چکیده:
پزشکان به کمک تصاویر رزوناس مغناطیسی میتوانند بافتهای مختلف مغز را از هم تفکیک نموده و
تومورهای مغزی احتمالی در آن را شناسایی نمایند. عدم تشخیص دقیق نواحی تومور توسط پزشکان باعث
میشود در جراحی احتمالی تومور یا درمانهای دیگر، ناحیه توموری به خوبی از بین نرود و جان بیماران با
خطر مواجه شود. یکی از روشهای افزایش دقت تشخیص ناحیه توموری استفاده از روشهای خودکار
شناسایی تومور به کمک روشهای مانند ناحیهبندی تصاویر است. خوشهبندی فازی یکی از تکنیکهای
مهم پردازش تصویر و ناحیهبندی تصاویر محسوب میشود. یکی از چالشهای الگوریتمهای مختلف
خوشهبندی از جمله الگوریتم خوشهبندی فازی، انتخاب بهینه مراکز خوشهها میباشد که انتخاب بهینه آنها
باعث بهبود خروجی خوشهبندی میشود. در این پژوهش جهت انتخاب مراکز خوشهها در الگوریتم
خوشهبندی فازی از مفاهیم هوش دسته جمعی ذرات استفاده شده است. در روش پیشنهادی هر ماتریس
عضویت خوشهبندی فازی در قالب یک ذره مدلسازی شده و تعدادی از این ماتریسهای عضویت در
قالب مجموعهای از جمعیت اولیه الگوریتم ذرات بکار گرفته میشود تا بهترین مراکز خوشهها برای
ناحیهبندی دقیقتر و تشخیص نواحی تومور مغزی در تصاویر تشدید رزوناس مغناطیسی بدست آید. نتایج
آزمایشات و پیادهسازیهای مختلف نشان میدهد که مقادیر متوسط شاخص جاکارد، شاخص شباهت،
دقت و حساسیت روش پیشنهادی به ترتیب
. ١٧ % و ٩٥ .٩١ ،%٣٠ .٩٦ ،%٤٢ و در مقایسه با
روشهای خوشه بندی FCM, KFCM و SOM-FCM از نظر شاخص شباهت و حساسیتب هتر عمل می نماید.
خلاصه ماشینی:
در روش پیشنهادی هر ماتریس عضویت خوشهبندی فازی در قالب یک ذره مدلسازی شده و تعدادی از این ماتریسهای عضویت در قالب مجموعهای از جمعیت اولیه الگوریتم ذرات بکار گرفته میشود تا بهترین مراکز خوشهها برای ناحیهبندی دقیقتر و تشخیص نواحی تومور مغزی در تصاویر تشدید رزوناس مغناطیسی بدست آید.
خوشه 9 g"/> یکی از تکنیکهای مهم و پرکاربرد Magnetic resonance imaging (MRI) Alzheimer's Parkinson Brain tumors Edges Boundary Segmentation Image Processing Clustering ناحیهبندی تصاویر تشدید مغناطیسی مغز به شمار میرود که الگوریتمهای مختلفی برای آن ارایه و معرفی شده است که یکی از آنها الگوریتم خوشهبندی فازی 1 میباشد که به علت حساسیت کمتر نسبت به نویز در ناحیهبندی تصاویر پزشکی کاربرد ویژهای دارد.
با توجه به اینکه مسئله تعیین بهینه مراکز خوشهبندی فازی یک مسئله بهینهسازی سخت و دشوار محسوب میشود آیا میتوان مجموعهای از ماتریسهای عضویت خوشهبندی فازی را در قالب ذرات مدلسازی نمود و با اجرای الگوریتم ذرات بهینهترین ماتریس عضویت را که دارای مراکز بهینهتری نسبت به سایر ذرات است برای ناحیهبندی بهینه تصاویر تشدید مغناطیس مغز و تشخیص تومورهای مغزی استفاده نمود.
در این بخش یک روش پیشنهادی و ترکیبی برای بهبود الگوریتم خوشهبندی فازی به کمک الگوریتم هوش دسته جمعی ذرات 5 ارایه میشود تا بر روی مجموعهای از تصاویر پزشکی تشدید مغناطیسی مغز عمل ناحیهبندی را دقیقتر انجام داده و تومورهای مغزی را با دقت بالایی استخراج نماید.
(به تصویر صفحه رجوع شود) شكل (11) : ارزیابی روش پیشنهادی بر حسب شاخص شباهت، حساسیت با سایر روشها نتيجهگیری و پیشنهادات آتی در این پژوهش به کمک الگوریتم هوش دستهجمعی ذرات یک نسخه از الگوریتم خوشهبندی فازی برای ناحیهبندی و استخراج تومورهای مغزی توسعه داده شده است.