بخش بندی تصاویر mri مغزی با استفاده از الگوریتم خوشه یابی بهبود یافته fcm

اولین مرحله در زمین? تحلیل تصویر mri مغز تفکیک بافت های مغز از یکدیگر می باشد که به دلیل ویژگی خاص این تصاویر، تفکیک این بافت ها از یکدیگر با مشکلاتی مواجه می باشد. مهمترین مشکل در این زمینه، تاثیر حجم جزیی می باشد که از اشتراک دو یا چند بافت در یک پیکسل حاصل می گردد. تحت تاثیر این ویژگی، بخش بندی تصاویر mri و یا به عبارتی کلیه تصاویر پزشکی با چالشی بزرگ مواجه بوده که پس از سالها تلاش در این زمینه الگوریتم فازی c-means برای رفع این مشکل ارائه گردید. با ارائه الگوریتم fcm این مشکل تا حد قابل قبولی بهبود پیدا نمود ولی به دلیل اینکه عملکرد این الگوریتم صرفاً بر اساس شدت روشنایی پیکسل های تصویر می باشد، تحت شرایطی که تصویر آغشته به نویز و غیریکنواختی شدت روشنایی باشد این الگوریتم عملکرد مناسبی ندارد. به همین دلیل در سالهای اخیر روشهای زیادی جهت بهبود این الگوریتم ارائه شده که هدف تمامی این روشها وارد کردن اطلاعات مکانی در این الگوریتم بوده است. در این پایان نامه ابتدا یک راه کار کلی جهت بهبود کلیه روش های خوشه یابی فازی مطرح گردیده است به نحوی که با نگاشت سطرهای ماتریس عضویت بر روی تصویر و استفاده از اطلاعات همسایگی در این تصویر ایجاد شده تصحیح مقادیر عضویت در هر مرحله از اجرای الگوریتم صورت می گیرد. در ادامه یک تابع هدف بر اساس معرفی قید مکانی جدید ارائه شده که به نحوی مناسب اطلاعات مکانی را به الگوریتم fcm استاندارد اضافه کرده است. نتایج شبیه سازی این تابع هدف جدید نشان دهنده عملکرد بهتر این روش در مقایسه با روش های پیشین می باشد و در نهایت با ترکیب دو روش ارائه شده، الگوریتمی قوی تشکیل می گردد که نتایج شبیه سازی نشان دهنده تمایز و برتری این الگوریتم در مقایسه با سایر روش های ارائه شده می باشد.