مقاله #681

این مقاله یک مقایسه کیفی از روش‌های تقسیم بندی K-means و C-means فازی با مقدار دهی اولیه مبتنی بر هیستوگرام روی تصاویر MR ارائه می کند که از مجموعه تصاویر ورم تومور استخراج شده اند. دقت هر طرح تقسیم بندی، بستگی به توانایی آن برای تشخیص کلاس‌های مختلف بافت دارد. از این رو، قبل از به کارگیری طرح تقسیم بندی بر روی تصاویر پزشکی، یک پیش شرط جدی برای ارزیابی این توانایی وجود دارد. این مقاله توانایی FCM و K-means در تقسیم بندی بخش ماده خاکستری (GM)، ماده سفید (WM)، مایع مغزی-نخاعی (CSF)، فکوس نکروزتیک گلیوبلاستوما مولتی فرم (GBM) و ادما وازوژنیک را از تصاویر MR (صفحه محوری کنتراست T1) پیش پردازش شده مربوط به مجموعه تصاویر ورم تومور ارزیابی می کند. آزمایشات نشان می دهد که FCM ادما وازوژنیک و ماده سفید را به عنوان یک کلاس بافت واحد و ماده خاکستری و فکوس نکروزتیک را بعنوان یک کلاس بافت واحد شناسایی می کند. K-means نسبتا بهتر از FCM قادر به تشخیص این مناطق است. FCM تنها سه کلاس بافت را شناسایی می کند در حالی که؛ K-means تمام شش کلاس را مشخص می کند. ارزیابی تجربی K-means و FCM، با مقدار دهی اولیه مبتنی بر هیستوگرام در متلب انجام می شود.