بخش‌بندی بافت‌های مغزی از روی تصاویر mri با استفاده از مدل بهبودیافته‌ی الگوریتم خوشه‌بند گستافسون-کسل

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.

segmentation of brain tissues in mri images using improved gustafson-kessel clustering algorithm

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.