3-D segmentation of medical images using region growing and fuzzy C means clustering

Abstract

ÖZET TIBBI GÖRÜNTÜLERİN BÖLGE BÜYÜTMESİ VE BULANIK ÖBEKLEME YÖNTEMLERİ İLE 3 BOYUTLU BÖLÜTLENMESİ Bu tezde 3 boyutlu manyetik rezonans (MR) görüntülerinin Bölge Büyütmesi (BB) ve Bulanık Öbekleme yöntemleri ile bölütlenmesi araştırılmış, teori ve varolan uygulamalara değinilmiş ve de sonuçların model parametrelerine göre değişimi incelen miştir. Bu tezde, BÖ uygulamasında hem bölütlenmeyi hızlandıracak, hem de fizik sel bellek gereksinimini azaltacak yeni bir yöntem önerilmektedir. Ayrıca, beyin ve baş bölgesindeki uygulamalara yönelik olarak, kafa merkezinden uzaktaki kesitlerin hatalı bölütlennesini önlemek için yanlı veri ekleme yöntemi önerilmektedir. BB ve BÖ yöntemlerinin MR görüntüleri üzerindeki başarımı, karışıklık matrisleri ile ölçülmüş ve sonuçlar Beklenti Maksinüzasyonu (BM) yönteminin başarımıyla karşılaştırılmıştır. Sonuç olarak (i) BB'nin BÖ ve BM'na göre daha başarılı olduğu görülmüştür. An cak, BB yönteminin bir uzmana ihtiyaç duyması bir dezavantajdır, (ü) Bir uzmana ihtiyaç duymayan uygulamalardan, BÖ'nin başarımının BM'na göre daha iyi olduğu görülmüştür.

IV ABSTRACT 3-D SEGMENTATION OF MEDICAL IMAGES USING REGION GROWING AND FUZZY C MEANS CLUSTERING This thesis focuses on 3-D segmentation of multimodal MRI scan using Region Growing (RG) and Fuzzy C-Means clustering (FCM) algorithms. Theory and some ex isting implementation methods are revisited. In implementation, dependency to model parameters are investigated. In FCM implementation, this thesis proposes a sequential processing method that (i) speeds up segmentation and (ii) overcomes physical mem ory limitations. This thesis also proposes adding a bias term to MRI data in order to prevent over-clustering in slices away from head center. The performances of these algorithms on Sections MRI phantom image and real MRI scan are measured using confusion matrices, and compared with expectation maximization (EM) algorithm. It is shown that RG performed better than FCM and EM, but has a disadvantage of requiring operator input. As an unsupervised method, the results obtained with FCM were better than EM.