ارائه ی الگوریتم جدید مبتنی بر خوشه بند فازی جهت بخش بندی بافت های مغزی توام با تصحیح بایاس از روی تصاویر MRI

بخش بندی تصاویر MR گامی ضروری در برنامه ریزی جراحی و درمان است. غیریکنواختی شدت، شناخته شده تحت عنوان بایاس، یک آرتیفکت رایج در تصاویر MR بوده که باعث ایجاد چالش های در فرآیند بخش بندی بافت های مغزی می شود. این آرتیفکت به دلیل عواملی نظیر غیریکنواختی میدان مغناطیسی، حساسیت کویل فرکانس رادیویی و آرتیفکت های اسکنر رخ داده که باعث ایجاد غیریکنواختی شدت داخل نواحی بافت همگن تصاویر مغزی می شود. جهت حل چالش مطرح شده، رویکرد جدید خوشه بند فازی مبتنی بر الگوریتم گستافسون-کسل ارائه می شود که با تخمین بایاس و کمینه کردن اثر نویز براساس تئوری اطلاعات نسبت به رویکردهای مبتنی بر الگوریتم فازی C-میانگین مقاوم به نویز و غیریکنواختی شدت است. در ابتدا مولفه ای تحت عنوان بایاس به تابع هزینه الگوریتم گستافسون-کسل اضافه می شود. در گام بعدی، جهت مقاوم بودن الگوریتم پیشنهادی به نویز، اطلاعات متقابل بین توزیع داده هر خوشه و داده ی خارج از خوشه بیشینه می شود. سرانجام، با به روزرسانی ماتریس کواریانس، ماتریس عضویت، ضریب yi جهت حذف نمونه های نویزی، مولفه بایاس و مراکز خوشه فرآیند بخش بندی بافت های مغزی انجام می شود. نتایج آزمایش نشان می دهد که الگوریتم پیشنهادی در مقایسه با سایر روش های بخش بندی تصاویر MR تحت تغییرات غیریکنواختی شدت و الگوریتم های مبتنی بر فازی C-میانگین عملکرد بهتری در بخش بندی بافت های مختلف مغزی دارد.

کلیدواژه ها:

اصلاح بایاس ، بخش بندی بافت های مغزی ، تصویربرداری تشدید مغناطیسی ، تئوری اطلاعات ، خوشه بند گستافسون-کسل ، غیریکنواختی شدت