بهینه سازی الگوریتم BCFCM با GA و PSO برای قطعه بندی ام آر آی مغز

قطعه بندی تصاویر پزشکی یکی از پیش پردازش های اولیه لازم در طراحی سیستم های خودکار تشخیص بیماری ها به شمار می رود.تصاویر MRI مغز بدلیل وجود عوامل مخرب مصنوعی در فرایند تصویربرداری از جمله نویز و غیریکنواختی شدت روشنایی، با عدم قطعیت همراه بوده و به همین علت، قطعه بندی این تصاویر همواره از جمله مسایل چالشی به شمار می رود. با توجه به عدم قطعیت مذکور، پژوهشگران روش های فازی را در قطعه بندی MRI مغز بسیار بکار گرفته اند. یکی از روش های قطعه بندی فازی روش BCFCM می باشد که در آن از اطلاعات پیکسل های همسایه نیز برای قطعه بندی استفاده می شود. این روش پارامترهای مختلفی دارد که انتخاب نامناسب آنها به شدت از عملکرد آن می کاهد. در این مقاله  یک روش، تحت دو  ساختار ارائه شده است که در آن با استفاده از الگوریتم های تکاملی GA,PSO، پارامتر های الگوریتم BCFCM بهینه شده اند. نتایج شبیه سازی بر روی داده های استاندارد BrainWeb و با استفاده از معیار شباهت Dice و Tanimoto، عملکرد مناسب روش پیشنهادی را نشان می دهد.