Jamal Ghasemi - Faculty of Engineering & Technology, University of Mazandaran
Mohammad Reza Karami Mollaei - Department of Electrical and Computer, Babol University of Technology, Babol, Iran
Reza Ghaderi - Shahid Beheshti University, Tehran, Iran
Ali Hojjatoleslami - School of Computing, University of Kent, Canterbury, UK

Due to artifacts, brain magnetic resonance image (MRI) segmentation is a complicated concern. This research work presents an image segmentation approach for brain magnetic resonance (MR) images. The proposed method is based on multi dimensional fuzzy C-mean. In this technique, different features of neighbouring pixels such as mean, standard deviation and singular value are extracted and then a multi dimensional feature vector is created in feature selection stage in which the best combination of extracted features is used. The created feature vector is used as an input to the multi dimensional FCM. The results have been evaluated with manual segmentation on two publicly available datasets متعدد الابعاد غامض C یعنی وتضع فی اعتبارها المعلومات المکانیه لالدماغ بالرنین المغناطیسی التقسیم الی شرائحبسبب القطع الاثریه والدماغ المغناطیسیه صوره الرنین (MRI) تجزئه هو مصدر قلق تعقیدا. یعرض هذا العمل البحثی نهج تجزئه صوره لدماغ بالرنین المغناطیسی (MR) الصور. وتستند هذه الطریقه المقترحه علی التعددیه الابعاد غامض C-المتوسط. فی هذه التقنیه، یتم استخراج میزات مختلفه من وحدات البکسل المجاوره مثل المتوسط والانحراف المعیاری وقیمه فریده ثم یتم انشاء ناقلات میزه الابعاد المتعدده فی مرحله اختیار میزه التی یتم استخدام افضل مزیج من المیزات المستخرج. یتم استخدام ناقلات میزه خلق کمدخل الی FCM متعدده الابعاد. وقد تم تقییم النتائج مع تجزئه یدویه علی اثنین من مجموعات البیانات المتاحه للجمهور多维模糊C均值考虑脑MRI分割空间信息贾马尔抽象由于文物，大脑磁共振成像（MRI）分割是一个复杂的问题。这项研究工作提出了大脑磁共振（MR）图像的图像分割方法。该方法是基于多维模糊C-均值。在该技术中，相邻像素如平均值，标准偏差和奇异值的不同特征提取，然后一个多维特征向量在特征选择阶段创建在其中使用的提取的特征的最佳组合。所创建的特征矢量被用作输入到多维FCM。结果已经与手动分段评估在两个公开获得的数据集

Brain MRI, en, Segmentation, Fuzzy c-mean