مقاله ترجمه شده خوشهبندی مبتنی بر PCA برای بخشبندی تصاویر MRI تومور مغزی با استفاده از روش وزندهی T1 کد محصول : 961113242
PCA based clustering for brain tumor segmentation of T1w MRI images
سال انتشار: 2017
چکیده:
پیشزمینه و هدف: تصاویر پزشکی، مجموعههای عظیمی از اطلاعات هستند که به علت صرف زمان بالای محاسباتی، ذخیره و پردازش آنها دشوار است؛ بنابراین روشهای کاهش عموماً بهعنوان یک مرحلهی پیشپردازش داده برای کمتر کردن پیچیدگی دادههای تصویری به کار میروند تا بتوان یک داده با ابعاد بالا را با نمایش کوچکابعاد مناسبی معین کرد. PCA یکی از پرطرفدارترین روشهای چندمتغیره برای کاهش داده است. این مقاله بر خوشهبندی تصاویر امآرآی با وزندهی T1 برای بخشبندی تومور مغزی به همراه کاهش ابعاد توسط الگوریتمهای متفاوت تحلیل مؤلفهی اصلی (PCA) متمرکز است. هدف اصلی ما ارائهی مقایسهای بین انواع متفاوت الگوریتمهای PCA بر امآرآیها برای دو روش خوشهبندی است.
روشها: پنج الگوریتم از رایجترین الگوریتمهای PCA یعنی تحلیل مؤلفهی اصلی مبتنی بر احتمالات (PPCA)، تحلیل مؤلفهی اصلی مبتنی بر بیشینهسازی امید (EM-PCA)، الگوریتم تعمیمیافتهی هبیان (GHA) و استخراج انطباقی مؤلفهی اصلی (APEX) برای کاهش ابعاد، قبل از دو الگوریتم خوشهبندی یعنی میانگین K و میانگین C فازی (FCM) به کار گرفته شدند. در این پژوهش تصاویر امآرآی با وزندهی T1 از مغز انسان با تومور مغزی برای خوشهبندی مورداستفاده قرار گرفتند. علاوه بر اندازهی اولیهی 512 خطی و 512 پیکسل بر هر خط، سه اندازهی متفاوت دیگرِ 256×256، 128×128 و 64×64 نیز در این پژوهش شامل شدند تا تأثیر آنها بر روشها ارزیابی شود.
نتایج: نتایج بهدستآمده هم ازلحاظ خطاهای بازسازی و هم ازنظر خطای فاصلهی اقلیدسی در میان تصاویر خوشهبندیشدهی حاوی تعداد یکسان مؤلفههای اصلی مورد مقایسه قرار گرفتند.
نتیجهگیری: طبق یافتهها، بهترین نتایج را PPCA در میان دیگران به دست آورد. علاوهبرآن EM-PCA و PPCA به الگوریتم میانگین K کمک کردند تا در اکثر مواقع به بهترین عملکرد خوشهبندی دست یابد به همراه دستیابی به نتایج چشمگیر با هر دو الگوریتم خوشهبندی برای تمام اندازههای تصاویر امآرآی با وزندهی T1.