قطعه‌بندی تصاویر پزشکی با یادگیری بدون نظارت بر اساس محاسبات مرکز جرم محلی

در قطعه‌بندی تصاویر پزشکی هر بافت یا هر قسمت از تصویر در یک محدوده مرزبندی‌شده قرار می‌گیرد و هدف از انجام آن، تشخیص بهتر هر قسمت از بافت‌های تصویر است. در این مقاله، یک روش برای قطعه‌بندی تصاویر پزشکی بررسی می‌شود که بر مبنای یادگیری بدون نظارت بوده و نیازی به آموزش‌های اولیه یا مجموعه داده آموزشی ندارد. روش قطعه‌بندی در این مقاله، برمبنای محاسبات مرکز جرم محلی است. در این روش یک پیکسل به عنوان مرکز جرم در نظر گرفته می‌شود و با پیکسل‌هایی که ویژگی مشابه با آن دارند در یک ناحیه قرار می‌گیرند. این محاسبات ابتدا در فضای یک بعدی انجام می‌شود و با استفاده از الگوریتم تکرارشونده و جهت‌های محاسبه، تصویرهای دوبعدی و سه بعدی نیز قطعه‌بندی می‌شوند. تصاویر پزشکی مورد استفاده، تصویر اشعه ایکس دوبعدی دست و تصویر تشدید مغناطیسی سه‌بعدی شکم هستند. برای بررسی عملکرد روش محاسبات مرکز جرم محلی از سه روش دیگر که با یادگیری بدون نظارت هستند برای مقایسه استفاده می‌شود: آب‌پخشان، میدان تصادفی پنهان مارکوف مبتنی بر مدل مخلوط گاوسی و خوشه‌بندی تکراری خطی ساده. نتایج نشان می‌دهند روش مرکز جرم محلی در مقایسه با دیگر روش‌های قطعه‌بندی، عملکرد بهتری دارد.

unsupervised medical image segmentation based on the local center of mass computation

in the segmentation of medical images, every tissue or every part of the image is placed in a bounded area, and the purpose of doing it, is to better recognize every part of the tissues of the image. in this paper, a method for medical image segmentation is investigated, which is based on unsupervised learning and does not require initial training or training dataset. the segmentation method in this paper is based on local center of mass calculations. in this method, a pixel is considered as the center of mass and is placed in the same area with pixels that have the similar features. these calculations are first performed in one-dimensional space, and using the iterative algorithm and calculation directions, two-dimensional and three-dimensional images are also segmented. to check the performance of the local center of mass calculation method, three other methods with unsupervised learning are used for comparison: the watershed algorithm, the gaussian mixture model (gmm)-based hidden markov random field (hmrf) model and simple linear iterative clustering (slic). the results show that the local center of .mass method performs better compared to other segmentation methods