Abstract

In modern imaging diagnosis Magnetic Resonance Imaging (MRI) is possibly one of the widely used effective techniques particularly for brain tissue segmentation. Clustering techniques may not be perfect always. Clustering can be significantly improved by supervising partially. A novel partially supervised kernel induced rough fuzzy clustering is proposed for brain tissue segmentation by employing a small quantity of labeled pixels with constraint seeded policy. Labeled pixels act as the constraints which are utilized to initialize the clustering process and guide the method towards a more accurate partitioning. Kernel trick used here enhances the possibility of linear partition of different complex segments of brain which cannot separate linearly in its original feature space. Whereas, the rough and fuzzy set handles the overlappingness, vagueness and indiscernibility of different tissue regions. A variety of benchmark brain MRI datasets are used for the experiments. The ability of the method is compared with state-of-the-art clustering segmentation techniques and evaluated using different validity indices. Experimental results confirm that the technique considerably enhances the segmentation accuracy with a little quantity of supervision. Enhancement in accuracy gained by the method compared to the other techniques are 0.3, 0.37, 1.15, and 1.03% for IBSR datasets 144, 150, 155, and 167, respectively, and 1.02% for the BrainWeb dataset 85. Statistical impact of the method is confirmed from the paired t-test results.

中文翻译：

---

部分监督核诱导的粗糙模糊聚类的脑组织分割

摘要

在现代成像诊断中，磁共振成像（MRI）可能是广泛使用的有效技术之一，尤其是用于脑组织分割的技术。群集技术可能并不总是完美的。通过部分监管可以显着改善集群。提出了一种新颖的部分监督的核诱导粗糙模糊聚类，通过使用少量带有约束种子策略的标记像素来进行脑组织分割。标记的像素充当约束条件，可用于初始化聚类过程并指导方法实现更精确的划分。这里使用的内核技巧增加了大脑不同复杂部分的线性分配的可能性，这些复杂部分无法在其原始特征空间中线性分离。而粗糙集和模糊集可以处理重叠部分，不同组织区域的模糊性和不可区分性。实验中使用了各种基准脑MRI数据集。该方法的功能与最新的聚类分割技术进行了比较，并使用不同的有效性指标进行了评估。实验结果证明，该技术在少量监督的情况下大大提高了分割精度。与其他技术相比，该方法获得的准确性增强分别是IBSR数据集144、150、155和167的0.3％，0.37、1.15和1.03％，而BrainWeb数据集85的准确性是1.02％。该方法的统计影响从配对中确认 该方法的功能与最新的聚类分割技术进行了比较，并使用不同的有效性指标进行了评估。实验结果证明，该技术在少量监督的情况下大大提高了分割精度。与其他技术相比，该方法获得的准确性增强分别是IBSR数据集144、150、155和167的0.3％，0.37、1.15和1.03％，而BrainWeb数据集85的准确性是1.02％。该方法的统计影响从配对中确认 该方法的功能与最新的聚类分割技术进行了比较，并使用不同的有效性指标进行了评估。实验结果证明，该技术在少量监督的情况下大大提高了分割精度。与其他技术相比，该方法获得的准确性增强分别是IBSR数据集144、150、155和167的0.3％，0.37、1.15和1.03％，而BrainWeb数据集85的准确性是1.02％。该方法的统计影响从配对中确认t检验结果。