یک الگوریتم جدید هوش مصنوعی با کاربردی در قطعه بندی تصویر پزشکی

قطعه بندی تصویر نقشی حیاتی در بسیاری ار کاربردهای تصویربرداری پزشکی دارد. در این مقاله، الگوریتمی جدبد برای قطعه بندی فازی داده ی تصویربرداری با تشدید مغناطیسی (MRI) مطرح می کنیم. این الگوریتم با تغییر دادن تابع هدف در الگوریتم میانگین C فازی مرسوم شناخته می شود. لازم به ذکر است که این تغییر با استفاده از مقیاس فاصله ی ناشی از هسته و جریمه ی فضایی در توابع عضویت انجام داده شده است. اولا، فاصله ی اقلیدسی اصلی در FCM با یک فاصله ی ناشی از هسته جایگزین می شود و از این رو الگوریتم های متناظر استنتاج می شوند و الگوریتم میانگین C فازی متمرک شده (KFCM) نامیده می شوند. نشان داده شده است که KFCM مقاوم تر از FCM است. در ادامه یک جریمه ی فضایی به تابع هدف در KFCM اضافه می شود. این کار به منظور جبران سازی برای ناهمگنی های شدت تصویر MR و ایجاد امکان برچسب زنی به یک پیکسل که تحت تاثیر همسایه هایش قرار گرفته، می باشد. عبارت جریمه به عنوان یک تنظیم کننده عمل می کند و دارای ضریبی در محدوده ی صفر تا یک می باشد نتایج تجربی روی هر دو تصویر MR واقعی و مصنوعی نشان دادند که الگوریتم های مطرح شده، در زمانی که نویز و دیگر مصنوعات وجود داشته باشند، در مقایسه با الگوریتم های استاندارد عملکرد بهتری دارند.

کلیدواژه ها:

قطعه بندی تصویر ، میانگین های C فازی ، روش هسته ، فاصله ی ناشی از هسته ، تصویر برداری با تشدید مغناطیسی