بخش بندی بافت های مغزی با استفاده از الگوریتم خوشه بندی گستافسون-کسل مبتنی بر اطلاعات مکانی شرطی

بخش بندی بافت های مغزی گامی ضروری برای ارزیابی تغییرات مورفولوژیکی نواحی مختلف مغز جهت شناسایی انواع بیماری ها بوده که به عوامل متعددی مانند نویز و غیریکنواختی شدت روشنایی وابسته است. الگوریتم خوشه بندی فازی (FCM) یکی از محبوب ترین روش ها در فرآیند بخش بندی تصویر بوده که به نویز حساس بوده و سرعت همگرایی آن تحت تاثیر توزیع داده قرار می گیرد. همچنین، فرآیند خوشه بندی در رویکردهای مبتنی بر FCM با استفاده از فاصله اقلیدسی و در نظر گرفتن توزیع داده ها در فضای کروی انجام می شود. این معیار، تغییرات فاصله بین نقاط داده در خوشه های مشابه و فشرده را در نظر نمی گیرد. علاوه بر این، وجود غیریکنواختی شدت روشنایی در سطوح مختلف، عمل کرد فرآیند خوشه بندی را تحت تاثیر قرار می دهد. برای حل مسائل ذکر شده، در این مطالعه الگوریتم خوشه بندی گستافسون-کسل مبتنی بر اطلاعات مکانی شرطی (CSGK) ارائه می شود که با فرض توزیع داده در فضای بیضوی عمل کرد مناسبی در بخش بندی خوشه های فشرده نظیر مایع مغزی-نخاعی (CSF) دارد. جهت بهبود استحکام الگوریتم گستافسون-کسل استاندارد به نویز، از رویکرد ترکیبی اطلاعات محلی و سراسری در تابع عضویت استفاده شده است. همچنین، برای کاهش حساسیت داده های ورودی به غیریکنواختی شدت روشنایی، از فیلتر وینر به همراه تبدیل موجک (WFWT) در مرحله پیش پردازش تصاویر بهره گرفته شده است. نتایج نشان داد که الگوریتم CSGK روشی دقیق برای بخش بندی بافت های مغزی در سطوح مختلف نویز و غیریکنواختی شدت روشنایی است.

کلیدواژه ها:

الگوریتم خوشه بند فازی ، الگوریتم خوشه بندی گستافسون-کسل ، اطلاعات مکانی شرطی ، بخش بندی بافت های مغزی ، تصاویر MRI ، فیلتر وینر