Bulanık Kümeleme Algoritmaları Kullanılarak Beyin Mr Görüntülerinden Ms Lezyonlarının Ayrıştırılması

Abstract

Bu çalışmada, manyetik rezonans görüntüleme tekniği ile elde edilmiş beyin görüntülerinden Multipl Skleroz hastalığı sebebiyle oluşan lezyonların kümeleme algoritmaları kullanılarak ayrıştırılması amaçlanmıştır. Bu amaçla, bulanık c-ortalamalar algoritması ile bu algoritmaya farklı bir yaklaşımın uyarlanmasıyla geliştirilmiş olan tip-2 bulanık c-ortalamalar yöntemi BrainWeb veritabanından alınmış yapay MR görüntüleri üzerinde test edilmiştir. Ayrıca, bulanık c-ortalamalar algoritmasının başlangıç değerlerine bağlılığını azaltmak için parçacık sürü optimizasyonu algoritmasından faydalanılmıştır. Bölütleme aşamasında öznitelik olarak T1 ve T2 ağırlıklı yapay MR görüntülerinin gri seviye değerleri kullanılmıştır. Kullanılan algoritmalar için önemli parametrelerin değerleri yapılan denemeler sonucunda belirlenmiştir. Algoritmalara ait kodlar MATLAB kullanılarak yazılmıştır. Bölütleme sonuçları, söz konusu veri tabanından alınan hedef görüntülere göre değerlendirilmiş ve tip-2 bulanık c-ortalamalar yaklaşımının üstünlüğü gösterilmiştir.In this study, segmentation of Multiple Sclerosis (MS) lesions in brain magnetic resonance images using clustering algorithms is intended. For this purpose, fuzzy c-means algorithm and type-II fuzzy c-means algorithm which is developed applying a new approach on fuzzy c-means algorithm, are tested using synthetic MRI images. The images are taken from BrainWeb database. In addition, particle swarm optimization algorithm is used to reduce sensitivity of fuzzy c-means algorithm to initial values. In segmentation process, grey level intensities of T1-weighted and T2-weighted MR images are used as features. The values of parameters which are effective on the performance of algorithms are determined using experimental results. Codes of algorithms are implemented using MATLAB. The clustering results are compared with the target image which is presented by BrainWeb database and superiority of type-II fuzzy c-means algorithm for this problem is proven.