بخش بندی تصاویر تشدید مغناطیسی مغز

. مغز انسان بعنوان پیچیده ترین و حساس ترین بخش بدن نیز مانند سایر اعضا از گزند بیماری ها و مشکلات محفوظ نبوده و در نتیجه پزشکان زیادی سعی در درمان این بخش مهم از بدن بیماران را دارند. بیماری های مغزی بسیار متعدد و پیچیده و بعضا ناشناخته هستند. درمان این بیماری ها فقط در صورت تشخیص مناسب و به موقع آن ها امکان پذیر است. از این رو روش های تشخیص بیماری های مغز بسیار مهم و حیاتی هستند. امروزه ابزار های تصویر برداری مختلفی مثل اشعه ایکس، فراصوت، سی تی (ct) پزشکان را در رسیدن به این هدف یاری می کند. یکی از بهترین ابزار های تشخیص بیماری های مغزی تصویر برداری تشدید مغناطیسی(mri) است که با توجه به ویژگی های منحصر به فرد آن برای بافت های نرم مثل مغز بسیار مورد استفاده قرار می گیرد. پزشکان معمولان از این ابزار برای تشخیص بیماری برنامه ریزی جهت درمان و یا جراحی و همچنین بررسی نتایج درمان و جراحی استفاده می کنند. یکی از مشهور ترین روش های بخش بندی تصاویرmri روش آستانه گیری است. در این پایان نامه ما به منظور ارزیابی عملکرد، روش های اتسو و کاپور را که مبتنی بر انتخاب آستانه مناسب برای بخش بندی هستند را با الگوریتم های مختلف بهینه سازی مورد آزمایش قرار داده ایم. نتایج نشان می دهد که این روش ها با استفاده از الگوریتم کلونی زنبور عسل عملکرد بهتری را نسبت به سایر الگوریتم ها دارد. از آنجا که روش های مبتنی بر آستانه گیری از هیچ گونه اطلاعات فضایی موجود در تصویر استفاده نمی کنند، این روش ها در مقابله با نویز عملکرد ضعیفی را از خود نشان می دهند.روش دیگری که در این پایان نامه مورد بررسی قرار گرفت، روش خوشه بندی فازیfcm است که این روش نیز بسیار حساس به نویز است اما ما با دخالت دادناطلاعات فضایی تصویر در الگوریتم fcm توانستیم بهبود هایی را در هنگام مواجه شدن با نویز ایجاد کنیم. با توجه به اینکه استفاده از اطلاعات فضایی محلی آنگونه که باید الگوریتم مذکور را نسبت به نویز ایمن نمی کند، ما ابتدا از اطلاعات فضایی غیر محلی تصویر، برای این منظور بهره می بریم. در نهایت با توجه به اینکه پیکسل های محلی تصویر حامل اطلاعات با ارزشی برای تبیین همسایگی خود هستند، ما از ترکیب اطلاعات فضایی محلی و غیر محلی برای مقابله با نویز در fcm بهره می بریم. نتایج حاصل از اعمال این روش به تصاویر مختلف که به نویز های گوناگون آلوده شده اند نشان می دهد که استفاده از این اطلاعات الگوریتم fcm را نسبت به نویز مقاوم می کند.