این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
رایانش نرم و فناوری اطلاعات، جلد ۱۳، شماره ۴، صفحات ۴۹-۶۴
عنوان فارسی بخش‌بندی بافت‌های مغزی از روی تصاویر MRI با استفاده از مدل بهبودیافته‌ی الگوریتم خوشه‌بند گستافسون-کسل
چکیده فارسی مقاله بخش‌بندی تصاویر MRI تحت تغییرات غیریکنواختی شدت و نویز یک مسئله‌ی چالش‌برانگیز است. الگوریتم فازی C-میانگین یکی از محبوب‌ترین الگوریتم‌های خوشه‌بندی بوده که نسبت به نویز حساس بوده و آهنگ همگرایی آن تحت تاثیر توزیع داده قرار دارد. این الگوریتم با به‌کارگیری فاصله‌ی اقلیدسی، تغییرات فاصله‌ی نقاط داده در خوشه‌های فشرده و مشابه را نادیده می‌گیرد. برای حل این چالش‌ها، تابع هدف جدیدی براساس اندازه‌گیری معیار تشابه از طریق فاصله‌ی ماهالانوبیس در خوشه‌بندی گستافسون-کسل ارائه می‌شود که نسبت به رویکردهای مبتنی بر فازی C-میانگین مقاوم به نویز و غیریکنواختی شدت است. همچنین، به‌منظور افزایش استحکام الگوریتم پیشنهادی به نویز و افزایش دقت بخش‌بندی بافت‌های مغزی، تئوری اطلاعات به‌کار گرفته می‌شود. الگوریتم گستافسون-کسل استاندارد معمولاً تحت تاثیر مقدار فازی‌شدگی قرار می‌گیرد. برای حل این مسئله، عبارت آنتروپی تابع عضویت به‌کار گرفته می‌شود. در الگوریتم پیشنهادی، جهت حل چالش‌های مربوط به نویز و حفظ بهتر جزئیات تصویر، رویکرد بازسازی مورفولوژیکی به‌عنوان یک مرحله‌ی پیش‌پردازش به‌کار گرفته می‌شود. نتایج نشان داد که روش پیشنهادی در مقایسه با روش‌های بخش‌بندی فازی قبلی یک الگوریتم دقیق برای بخش‌بندی بافت‌های چندگانه‌ی مغزی در سطوح مختلف نویز و غیریکنواختی شدت است.
کلیدواژه‌های فارسی مقاله بخش‌بندی ام‌آرآی مغز،تئوری اطلاعات،خوشه‌بندی گستافسون-کسل،ماده‌ی خاکستری،ماده‌ی سفید،مایع مغزی نخاعی،
عنوان انگلیسی Segmentation of Brain Tissues in MRI Images Using Improved Gustafson-Kessel Clustering Algorithm
چکیده انگلیسی مقاله Magnetic Resonance Imaging (MRI) often suffers from noise and intensity non-uniformity (INU), making image segmentation a challenging task. The fuzzy c-means (FCM) algorithm is a popular clustering-based method for image segmentation, but it is sensitive to noise, and its convergence rate is influenced by data distribution. Traditional FCM approaches use the Euclidean distance, which does not account for the variation in data point distances within similar and compact clusters. To address these limitations, a new cost function is proposed for the Gustafson-Kessel (GK) clustering algorithm that utilizes the Mahalanobis distance for similarity measurement. This approach enhances robustness to noise and INU conditions compared to other FCM-based methods. Additionally, information theory is incorporated to further improve noise robustness and segmentation accuracy. Conventional GK clustering is typically affected by the choice of fuzziness value; hence, a membership function entropy is introduced to mitigate this issue. In the proposed algorithm, morphological reconstruction is used as a pre-processing step to reduce noise while preserving object contours. Experimental results on various MRI datasets demonstrate that the proposed algorithm performs well in segmenting multiple tissues under different noise and INU conditions.
کلیدواژه‌های انگلیسی مقاله بخش‌بندی ام‌آرآی مغز,تئوری اطلاعات,خوشه‌بندی گستافسون-کسل,ماده‌ی خاکستری,ماده‌ی سفید,مایع مغزی نخاعی
نویسندگان مقاله علی فهمی جعفرقلخانلو |
گروه علوم مهندسی، دانشکده فناوری‌های نوین، دانشگاه محقق اردبیلی، نمین، ایران.

موسی شمسی |
گروه بیوالکتریک، دانشکده مهندسی پزشکی، دانشگاه صنعتی سهند، تبریز، ایران.

مهدی بشیری باویل |
گروه بیوالکتریک، دانشکده مهندسی پزشکی، دانشگاه صنعتی سهند، تبریز، ایران.

نشانی اینترنتی https://jscit.nit.ac.ir/article_217009_bad75f18c4fbac5cce9f54ac13c1dd5d.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات