بهبود تقسیم بندی تصاویر MRI مغزی با استفاده از قطعه بندی فازی C-means، الگوریتم Watershed و الگوریتم برچسب زنی

یکی از پرکاربردترین تکنیک ها در تمامی علوم از جمله پزشکی پردازش تصویر است و تصاویر MRI از جملهپرکاربردترین تصاویر در این زمینه هستند که برای تشخیص دقیق بسیاری از مشکلات پزشکی، از جمله تومورها و ضایعاتبافت مغزی استفاده می شود. پردازش تصویر روشی برای تبدیل یک تصویر به صورت دیجیتال و انجام برخی عملیات برروی آن، به منظور دریافت یک تصویر بهبود یافته و یا برای استخراج برخی از اطلاعات مفید از آن است. قطعه بندی MRI، به معنای تقسیم بندی تصویر MRI به چند بخش می باشد. دشواری عمل قطعه بندی MRI، در دو چیز است: 1- تصاویر اخذ شده در معرض عوامل مخرب مختلفی از جمله نویز، غیریکنواختی شدت روشنایی قرار دارند. 2- تقسیم بندی بافت ها (بخصوص بافت های نرم) خود عملی همراه با عدم قطعیت بوده و به طور کلی نمی توان مرز مشخصو قطعی برای نواحی هر بافت و به تبع آن پاسخی قطعی برای قطعه بندی آن ها در نظر گرفت.برای قطعه بندی تصاویر MRI به اجزاء اصلی مغز یعنی ماده سفید، ماده خاکستری و مایع مغزی- نخاعی و افتراق آن ها از بافت غیرطبیعی )تومورها( نیاز به دقت بالایی دارد، که با روشهای رایج تصویربرداری به راحتی قابل دستیابی نمی باشند. در این مطالعه جهت کمینه کردن خطا در روند قطعه بندی تصویر و برای بهبود آشکارسازی لبهی تصاویر MRI تومور مغزی از الگوریتم قطعه بندی فازی C-Means و الگوریتم Watershed به همراه الگوریتم برچسب زنی (CCL) اجزای متصل استفاده شده است. مراحل طبقه بندی در این مقاله شامل: عملیات پیش پردازش و آماده سازی تصویر باینری ورودی به صورت حذف نویز و آرتیفکت حرکتی، قطعه بندی فازی، الگوریتم Watershed، حذف جمجمه (استخراج سطح مغز)، حذف بافت سالم مغز، استخراج بافت تومور، فیلتر میانگین گیری برای حذف نویز ناشی از آستانه گذاری و برچسب گذاری تومور می باشد. نتایج نشان داد کاربرد این روش توانسته با صحت 89/92% و دقت 95/26% به بهبود تصاویر و تشخیص لبه و کاهش نویز در تصاویر MRI تومورهای مغزی کمک نماید.

بهبود تقسیم بندی تصاویر MRI مغزی با استفاده از قطعه بندی فازی C-means، الگوریتم Watershed و الگوریتم برچسب زنی Keywords:

قطعه بندی , پردازش تصویر , MRI , الگوریتم فازی C-Means , الگوریتم Watershed , آستانه گذاری , الگوریتم برچسب زنی