دانلود ترجمه مقاله بخش بندی تصاویر MR مغز با استفاده از نگاشت خود سازمانده

1. مقدمه 2. روش و مدل 3. روش پیشنهادی 4. نتایج آزمایش ها 5. نتیجه گیری

چکیده – در این مقاله روش جدیدی برای بخش بندی تصاویر MR مغز براساس شبکه عصبی خود سازمانده (SOM) ارائه می شود. بخش بندی دقیق بافت های مغزی امکان شناسایی بسیاری از اختلالات مغزی را فراهم می کند. در این مقاله رویکردهای بدون نظارت برای بخش بندی تصاویر مغزی ارائه می شود. روش پیشنهادی شامل چهار مرحله است. در ابتدا یک فیلتر انتشار ناهمسانگرد به عنوان مرحله قبل از پردازش برای از بین بردن میدان بایاس و نویز تصادفی استفاده می شود. سپس، تبدیل موجک ثابت (SWT) برای به دست آوردن اطلاعات چند رزولوشنی برای تشخیص بافت های مختلف روی تصاویر اعمال می شود. اطلاعات آماری بافت های مختلف با اعمال فیلتر مکانی روی ضرایب SWT استخراج می شود. این ویژگی ها همراه با ضرایب تبدیل موجک برای به دست آوردن یک بردار ویژگی ترکیب می شوند. این بردار ویژگی به شبکه SOM اعمال می شود. SOM برای بخش بندی تصاویر در یک روش آموزشی بدون سرپرست رقابتی استفاده می شود. تصاویر خروجی نشان می دهد که روش پیشنهادی جزئیات بیشتری از تصاویر ورودی را مشخص می کند.

In this paper a novel brain MR image segmentation method is presented based on self organizing map (SOM) neural network. An accurate segmentation of brain tissues provides a way to identify many brain disorders. This paper presents unsupervised approaches for brain image segmentation. The proposed method consists of four stages. Initially an anisotropic diffusion filtering is used as a pre-processing step to eliminate bias field and random noise. Then Stationary wavelet transform (SWT) is applied to the images to obtain multi-resolution information for distinguishing different tissues. Statistical information of the different tissues is extracted by applying spatial filtering to the coefficients of SWT. These features are combined together with the raw wavelet transform coefficients to obtain a feature vector. This feature vector is applied to the SOM network. SOM is used to segment images in a competitive unsupervised training methodology. The output images show that the proposed method generated more segmented details of the input images.