or every part of the image is placed in a bounded area, and the purpose of doing it, is to better recognize every part of the tissues of the image. In this paper, a method for medical image segmentation is investigated, which is based on unsupervised learning and does not require initial training or training dataset. The segmentation method in this paper is based on local center of mass calculations. In this method, a pixel is considered as the center of mass and is placed in the same area with pixels that have the similar features. These calculations are first performed in one-dimensional space, and using the iterative algorithm and calculation directions, two-dimensional and three-dimensional images are also segmented. To check the performance of the local center of mass calculation method, three other methods with unsupervised learning are used for comparison: The watershed algorithm, the Gaussian mixture model (GMM)-based hidden Markov random field (HMRF) model and simple linear iterative clustering (SLIC). The results show that the local center of .mass method performs better compared to other segmentation methods