فهرست نشریات علمی دسترسی آزاد ایران

بخش‌بندی بافت‌های مغزی گامی ضروری برای ارزیابی تغییرات مورفولوژیکی نواحی مختلف مغز جهت شناسایی انواع بیماری‌ها بوده که به عوامل متعددی مانند نویز و غیریکنواختی شدت روشنایی وابسته است. الگوریتم خوشه‌بندی فازی (FCM) یکی از محبوب‌ترین روش‌ها در فرآیند بخش‌بندی تصویر بوده که به نویز حساس بوده و سرعت همگرایی آن تحت تأثیر توزیع داده قرار می‌گیرد. همچنین، فرآیند خوشه‌بندی در رویکردهای مبتنی بر FCM با استفاده از فاصله اقلیدسی و در نظر گرفتن توزیع داده‌ها در فضای کروی انجام می‌شود. این معیار، تغییرات فاصله بین نقاط داده در خوشه‌های مشابه و فشرده را در نظر نمی‌گیرد. علاوه بر این، وجود غیریکنواختی شدت روشنایی در سطوح مختلف، عمل‌کرد فرآیند خوشه‌بندی را تحت تأثیر قرار می‌دهد. برای حل مسائل ذکر شده، در این مطالعه الگوریتم خوشه‌بندی گستافسون-کسل مبتنی بر اطلاعات مکانی شرطی (CSGK) ارائه می‌شود که با فرض توزیع داده در فضای بیضوی عمل‌کرد مناسبی در بخش‌بندی خوشه‌های فشرده نظیر مایع مغزی-نخاعی (CSF) دارد. جهت بهبود استحکام الگوریتم گستافسون-کسل استاندارد به نویز، از رویکرد ترکیبی اطلاعات محلی و سراسری در تابع عضویت استفاده شده است. همچنین، برای کاهش حساسیت داده‌های ورودی به غیریکنواختی شدت روشنایی، از فیلتر وینر به همراه تبدیل موجک (WFWT) در مرحله پیش‌پردازش تصاویر بهره گرفته شده است. نتایج نشان داد که الگوریتم CSGK روشی دقیق برای بخش‌بندی بافت‌های مغزی در سطوح مختلف نویز و غیریکنواختی شدت روشنایی است.