سگمنت سازی تصاویر پزشکی در دامنه ی جدید با استفاده از اپراتور دل

سابقه و هدف: سگمنت سازی تصاویر پزشکی امروزه نقش مهم و معنی داری در تشخیص پزشکی دارد. استخراج دقیق اطلاعات کلینیکی از تصاویر پزشکی یکی از مشکلات کلیدی در حوزه‌ی سیستم تشخیصی پزشکی به کمک کامپیوتر می‌باشد. بسیاری از تکنولوژی های پزشکی همچون جراحی به کمک تصویر، درمان پرتوافکنی برای سرطان، و بازسازی مدل سه بعدی، همگی براساس سگمنت سازی تصاویر امکانپذیرند. از آنجایی که تصاویر پزشکی دارای پیچیدگی ها و تنوع زیادی هستند، بسیار مهم است که اطلاعات دقیقی در عمل بدست آید. مواد و روشها: برطبق مطالعه و آزمایشات روی مدلهای سگمنت سازی، منحنی های آنها در برابر باندری های ضعیف بسیار آسیب پذیر هستند که بنوبه‌ی خود منجر به همگرایی اشتباه می شوند. برای این هدف، ما دامنه ی فعالیت را به فضای برداری دل عوض کرده ایم و بعلاوه تغییر کوچکی در تابع سطحی مینیمال داده ایم تا محافظت از لبه های ضعیف را بهبود بخشیم. یافته ها: مدل پیشنهادی روی شش تصویر پزشکی بین المللی شناخته شده اعمال گشته است و نتایج در این مقاله نشان داده شده است. در مقایسه با روشهای cn-gvf, ngvf, ggvf, gvf نتایج آزمایشات نشان می دهد که مدل اسنیک پیشنهادی همگرایی بهتری به خصوص در نواحی دارای تورفتگی و با لبه های ضعیف دارد. استنتاج: تغییر به فضای برداری دل می تواند نقش مهمی در سگمنت سازی صحیح نواحی مطلوب در تصاویر پزشکی ایفا کند. خصوصا اینکه ضعف های مهمی همچون گم کردن لبه های ضعیف، خراب شدن سگمنتیشن در لبه های دچار پارگی، و همگرایی در نواحی دارای تورفتگی به کمک فضای برداری دل برطرف گردیده است.