این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
ماشین بینایی و پردازش تصویر، جلد ۱۲، شماره ۲، صفحات ۱-۱۳
عنوان فارسی ارائه‌ی الگوریتم جدید مبتنی بر خوشه‌بند فازی جهت بخش‌بندی بافت‌های مغزی توام با تصحیح بایاس از روی تصاویر MRI
چکیده فارسی مقاله بخش‌بندی تصاویر MR گامی ضروری در برنامه‌ریزی جراحی و درمان است. غیریکنواختی شدت، شناخته شده تحت عنوان بایاس، یک آرتیفکت رایج در تصاویر MR بوده که باعث ایجاد چالش‌های در فرآیند بخش‌بندی بافت‌های مغزی می‌شود. این آرتیفکت به‌دلیل عواملی نظیر غیریکنواختی میدان مغناطیسی، حساسیت کویل فرکانس رادیویی و آرتیفکت‌های اسکنر رخ داده که باعث ایجاد غیریکنواختی شدت داخل نواحی بافت همگن تصاویر مغزی می‌شود. جهت حل چالش مطرح شده، رویکرد جدید خوشه‌بند فازی مبتنی بر الگوریتم گستافسون-کسل ارائه می‌شود 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 مولفه‌ای تحت عنوان بایاس به تابع هزینه الگوریتم گستافسون-کسل اضافه می‌شود. در گام بعدی، جهت مقاوم بودن الگوریتم پیشنهادی به نویز، اطلاعات متقابل بین توزیع داده هر خوشه و داده‌ی خارج از خوشه بیشینه می‌شود. سرانجام، با به‌روزرسانی ماتریس کواریانس، ماتریس عضویت، ضریب yi جهت حذف نمونه‌های نویزی، مولفه بایاس و مراکز خوشه فرآیند بخش‌بندی بافت‌های مغزی انجام می‌شود. نتایج آزمایش نشان می‌دهد که الگوریتم پیشنهادی در مقایسه با سایر روش‌های بخش‌بندی تصاویر MR تحت تغییرات غیریکنواختی شدت و الگوریتم‌های مبتنی بر فازی C-میانگین عملکرد بهتری در بخش‌بندی بافت‌های مختلف مغزی دارد.
کلیدواژه‌های فارسی مقاله اصلاح بایاس،بخش‌بندی بافت‌های مغزی،تصویربرداری تشدید مغناطیسی،تئوری اطلاعات،خوشه‌بند گستافسون-کسل،غیریکنواختی شدت،
عنوان انگلیسی A Novel Fuzzy-based Clustering Algorithm for Segmentation of Brain Tissues with Bias Correction based on MRI images
چکیده انگلیسی مقاله Magnetic Resonance (MR) image segmentation is a crucial step in surgical planning and treatment strategies. However, the presence of intensity non-uniformity—commonly referred to as bias—poses significant challenges in accurately segmenting brain tissues. This artifact arises from factors such as magnetic field inhomogeneities, radiofrequency coil sensitivity variations, and scanner-induced distortions, leading to inconsistent intensities within homogeneous tissue regions. To address these challenges, a novel fuzzy clustering method based on the Gustafson-Kessel algorithm, is propose which demonstrates robustness to both noise and intensity non-uniformity. Unlike traditional fuzzy C-means-based approaches, the proposed method integrates bias field estimation directly into the cost function. Furthermore, to enhance noise resilience, the mutual information between the distribution of data within each cluster and data outside the cluster is maximized. The segmentation process iteratively updates the covariance matrix, membership matrix, a noise-suppressing yi coefficient, bias field, and cluster centers. Experimental results demonstrate that the proposed algorithm significantly outperforms existing methods, particularly under conditions of intensity non-uniformity, yielding more accurate and reliable brain tissue segmentation.
کلیدواژه‌های انگلیسی مقاله اصلاح بایاس,بخش‌بندی بافت‌های مغزی,تصویربرداری تشدید مغناطیسی,تئوری اطلاعات,خوشه‌بند گستافسون-کسل,غیریکنواختی شدت
نویسندگان مقاله علی فهمی جعفرقلخانلو |
استادیار، گروه علوم مهندسی، دانشکده فناوری‌های نوین، دانشگاه محقق اردبیلی، نمین، ایران

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

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

نشانی اینترنتی https://jmvip.sinaweb.net/article_229851_8b4f6f1370907c12ec2f7f98dc9f2e80.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