مقاله #579

چکیده: این مقاله یک روش تقسیم بندی قوی ارائه می کند که ادغام الگوریتم خوشه بندی K-means و C-means فازی مبتنی بر الگو (TKFCM) است، که خطای عملگرها و تجهیزات را کاهش می دهد. در این روش، الگو بر اساس پیچیدگی بین شدت سطح خاکستری در بخش کوچکی از تصویر مغز و تصویر تومور مغزی انتخاب می شود. الگوریتم K-means روی تقسیم بندی اولیه از طریق انتخاب مناسب الگو تاکید دارد. عضویت به روز رسانی شده از طریق فاصله ها از مرکز خوشه به دست می آید، تا زمانی که به بهترین حالت برسد. این فاصله اقلیدسی بستگی به ویژگی های مختلفی دارد به عنوان مثال شدت، آنتروپی، کنتراست، عدم تشابه و تجانس تصویر که تنها به شباهت در FCM معمولی وابسته است. سپس، بر اساس عضویت به روز شده و انتخاب خودکار خوشه ها، یک تصویر قطعه قطعه شده تیز به دست می آید که تومور در آن با رنگ قرمز مشخص شده است. انحراف کم از شدت سطح خاکستری بافت طبیعی و غیر طبیعی از طریق TKFCM شناسایی می شود. تجزیه و تحلیل عملکرد روش TKFCM از طریق شبکه عصبی، رگرسیون بهتر و حداقل خطا را ارائه می دهد. پارامترهای عملکرد نتایج مرتبط را نشان می دهند که در تشخیص تومور در تصاویر MRI مغز موثر هستند.