دانلود رایگان ترجمه مقاله الگوریتم جدید با کاربردی در قطعه بندی تصویر پزشکی (ساینس دایرکت – الزویر 2004)

مبتدی (مناسب برای درک مفهوم کلی مطلب) (ترجمه به صورت ناقص انجام شده است)

تصویر مصنوعی در شکل 1a نشان داده می شود. این تصویر شامل یک الگوی دو کلاسیِ خراب شده با 5% نویز گوسی است. مقادیر تشدیدِ دو کلاس بهترتیب صفر و 90 هستند و اندازه ی تصویر 64*64 پیکسل می باشد. شکل 1b-e به ترتیب نتایج قطعه بندی در FCM و KFCM و SKFCM را نشان می دهد. در اینجا پاراتر را به صورت قرار می دهیم (پهنای هسته ی RBF گوسی)، ، و (یک پنجره ی 3*3 حول هر پیکسل به جز خود پیکسل مرکزی، تمرکز یافته است).این مقادیر در ادامه ی این مقاله استفاده خواهد شد مگر اینکه مقداری صراحتا مشخص شود. همان طور که در شکل 1b و c نشان داده شده، بدون محدودیت های فضایی، هیچکدام از FCM و KFCM نمی توانند دو کلاس را از هم جدا کنند، در حالیکه همان طور که در شکل 1d و e نشان داده شده، SFCM تقریبا و SKFCM کاملا در تصحیح و طبقه بندی داده موفق بوده اند. به یاد داشته باشید که KFCM به خاطر تزریق هسته در مقایسه با FCM نیاز به زمان اجرایی بیشتری دارد و متناظرا، SKFCM کندتر از SFCM می باشد. معمولا، الگوریتم ها ی بدون هسته چندین برابر سریعتر از الگوریتم هایی با هسته های تزریق هستند.

شکل 2a یک تصویر مصنوعی آزمایشی است که با نویز 5% و ناهمگنی تشدید، تخریب گشته و با تابع سینوسی شبیه سازی شده است. اشکال 2b-e به ترتیب نتایج FCM، KFCM،SFCM و SKFCM را نشان می دهد. همانند شکل 1، SKFCM نیازمند به بهترین عملکرد قطعه بندی است. جدول 1 دقت قطعه بندی (SA) را در جهت بدست آمدنِ مقایسه ی کمی برای چهار روش در شکل های 1a و 2a می دهد. دقت قطعه بندی در این جدول به صورت جمع تعداد کل پیکسل های تقسیم شده بوسیله ی جمع تعداد پیکسل هایی که به درستی دسته بندی شده اند، تعریف می شود.
شکل 3 و 4 مقایسه ی نتایج قطعه بندی بین FCM، KFCM،SFCM و SKFCM را در زمانی که فانتوم MR با وزن T1 به کار برده شده باشد را ارائه می کند. مزایای استفاده از فانتوم دیجیتال به جای داده ی تصویر واقعی برای اعتبارسنجی روش های قطعه بندی، شامل دانش قبلیِ انواع بافت واقعی و کنترل روی پارامترهای تصویر مانند جهت، ضخامت برش، نویز و ناهمگنی تشدید می شود. اینجا در آزمایشاتمان از یک فانتوم با تفکیکی بالا و با وزن T1 و با ضخامت برش 1mm، 3% نویز و بدون ناهمگنی تشدید استفاده کرده ایم. دو برش در صفحه ی محوری با توالی 91 و 121، به ترتیب در شکل های 3a و 4a نشان داده می شوند.نتایج قطعه بندی در دو برش، با استفاده از چهار روش و با هشت کلاس به ترتیب در شکل های 3b-e و 4b-e نشان داده می شوند. جدول 2 امتیازات مقایسه ی کمی متناظر با شکل 3a را با استفاده از چهار روش با 8 کلاس ارائه داده است. به یاد داشته باشید که SFCM در حقیقت سه کلاس را پیدا کرده است اما چون کلاس 5 در مقایسه با سایر کلاس ها بسیار کوچک است لذا امتیاز آن در جدول 2 به صفر گرد می شود. امتیازات مقایسه (در 29 سطح کیفیت نیز نامیده شده است) برای هر الگوریتم و برای هر کلاس از طریق معادله ی پیش رو محاسبه می شود.

که در آن Aij مجموعه پیکسل های متعلق به j امین کلاس یافته شده بوسیله ی i امین الگوریتم را ارائه می کند و Arefj مجموعه پیکسل های متعلق به کلاس j ام در تصویر قطعه بندی شده ی منبع را نشان می دهد. در اینجا را انتخاب کرده ایم چون نویز نسبتا کوچک است. در چنین حالتی، FCM و SFCM نمی توانند به درستی تصاویر را دسته بندی کنند در حالیکه KFCM و SKFCM نتایج قطعه بندی رضایت بخشی را بدست می آورند.
شکل 5 و 6 مقایسه ی نتایج قطعه بندی بین ، KFCM،SFCM و SKFCM را در زمانی که روی برش های واقعی MR که با نویز گوسی 5% تخریب شده است، به کار برده شده باند را نشان می دهند. این تصاویر MR با وزن T1 با استفاده از یک تصویر ساز MR کلینیکی 1.5 تسلا سیگنال الکتریکی جامع با تفکیک داخل صفحه ی 0.94 mm2 بدست می آیند. شکل های 5a و 6a تصاویری که به صورت مصنوعی تخریب شده اند را نشان می دهند و اشکال 5b-e و 6b-e به ترتیب نتایج استفاده از FCM، KFCM،SFCM و SKFCM با سه کلاس هستند. جدول 3 امتیازات مقایسه ی متناظر را با استفاده از چهار روش با سه کلاس برای اشکال 5a و 6a ارائه کرده است. با نوجه به تصاویر و جدول 3، می توانیم ببینیم که بدون محدودیت های فضایی، FCM و KFCM، هردو به شدت تحت تاثیر نویز قرار گرفته اند در حالیکه SFCM به صورت جزیی و SKFCM تقریبا به طور کامل اثر نویز را حذف کرده اند.

در نهایت، شکل 7 مقایسه ی نتایج قطعه بندی چهار روش روی تصویر MR با وزن T2 که با ناهمگنی های تشدید جزیی تخریب شدهاست را نشان داده است. شکل 7a تصویر اصلی است و شکل 7b-e به ترتیب نتایج با استفاده از FCM، KFCM،SFCM و SKFCM است. توجه داشته باشید که SKFCM در مقایسه با دیگر الگوریتم ها بسیار کمتر قطعه قطعه شده است و تلفیق محدودیت های فضایی در طبقه بندی تا حدی دارای مزیت تار کردن برخی از جزییات را دارد اما SKFCM همان طور که در شکل 7d و e نشان داده شده، در مقایسه با SFCM نتایج بهتری داشته است.