چکیده
قطعه بندی تصویر نقشی حیاتی در بسیاری ار کاربردهای تصویربرداری پزشکی دارد. در این مقاله، الگوریتمی جدبد برای قطعه بندی فازیِ داده ی تصویربرداری با تشدید مغناطیسی (MRI) مطرح می کنیم. این الگوریتم با تغییر دادن تابع هدف در الگوریتم میانگین C فازی مرسوم شناخته می شود. لازم به ذکر است که این تغییر با استفاده از مقیاس فاصله ی ناشی از هسته و جریمه ی فضایی در توابع عضویت انجام داده شده است. اولا، فاصله ی اقلیدسی اصلی در FCM با یک فاصله ی ناشی از هسته جایگزین می شود و از این رو الگوریتم های متناظر استنتاج می شوند و الگوریتم میانگین C فازی متمرک شده (KFCM) نامیده می شوند. نشان داده شده است که KFCM مقاوم تر از FCM است. در ادامه یک جریمه ی فضایی به تابع هدف در KFCM اضافه می شود. این کار به منظور جبران سازی برای ناهمگنی های شدتِ تصویر MR و ایجاد امکان برچسب زنی به یک پیکسل که تحت تاثیر همسایه هایش قرار گرفته، می باشد. عبارت جریمه به عنوان یک تنظیم کننده عمل می کند و دارای ضریبی در محدوده ی صفر تا یک می باشد نتایج تجربی روی هر دو تصویر MR واقعی و مصنوعی نشان دادند که الگوریتم های مطرح شده، در زمانی که نویز و دیگر مصنوعات وجود داشته باشند، در مقایسه با الگوریتم های استاندارد عملکرد بهتری دارند.

دیباچه
با افزایش اندازه و تعدادِ تصاویر پزشکی، استفاده از کامپیوترها در ساده سازی پردازش و تحلیل آنها ضروری شده است. به طور خاص، به عنوان کارِ مشخص کردنِ ساختارهای کالبد شناختی و دیگر مناطق مطلوب، الگوریتم های قطعه بندی تصویر نقشی حیاتی در کاربردهای متعدد تصویربرداری پزشکی مانند تسویر حجم های بافت، تشخیص بیماری، مطالعه ی ساختار کالبد شناختی و جراحی ادغام شده با کامپیوتر دارند. به طور کلاسیک، قطعه بندی تصویر به عنوان بخش بندی کردن یک تصویر به مناطقی غیر مشترک و اصلی که متناسب با برخی ویژگی هایی مانند شدت و بافت هستند، تعریف می شود.
اکثر تحقیقات در قطعه بندی تصویر پزشکی، به خاطر مزایای تصویربرداری با تشدید مغناطیسی (MRI) نسبت به دیگر تصویربرداری تشخیصی، به استفاده ی آن برای تصاویر MR مربوط هستند و روش های زیادی برای قطعه بندی تصویر MR در دسترس وجود دارد. در میان آنها، روش های قطعه بندی فازی، مزایای قابل توجهی هستند چون می توانند به نسبتِ روش های قطعه بندی سخت اطلاعات بسیار بیشتری حفظ می کنند. به طور خاص، الگوریتم میانگین های C فازی (FCM)، به خوشه های فازی بدون برچسب، پیکسل تخصیص می دهد. بر خلاف روش های خوشه بندی سخت که پیکسل ها را مجبور می کند تا به طور منحصر به فرد تنها به یک کلاس تعلق داشته باشند، FCM امکان تعلق گیری پیکسل به خوشه های متعدد با تغییرات سطح عضویت را فراهم می کند. به خاطر انعطاف پذیری اضافی، FCM اخیرا به گستردگی درکاربردهای قطعه بندی تصویر MR استفاده شده است. اثبات شده، الگوریتم FCM سنتی که بر مبنای تشدید می باشد حتی در زمان هایی که روش های پیچیده ای مانند غیر پارامتری و روش های چند کاناله استفاده شده باشند، مشکل ساز است (به خاطر ناهمگنی شدت فضایی القا شده بوسیله ی سیم پیچ فرکانس رادیویی در تصویر MR). برای مدیریت کردنِ مسائل ناهمگنی، الگوریتم های متعددی بوسیله ی اضافه کردن گام های تصحیح پیش از قطعه بندی تصویر یا بوسیله ی مدل سازی تصویر به عنوان محصولی از تصویر اصلی و یک حوزه ی افزاینده با تغییر نرم، مطرح شده اند. اخیرا، محققین زیادی اطلاعات فضایی را در الگوریتم FCM اصلی تلفیق کرده اند تا تصاویر را بهتر قطعه بندی نمایند. تولیاس و پاناس (Tolias and panas) سیستمی بر مبنای اصول فازی مطرح کردند. این کار در جهت پیاده سازی پیوستگی فضایی روی FCM بوده است. آنها در مقاله ای دیگر از یک ثابت مثبت در جهت تغییر عضویت پیکسل مرکزی در یک پنجره ی 3*3 استفاده کردند. فام (Pham) و همکارانش تابع هدف در الگوریتم FCM تغییر دادند تا حوزه ای ضرب کننده (حاوی اطلاعات مرتبه ی اول و دومِ تصویر) را در نظر بگیرند. به همین ترتیب، احمد (Ahmed) و همکارانش الگوریتمی برای جبران سازیِ ناهمگنی تشدید و برچسب زنی یک پیکسل با در نظر گرفتن همسایه ی فوری آن مطرح کردند. رویکردی نسبتا جدید توسط فام مطرح شد که برای جریمه کردن تابع هدف در جهت محدود کردن رفتار توابع عضویت، مشابه به روش های استفاده شده در تنظیمات و تئوری حوزه ی تصادفی مارکوف (MRF) بود.
