@article { author = {Biniaz, Abbas and Abbasi, Ataollah and Shamsi, Mousa}, title = {Magnetic Resonsnce image segmentation by modified spatial FCMbased on Gaussian function}, journal = {Iranian Journal of Biomedical Engineering}, volume = {7}, number = {2}, pages = {175-186}, year = {2013}, publisher = {Iranian Society for Biomedical Engineering}, issn = {5869-2008}, eissn = {9685-8006}, doi = {10.22041/ijbme.2013.13091}, abstract = {Segmentation divides an image to some subdivisions where which of ones has similar intensity gray levels. Among clustering methods fuzzy c-means (FCM) clustering has been frequently used for segmentation of medical images. However, this algorithm doesn’t incorporate spatial neighborhood information in segmentation. This approach is very susceptible to nuisance factors. Therefore this paper proposes a Gaussian spatial FCM (gsFCM) to MR image segmentation. Proposed method has less sensitivity to noise specially in tissue boundaries, angles, and borders than spatial FCM (sFCM). Furthermore by the suggested algorithm a pixel which is a separate tissue from structurally point of view for example a tumor in primary stages of its appearance, has more chance to be a unique cluster. Applying quantitative assessments using Jaccard similarity index, Dice coefficient, and other validation functions on FCM,sFCM and gsFCM approaches show efficient performance of the proposed method. In this research the ISBR data bank is used for simmulations.Moreover in medical applications getting patient condition and information with fast methods is very important especially in emergency circumstances. Therefore all effective agents in patient health must be fast even medical algorithms such as clustering ones . Hence in this paper to decrease the time of convergence considerably and decline the number of iterations significantly, cluster centroids are initialized by an algorithm.}, keywords = {component,Segmentation,MR brain image,FCM,spatial information filtering,initial cluster centriods,Gaussian membership function}, title_fa = {ناحیه‌بندی تصاویر MR مغز با استفاده از FCM بهبود یافته‌ی مکانی به کمک تابع گوسی: gsFCM (یادداشت فنی)}, abstract_fa = {بخش بندی تصویر را به بخش های مجزا تقسیم میکند که هر کدام از این بخش ها دارای سطوح روشنایییکنواختی هستند. از بین روشهای موجود روش خوشه بندیفازی FCM (fuzzy c-means clustering) دارای کاربرد وسیعی در ناحیهبندی تصاویر پزشکی است. عدم ادغام ویژگیهای مکانی در FCM استاندارد، از معایب این روش در ناحیهبندی تصاویر تشدید مغناطیسی MRI مغز انسان است؛ در این مقاله از روشی جدید برای بخشبندی و حذف نویز تصاویر MR با اعمال فیلتر مکانی گوسی در تابع عضویت فازی استفاده شده است. فیلتر مکانی مذکور، اثرات نویز در مرز بافتها و زوایای تصویر را بصورت بهینه ای مدیریت میکند؛ علاوه براین پیکسلی که به لحاظ آناتومیکییک بافت مجزا است مانند تومور در مراحل اولیه‌ی رشد، شانس بیشتریبراییک خوشه شدن دارد. در پایان آزمایشات که بر روی پایگاه داده ISBR انجام شده است کیفیت روش پیشنهادی توسط توابع اعتبارسنجیمتداول مانند شاخص جاکارد و ضریب دایس مورد ارزیابی قرار گرفته است. از طرف دیگر در کاربردهای پزشکی به خصوص در شرایط اورژانسی، ضرورت سرعت عمل تمام عوامل پزشکی امری اجتناب ناپذیر است و الگوریتم ناحیه‌بندی از این قاعده مستثتی نیست، لذا برای دستیابی به این مهم توسط الگوریتمی مرکز ثقل اولیهی خوشهها ، مشخص میشود که زمان همگرایی تابع هزینه در FCM بهبود یافتهی مکانی گوسی، نسبت به  CM استاندارد تا حد قابل قبولی کاهش مییابد.}, keywords_fa = {اپیزودهای افت فشار خون حاد,پی شآگهی,ویژگی های فیزیولوژیکی,ویژگی های آشوبناک,انتخاب ویژگی,الگوریتم ژنتیک}, url = {https://www.ijbme.org/article_13091.html}, eprint = {https://www.ijbme.org/article_13091_a84469a143336657d50684d9afb732e2.pdf} }