ایمان ارقند - دانشجوی کارشناسی ارشد الکترونیک، دانشگاه آزاد اسلامی واحد نور
جمال قاسمی - استادیار دانشگاه مازندران

قطعه بندی تصاویر پزشکی یکی از پیش پردازش های اولیه لازم در طراحی سیستم های خودکار تشخیص بیماری ها به شمار می رود. تصاویر MRI مغز بدلیل وجود عوامل مخرب مصنوعی در فرایند تصویربرداری از جمله نویز و غیر یکنواختی شدت روشنایی، با عدم قطعیت همراه بوده و به همین علت، قطعه بندی این تصاویر همواره از جمله مسائل چالشی به شمار می رود. با توجه به عدم قطعیت مذکور، پژوهشگران روش هایفازی را در قطعه بندی MRI مغز بسیار بکار گرفته اند. یکی از روش های قطعه بندی فازی روش BCFCM می باشد که در آن از اطلاعات پیکسل های همسایه نیز برای قطعه بندی استفاده می شود. این روش پارامترهای مختلفی دارد که انتخاب نامناسب آنها به شدت از عملکرد آن می کاهد. در این مقاله روشی ارائه شده است که در آن با استفاده از الگوریتم تکاملی PSO، پارامترهای الگوریتم BCFCM بهینه شده است. نتایج شبیه سازی بر روی داده های استاندارد Brain Web و با استفاده از معیار شباهت Dice، عملکرد مناسب روش پیشنهادی را نشان می دهد.

ازدحام ذرات، ام آر آی، خوشه بندی فازی، قطعه بندی تصاویر