روش هسته
در سال های اخیر، تعدادی ماشین یادگیرنده بر مبنای هسته مانند ماشین های بردار پشتیبانی (SVM)، تفکیک کننده ی هسته ی فیشر (KFD) و تحلیل مولفه ی اصلی هسته (KPCA) مطرح می شوند و کاربردهای موفقیت آمیزی مانند در شناسایی الگو و تقریب توابع یافته اند. فلسفه ای رایج در پشت این الگوریتم ها بر مبنای حقه ی (جانشینی) هسته ی پیش رو می باشد، بدین معنا که، اولا با (به کارگیری) یک ترسیم غیرخطی، از فضای داده تا فضای ترسیم شده ی آینده ، یک مجموعه داده ی (یک فضای ورودی با ابعاد کم) در فضای بالقوه ی آینده با ابعاد بالا یا ضرب داخلی F ترسیم می شود. هدف این کار تبدیل مسئله ی غیر خطی اصلی به یک مسئله ی خطی در ورودی فضای ورودی در یک مورد خطی بالقوه ی آن به جای فضای آینده با ابعاد بالا است، به طوریکه حل مسئله را همان طور که در کوور اثبات شده، ساده سازی می کند .
نتایج و مباحثه
در این بخش، برخی نتایج تجربی را برای مقایسه با عملکرد قطعه بندیِ الگوریتم های پیش رو (FCM و FCM با محدودیت های فضایی (SFCM)، KFCM و KFCM با محدودیت های فضایی (SKFCM) تشریح کردیم.
نتیجه گیری
در این مقالهف یک الگوریتم جدید میانگین C فازی متمرکز شده مطرح می شود و برای قطعه بندی تصویر MR به کار گرفته می شود. KFCM مقیاس ناشی از هسته ی جدیدی را در فضای داده اتخاذ می کند تا مقیاس نرم اقلیدسی اصلی را در FCM جایگزین کند و نمونه های اولیه ی خوشه بندی شده هنوز در فضای داده قرار دارند به طوریکه نتایج خوشه بندی می تواند به طور مستقیم مجددا فرمول بندی و در فضای اصلی تفسیر شود. اثبات شده است که KFCM یک رویکرد خوشه بندی مقاوم در ضمیمه ی A است.
علاوه بر این، یک محدودیت فضایی روی تابع هدفِ KFCM اضافه کردیم تا تصاویر MR تخریب شده با نویز را به طور کارآمد قطعه بندی کند. اگر چه محدودیت فضایی استفاده شده در KFCM مشابه به محدودیت استفاده شده در 12 است، اما محدودیت ما ساده تر می باشد و از نظر محاسباتی گران قیمت نیست. دیگه چی؟، ار آنجایی که فاصله ی القا شده از طرف RBF گوسی بین صفر و یک محدود شده است، لذا دقیقا مطابق با محدوده ی مقدار عضویت است؛ تنها نیاز دازیم که ضریب تنظیم کننده را بین صفر و یک تنظیم کنیم تا اهمیت نسبیِ عبارت تنظیم کردن را کنترل نماییم.
نتایج نشان داده شده در این مقاله مقدماتی هستند و ارزیابی آزمایشگاهی بیشتری مورد نیاز می باشد. از آنجایی که تقریبا همه ی الگوریتم های FCM تغییر داده شده برای قطعه بندی تصویر بر مبنای اضافه کردن نوعی از عبارات جریمه برای تابع هدف FCM اصلی می باشندف لذا KFCM می تواند در روشی که به اندازه ای قابل قبول ساده است به کار گرفته شوند تا عملکرد این الگوریتم ها را بهبود ببخشند.
این مقاله ISI در سال 2004 در نشریه الزویر و در مجله هوش مصنوعی در پزشکی، توسط گروه علوم و مهندسی کامپیوتر منتشر شده و در سایت ای ترجمه جهت دانلود ارائه شده است. در صورت نیاز به دانلود رایگان اصل مقاله انگلیسی و ترجمه آن می توانید به پست دانلود ترجمه مقاله الگوریتم جدید میانگین C فازی متمرکز شده با کاربردی در قطعه بندی در سایت ای ترجمه مراجعه نمایید.