چکیده
قطعه بندی تصویر نقشی حیاتی در بسیاری ار کاربردهای تصویربرداری پزشکی دارد. در این مقاله، الگوریتمی جدبد برای قطعه بندی فازیِ 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 شدتِ 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.
1. دیباچه
با افزایش اندازه و تعدادِ تصاویر پزشکی، استفاده از کامپیوترها در ساده سازی پردازش و تحلیل آنها ضروری شده است. به طور خاص، به عنوان کارِ مشخص کردنِ ساختارهای کالبد شناختی و دیگر مناطق مطلوب، الگوریتم های قطعه بندی تصویر نقشی حیاتی در کاربردهای متعدد تصویربرداری پزشکی مانند تسویر حجم های بافت، تشخیص بیماری، مطالعه ی ساختار کالبد شناختی و جراحی ادغام شده با کامپیوتر دارند. به طور کلاسیک، قطعه بندی تصویر به عنوان بخش بندی کردن یک تصویر به مناطقی غیر مشترک و اصلی که متناسب با برخی ویژگی هایی مانند شدت و بافت هستند، تعریف می شود.
اکثر تحقیقات در قطعه بندی تصویر پزشکی، به خاطر مزایای تصویربرداری با تشدید مغناطیسی (MRI) نسبت به دیگر تصویربرداری تشخیصی، به استفاده ی آن برای تصاویر MR مربوط هستند و روش های زیادی برای قطعه بندی تصویر MR در دسترس وجود دارد. در میان آنها، روش های قطعه بندی فازی، مزایای قابل توجهی هستند چون می توانند به نسبتِ روش های قطعه بندی سخت اطلاعات بسیار بیشتری حفظ می کنند. به طور خاص، الگوریتم میانگین های C فازی (FCM)، به خوشه های فازی بدون برچسب، پیکسل تخصیص می دهد. بر خلاف روش های خوشه بندی سخت که پیکسل ها را مجبور می کند تا به طور منحصر به فرد تنها به یک کلاس تعلق داشته باشند، FCM امکان تعلق گیری پیکسل به خوشه های متعدد با تغییرات سطح عضویت را فراهم می کند. به خاطر انعطاف پذیری اضافی، FCM اخیرا به گستردگی درکاربردهای قطعه بندی تصویر MR استفاده شده است. اثبات شده، الگوریتم FCM سنتی که بر مبنای تشدید می باشد حتی در زمان هایی که روش های پیچیده ای مانند غیر پارامتری و روش های چند کاناله استفاده شده باشند، مشکل ساز است (به خاطر ناهمگنی شدت فضایی القا شده بوسیله ی سیم پیچ فرکانس رادیویی در تصویر MR). برای مدیریت کردنِ مسائل ناهمگنی، الگوریتم های متعددی بوسیله ی اضافه کردن گام های تصحیح پیش از قطعه بندی تصویر یا بوسیله ی مدل سازی تصویر به عنوان محصولی از تصویر اصلی و یک حوزه ی افزاینده با تغییر نرم، مطرح شده اند. اخیرا، محققین زیادی اطلاعات فضایی را در الگوریتم FCM اصلی تلفیق کرده اند تا تصاویر را بهتر قطعه بندی نمایند. تولیاس و پاناس (Tolias and panas) سیستمی بر مبنای اصول فازی مطرح کردند. این کار در جهت پیاده سازی پیوستگی فضایی روی FCM بوده است. آنها در مقاله ای دیگر از یک ثابت مثبت در جهت تغییر عضویت پیکسل مرکزی در یک پنجره ی 3*3 استفاده کردند. فام (Pham) و همکارانش تابع هدف در الگوریتم FCM تغییر دادند تا حوزه ای ضرب کننده (حاوی اطلاعات مرتبه ی اول و دومِ تصویر) را در نظر بگیرند. به همین ترتیب، احمد (Ahmed) و همکارانش الگوریتمی برای جبران سازیِ ناهمگنی تشدید و برچسب زنی یک پیکسل با در نظر گرفتن همسایه ی فوری آن مطرح کردند. رویکردی نسبتا جدید توسط فام مطرح شد که برای جریمه کردن تابع هدف در جهت محدود کردن رفتار توابع عضویت، مشابه به روش های استفاده شده در تنظیمات و تئوری حوزه ی تصادفی مارکوف (MRF) بود.
این مقاله در نشریه الزویر منتشر شده و ترجمه آن با عنوان قطعه بندی تصویر پزشکی در سایت ای ترجمه به صورت رایگان قابل دانلود می باشد. جهت دانلود رایگان مقاله فارسی و انگلیسی روی عنوان فارسی (آبی رنگ) کلیک نمایید.
منبع:
A novel kernelized fuzzy C-means algorithm with application in medical image segmentation
