Medical images are obtained with computer‐aided diagnosis using electronic devices such as CT scanners and MRI machines. The captured computed tomography (CT)/magnetic resonance imaging (MRI) images typically have limited spatial resolution, low contrast, noise and nonuniform variability in intensity due to environmental effects. Therefore, the distinctions of the objects are blurred, distorted and the meanings of the objects are not quite precise. Fuzzy sets and fuzzy logic are best suited for addressing vagueness and ambiguity. Fuzzy clustering technique has been commonly used for segmentation of images throughout the last decade. This study presents a comparative study of 14 fuzzy‐clustered image segmentation algorithms used in the CT scan and MRI brain image segments. This study used 17 data sets including 4 synthetic data sets, namely, Bensaid, Diamond, Square, and its noisy version, 5 real‐world digital images, and 8 CT scan/MRI brain images to analyze the algorithms. Ground truth images are used for qualitative analysis. Apart from the qualitative analysis, the study also quantitatively evaluated the methods using three validity metrics, namely, partition coefficient, partition entropy, and Fukuyama‐Sugeno. After a thorough and careful review of the results, it is observed that extension of the fuzzy C‐means (EFCM) outperformed every other image segmentation algorithm, even in a noisy environment, followed by kernel‐based FCM σ, the output of which is also very good after EFCM.

中文翻译：

---

用于分割磁共振成像/计算机断层扫描脑组织的基于模糊聚类的图像分割技术：比较分析

医学图像是使用电子设备（如 CT 扫描仪和 MRI 机器）通过计算机辅助诊断获得的。由于环境影响，捕获的计算机断层扫描 (CT)/磁共振成像 (MRI) 图像通常具有有限的空间分辨率、低对比度、噪声和不均匀的强度变化。因此，对象的区别是模糊的、扭曲的，对象的含义也不是很准确。模糊集和模糊逻辑最适合解决模糊性和歧义性。在过去的十年中，模糊聚类技术已普遍用于图像分割。本研究对 CT 扫描和 MRI 脑图像片段中使用的 14 种模糊聚类图像分割算法进行了比较研究。本研究使用了 17 个数据集，其中包括 4 个合成数据集，即 Bensaid、Diamond、Square 及其嘈杂版本、5 个真实世界的数字图像和 8 个 CT 扫描/MRI 大脑图像来分析算法。地面实况图像用于定性分析。除了定性分析外，该研究还使用三个有效性指标对方法进行了定量评估，即分配系数、分配熵和 Fukuyama-Sugeno。在对结果进行彻底仔细的审查后，观察到模糊 C 均值 (EFCM) 的扩展优于所有其他图像分割算法，即使在嘈杂的环境中，其次是基于内核的 FCM σ，其输出为EFCM后也很好。除了定性分析外，该研究还使用三个有效性指标对方法进行了定量评估，即分配系数、分配熵和 Fukuyama-Sugeno。在对结果进行彻底仔细的审查后，观察到模糊 C 均值 (EFCM) 的扩展优于所有其他图像分割算法，即使在嘈杂的环境中，其次是基于内核的 FCM σ，其输出为EFCM后也很好。除了定性分析外，该研究还使用三个有效性指标对方法进行了定量评估，即分配系数、分配熵和 Fukuyama-Sugeno。在对结果进行彻底仔细的审查后，观察到模糊 C 均值 (EFCM) 的扩展优于所有其他图像分割算法，即使在嘈杂的环境中，其次是基于内核的 FCM σ，其输出为EFCM后也很好。