بخش بندی بافت های مغزی از روی تصاویر MRI با استفاده از مدل بهبودیافته ی الگوریتم خوشه بند گستافسون-کسل

بخش بندی تصاویر MRI تحت تغییرات غیریکنواختی شدت و نویز یک مسئله ی چالش برانگیز است. الگوریتم فازی C-میانگین یکی از محبوب ترین الگوریتم های خوشه بندی بوده که نسبت به نویز حساس بوده و آهنگ همگرایی آن تحت تاثیر توزیع داده قرار دارد. این الگوریتم با به کارگیری فاصله ی اقلیدسی، تغییرات فاصله ی نقاط داده در خوشه های فشرده و مشابه را نادیده می گیرد. برای حل این چالش ها، تابع هدف جدیدی براساس اندازه گیری معیار تشابه از طریق فاصله ی ماهالانوبیس در خوشه بندی گستافسون-کسل ارائه می شود که نسبت به رویکردهای مبتنی بر فازی C-میانگین مقاوم به نویز و غیریکنواختی شدت است. همچنین، به منظور افزایش استحکام الگوریتم پیشنهادی به نویز و افزایش دقت بخش بندی بافت های مغزی، تئوری اطلاعات به کار گرفته می شود. الگوریتم گستافسون-کسل استاندارد معمولا تحت تاثیر مقدار فازی شدگی قرار می گیرد. برای حل این مسئله، عبارت آنتروپی تابع عضویت به کار گرفته می شود. در الگوریتم پیشنهادی، جهت حل چالش های مربوط به نویز و حفظ بهتر جزئیات تصویر، رویکرد بازسازی مورفولوژیکی به عنوان یک مرحله ی پیش پردازش به کار گرفته می شود. نتایج نشان داد که روش پیشنهادی در مقایسه با روش های بخش بندی فازی قبلی یک الگوریتم دقیق برای بخش بندی بافت های چندگانه ی مغزی در سطوح مختلف نویز و غیریکنواختی شدت است.

کلیدواژه ها:

بخش بندی ام آرآی مغز ، تئوری اطلاعات ، خوشه بندی گستافسون-کسل ، ماده ی خاکستری ، ماده ی سفید ، مایع مغزی نخاعی