28062

الگوريتم تركيبي FCM-PSO مبتني بر جمعيت براي تجزيه و تحليل خوشه بندي و تقسيم بندي تصوير مغز

كارشناسي ارشد

رياضي- آناليز بهينه‌سازي

1399

1401/6/27

جواد وحيدي

دانشكده رياضي

در اين پروژه از يك الگوريتم تركيبي مبتني بر الگوريتم PSO و FCM براي خوشه بندي استفاده شده است يكي از مهمترين مشكلات در تحليل تصاوير پزشكي و از جمله تصاوير رزوانس مغناطيسي MR موضوع بخش بندي مي باشد. رشد نامحدود و غير قابل كنترل سلولي در مغز باعث ايجاد بيماري هاي مغزي و از جمله تومور مي شود. بيماريهاي مغزي اگر تحت درمان مناسب و به موقع قرار نگيرند، مي توانند باعث آسيب جدي در مغز شوند كه گاهي ممكن است باعث مرگ بيمار گردند. راديولوژيست ها از تصاوير رزونانس مغناطيسي اطلاعاتي نظير مكان تومور را بدست مي آورند كه يك راه آسان براي تشخيص تومور جهت ارايه طرحي براي جراحي و پرتودرماني براي رفع تومور مي باشد. در اين پژوهش از يك الگوريتم خوشه بندي فازي FCM-PSO جهت بخش بندي تصاوير رزونانس مغناطيسي مغز استفاده شده است. نتايج تحقيق نشان مي دهد دقت بخش بندي در روش پيشنهادي، در مقايسه با روش هاي مشابه فازي داراي دقت 88.66 درصد است كه دقت بالايي است. قطعه بندي تصاوير پزشكي يكي از پيش پردازش هاي اوليه لازم در طراحي سيستم هاي خودكار تشخيص بيماري ها به شمار ميرود.تصاوير MRI مغز به دليل وجود عوامل مخرب مصنوعي در فرايند تصويربرداري از جمله نويز و غيريكنواختي شدت روشنايي، با عدم قطعيت همراه بوده و به همين علت ، قطعه بندي اين تصاوير همواره از مسايل چالشي به شمار ميرود. با توجه به عدم قطعيت مذكور پژوهشگران روشهاي فازي را در قطعه بندي MRI مغز بسيار به كار گرفته اند. يكي از روشهاي قطعه بندي فازي روش FCM ميباشد كه در آن از اطلاعات پيكسل هاي همسايه نيز براي قطعه بندي استفاده ميشود. اين روش پارامترهاي مختلفي دارد كه انتخاب نامناسب آنها به شدت از عملكرد آن ميكاهد. در اين پژوهش يك روش، تح دو ساختار ارائه شده است كه در آن با استفاده از الگوريتم هاي تكاملي FCM و PSO ،پارامترهاي الگوريتم بهينه شده اند و نتايج شبيه سازي داده هاعملكرد مناسب را ارائه ميدهد.

1402/01/16

A hybrid population-based FCM-PSO algorithm for brain image clustering and segmentation analysis

9/18/2023 12:00:00 AM

In this project, a hybrid algorithm based on PSO and FCM algorithm is used for clustering one of the most important problems in the analysis of medical images, including MRI magnetic resonance images, is segmentation. The unlimited and uncontrollable growth of cells in the brain causes brain diseases, including tumors. If brain diseases are not treated properly and on time, they can cause serious damage to the brain, which may sometimes cause the death of the patient. Radiologists obtain information such as the location of the tumor from magnetic resonance images, which is an easy way to diagnose the tumor in order to provide a plan for surgery and radiation therapy to remove the tumor. In this research, a FCM-PSO fuzzy clustering algorithm was used to segment brain magnetic resonance images. The results of the research show that the segmentation accuracy of the proposed method is 88.66%, which is a high accuracy compared to similar fuzzy methods. Segmentation of medical images is one of the primary pre-processing necessary in the design of automatic disease diagnosis systems. Brain MRI images are associated with uncertainty due to the presence of artificial destructive factors in the imaging process, such as noise and non-uniformity of illumination intensity. For this reason, the segmentation of these images is always a challenging issue. Due to the aforementioned uncertainty, researchers have used fuzzy methods in brain MRI segmentation. One of the fuzzy segmentation methods is the FCM method, in which the information of neighboring pixels is also used for segmentation. This method has various parameters, the inappropriate selection of which greatly reduces its performance. In this research, a method of dividing two structures has been presented, in which the parameters of the algorithm have been optimized by using FCM and PSO evolutionary algorithms, and the data simulation results provide appropriate performance.

الگوريتم تركيبي , تصاوير مغزي , خوشه بندي داده , تقسيم‌بندي تصوير

FCM-PSO , brain image , Data cluster , Image segmentation

Atefe Heidarnezhad

Dr. Javad Vahidi