一个直觉模糊的C-Means和局部基于信息的DCT过,用于快速脑MRI细分
Chandan Singh1, Sukhjeet Kaur Ranade1, Dalvinder Kaur1
1Department of Computer Science, Punjabi University, Patiala, 147002, India.
Journal of imaging informatics in medicine
|April 22, 2024
概括
我们开发了新的DCT-IFCM和DCT-LIFCM算法,用于准确的脑MRI细分. 这些方法有效地处理噪音和数据不确定性,改善组织边界附近的分类.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 大脑MRI细分受到结构/光度异常和强度变化的挑战.
- 在组织边界附近的数据不确定性导致像素错误分类.
- 离散代数变换 (DCT) 过和直觉模糊C-Means (IFCM) 聚类为异常和不确定性提供解决方案.
研究的目的:
- 提出基于DCT的新型直观模糊C-Means (DCT-IFCM) 和基于DCT的局部信息IFCM (DCT-LIFCM) 算法.
- 为了解决大脑MRI细分中的Rician/Gaussian噪声和数据不确定性.
- 提高细分精度,以改善临床分析.
主要方法:
- 开发了DCT-IFCM用于基于直方图的细分,使用DCT域过和IFCM.
- 开发了DCT-LIFCM,通过像素智能计算结合空间信息.
- 应用直觉模糊集合 (IFS) 理论来处理数据的不确定性.
主要成果:
- 无论是DCT-IFCM还是DCT-LIFCM,都有效地减轻了瑞克和高斯噪声.
- 由于空间信息集成,DCT-LIFCM的性能略高.
- DCT-IFCM提供了一个更快的替代方案,具有可比较高的细分精度.
结论:
- 拟议的DCT-IFCM和DCT-LIFCM算法显著优于现有的脑MRI细分方法.
- 这些新的方法为噪音和不确定性提供了强大的解决方案,从而提高了准确性.
- 在实际应用中,DCT-IFCM提供了一个计算效率高,但高度准确的选项.
