بخش‌بندی بطن‌های مغزی با استفاده از خوشه‌بند فازی بهینه‌سازی شده با الگوریتم نوین شاهین هریس‌­

سیستم بطنی مغز تغییرات ناشی از رشد، پیری و آسیب‌ها را ارزیابی می‌کند. تشخیص سریع تغییرات ریخت‌شناسی بطن‌ها می‌تواند وضعیت بالینی بیمار را مشخص کند. بخش‌بندی تصویر یکی از مهم‌ترین مراحل پیش‌پردازش جهت اندازه‌گیری شاخص‌های خطی بطن‌های مغزی است. در این مطالعه الگوریتم خوشه‌بند فازی (fcm) بهینه‌سازی شده با استفاده از الگوریتم شاهین هریس (hho) ارائه می‌شود. ابتدا نیازمند تخمین اولیه ناحیه مورد نظر هستیم که این کار با استفاده از ویژگی‌های کانال تجمیعی (acf) انجام می‌شود. معیارهای بخش‌بندی نشان می­دهند که الگوریتم پیشنهادی نسبت به بهینه‌ساز ازدحام ذرات (pso) و مدل کانتور فعال مبتنی بر تنظیم سطح فاصله (drlse) عملکرد بهتری دارد. میانگین معیارهای دقت، حساسیت، ویژگی، دایس و جاکارد برای الگوریتم پیشنهادی به­ترتیب 90%، 82%، 99%، 86% و 75% به‌دست آمد.

segmentation of cerebral ventricles using fuzzy clustering optimized by harris hawk algorithm

the cerebral ventricular system evaluates the changes caused by growth, aging and injuries. quick detection of morphological ventricle changes can determine the clinical condition of patient. image segmentation is one of the most important preprocessing steps to measure the linear indices of cerebral ventricles. in this study, the fuzzy c-means (fcm) clustering algorithm optimized using harris hawk optimization (hho) is presented. first, we need an initial estimate of the desired region, which is done using the aggregate channel features (acf). experimental results show that the proposed algorithm performs better than the particle swarm optimization (pso) and the active contour model based on distance regularized level set evolution (drlse). the average of precision, sensitivity, specificity, dice and jaccard indexes for the proposed algorithm were 90%, 82%, 99%, 86% and 75%, respectively.