تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

ترجمه مقاله الگوریتم خوشه بندی میانگین – C اصلاح شده برای تخمین میدان بایاس و قطعه بندی داده های MRI – نشریه IEEE

عنوان فارسی: الگوریتم خوشه بندی میانگین – C اصلاح شده برای تخمین میدان بایاس و قطعه بندی داده های MRI
عنوان انگلیسی: A Modified Fuzzy C-Means Algorithm for Bias Field Estimation and Segmentation of MRI Data
تعداد صفحات مقاله انگلیسی : 7 تعداد صفحات ترجمه فارسی : 16
سال انتشار : 2002 نشریه : آی تریپل ای - IEEE
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده
کد محصول : 8077 رفرنس : دارد
محتوای فایل : zip حجم فایل : 960.93Kb
رشته های مرتبط با این مقاله: مهندسی پزشکی
گرایش های مرتبط با این مقاله: بیوالکتریک و پردازش تصاویر پزشکی
مجله: یافته ها در زمینه تصویربرداری پزشکی - TRANSACTIONS ON MEDICAL IMAGING
دانشگاه: گروه سیستم های مهندسی پزشکی، دانشگاه قاهره، گیزا، مصر
کلمات کلیدی: میدان بایاس، منطق فازی، قطعه سازی تصویر، تصویر سازی MR
وضعیت ترجمه عناوین تصاویر: ترجمه شده است
وضعیت ترجمه متون داخل تصاویر : ترجمه نشده است
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب

چکیده

I . مقدمه

II . پیش زمینه

III . تابع هدف میانگین –C اصلاح شده بایاس (BCFCM )

IV : تخمین پارامتر

A . ارزیابی عضویت

B : به روز رسانی نمونه اولیه خوشه

C : تخمین میدان بایاس

D : الگوریتم BCFCM

V . نتایج و بحث و تبادل نظر ها

VI . نتیجه گیری

نمونه متن انگلیسی

Abstract

In this paper, we present a novel algorithm for fuzzy segmentation of magnetic resonance imaging (MRI) data and estimation of intensity inhomogeneities using fuzzy logic. MRI intensity inhomogeneities can be attributed to imperfections in the radio-frequency coils or to problems associated with the acquisition sequences. The result is a slowly varying shading artifact over the image that can produce errors with conventional intensity-based classification. Our algorithm is formulated by modifying the objective function of the standard fuzzy c-means (FCM) algorithm to compensate for such inhomogeneities and to allow the labeling of a pixel (voxel) to be influenced by the labels in its immediate neighborhood. The neighborhood effect acts as a regularizer and biases the solution toward piecewise-homogeneous labelings. Such a regularization is useful in segmenting scans corrupted by salt and pepper noise. Experimental results on both synthetic images and MR data are given to demonstrate the effectiveness and efficiency of the proposed algorithm.

نمونه متن ترجمه

چکیده

ما در مقاله حاضر الگوریتم جدید را برای قطعه بندی داده های تصویر سازی رزنانس مغناطیسی (MRI) و تخمین غیر یکنواختی های شدت با استفاده از منطق فازی معرفی می نماییم . غیر یکنواختی های رزنانس MRI را می توان به نقص ها در کویل های فرکانس رادیویی یا مشکلات مرتبط با سکانس های اکتساب نسبت داد . نتیجه یک محصول مصنوعی سایه زنی مختلف آهسته بر روی تصویر می باشد که می تواند خطا هایی را با دسته بندی مبتنی بر شدت متعارف تولید نماید . الگوریتم ما از طریق اصلاح تابع هدف الگوریتم خوشه بندی میانگین –C فازی (FCM) استاندارد تدوین می گردد تا این قبیل غیر یکنواختی ها را جبران نماید و برچسب زنی پیکسلی را مجاز سازد که تحت تاثیر برچسب ها در همسایگی بیواسطه اش بوده است . اثر همسایگی همانند مرتب کننده عمل می کند و راه حل را به سمت برچسب زنی های همگن – تکه ای جهت دهی می نماید . این نوع مرتب سازی در قطعه سازی اسکن هایی سودمند می باشد که تحت تاثیر نویز فلفل و نمک تخریب شده اند . نتایج آزمایشی در داده های MRI و تصاویر ترکیبی نشان داده می شوند تا اثربخشی و کارامدی الگوریتم پیشنهادی اثبات شوند .