Translated from English to Vietnamese - www.onlinedoctranslator.

com

dữ liệu lớn và
tính toán nhận thức

Bài báo

Tự động phát hiện khối u não người trong hình

ảnh MRI sử dụng KMeans dựa trên mẫu và thuật
toán phân cụm CMeans mờ cải tiến
Md Shahariar Alam 1, †, Md Mahbubur Rahman 1, †, Mohammad Amazad Hossain 2, †, ‡,
Md Khairul Islam 3, †, Kazi Mowdud Ahmed 1, †, Khandaker Takdir Ahmed 1, †, Bikash
Chandra Singh 1,4, † và Md Sipon Miah 1, †, ‡,*
1 Khoa Kỹ thuật Thông tin và Truyền thông, Đại học Hồi giáo, Kushtia 7003, Bangladesh;
Shahariarshohad@gmail.com (MSA); mrahman@ice.iu.ac.bd (MMR); mowdud@ice.iu.ac.bd (KMA);
takdir@ice.iu.ac.bd (KTA); bcssingh@uninsubria.it (BCS)
2 Khoa Kỹ thuật Thông tin và Truyền thông, Đại học Khoa học & Công nghệ Noakhali, Sonapur 3814,
Noakhali, Bangladesh; m.hossain3@nuigalway.ie
3 Khoa Kỹ thuật Y sinh, Đại học Hồi giáo, Kushtia 7003, Bangladesh; khairul@bme.iu.ac.bd DiSTA, Đại học
4 Insubriaz, 21100 Varese, Ý
* Thư từ: m.miah1@nuigalway.ie ; Tel: + 353-838-607-424 Các tác giả
† này đã đóng góp như nhau cho tác phẩm này.
‡ Kỷ luật Công nghệ Thông tin, Đại học Quốc gia Ireland Galway, H91 TK33 Galway, Ireland.

Nhận: ngày 3 tháng 4 năm 2019; Được chấp nhận: ngày 30 tháng 4 năm 2019; Xuất bản: 13 tháng 5, 2019

Trừu tượng: Trong những thập kỷ gần đây, việc phát hiện khối u não ở người đã trở thành một trong những
vấn đề thách thức nhất trong khoa học y tế. Trong bài báo này, chúng tôi đề xuất một mô hình bao gồm thuật
toán Kmeans dựa trên khuôn mẫu và thuật toán phương tiện C mờ cải tiến (TKFCM) để phát hiện khối u não
người trong hình ảnh chụp cộng hưởng từ (MRI). Trong thuật toán đề xuất này, đầu tiên, thuật toán K-mean
dựa trên mẫu được sử dụng để khởi tạo phân đoạn một cách đáng kể thông qua việc lựa chọn hoàn hảo một
mẫu, dựa trên cường độ mức xám của hình ảnh; thứ hai, thành viên cập nhật được xác định bởi khoảng cách
từ trung tâm cụm đến các điểm dữ liệu cụm bằng cách sử dụng thuật toán C-mean (FCM) mờ trong khi nó
liên hệ với kết quả tốt nhất của nó và cuối cùng, thuật toán phân cụm FCM cải tiến được sử dụng để phát hiện
vị trí khối u bằng cách cập nhật hàm liên kết thu được dựa trên các đặc điểm khác nhau của hình ảnh khối u
bao gồm Độ tương phản, Năng lượng, Khác biệt, Đồng nhất, Entropy và Tương quan. Kết quả mô phỏng cho
thấy rằng thuật toán được đề xuất đạt được khả năng phát hiện tốt hơn các mô bất thường và bình thường
trong não người dưới sự phân tách nhỏ của cường độ mức xám. Ngoài ra, thuật toán này phát hiện khối u
não của con người trong thời gian rất ngắn - tính bằng giây so với vài phút với các thuật toán khác.

Từ khóa: chụp cộng hưởng từ; T-có nghĩa là phân cụm; mờ C-có nghĩa là phân cụm; phương tiện K dựa trên
khuôn mẫu và phương tiện C mờ đã sửa đổi (TKFCM); khai thác tính năng; cường độ mức xám

1. Giới thiệu

Xử lý hình ảnh kỹ thuật số (DIP) là một lĩnh vực mới nổi trong khoa học sinh học như phát hiện và phân
loại khối u, phát hiện và phân loại ung thư cũng như xét nghiệm và kiểm tra các bộ phận quan trọng của cơ thể
con người. Tự động phát hiện khối u não đóng một vai trò quan trọng trong khoa học y tế [1]. Cơ thể con
người bao gồm các loại tế bào khác nhau, trong đó não (cũng là bộ xử lý của cơ thể) đóng một vai trò rất quan
trọng [2]. Phần quan trọng nhất của hệ thống thần kinh của chúng ta là não. Hơn nữa, nó là hạt nhân của hệ
thần kinh trung ương của con người.

Dữ liệu lớn Cogn. Tính toán.2019, 3, 27; doi: 10.3390 / bdcc3020027 www.mdpi.com/journal/bdcc
Dữ liệu lớn Cogn. Tính toán.2019, 3, 27 2 trên 18

Bộ não là một cơ quan phức tạp có chứa 50-100 tỷ tế bào thần kinh. Nó được tạo thành từ một số lượng
lớn các ô, và mỗi ô có một chức năng cụ thể. Hầu hết các tế bào được tạo ra trong phân vùng cơ thể để hình
thành các tế bào mới cho các chức năng thích hợp của cơ thể con người. Khi các tế bào tự nhiên mới phát triển,
các tế bào già cỗi hoặc bị hư hỏng sẽ chết. Sau đó, các tế bào mới thế chỗ. Đôi khi, các tế bào mới được tạo ra
khi cơ thể không cần chúng. Hơn nữa, các tế bào già cỗi hoặc bị hư hỏng không chết như bình thường. Cơ thể
tạo ra các tế bào phụ tạo ra một khối mô được gọi là khối u. Một khối u dát trong vùng não khiến các chức
năng nhạy cảm của cơ thể bị dị dạng. Điều trị rất khó và nguy hiểm do vị trí và khả năng lây lan của nó [3-5].
Các khối u não chủ yếu được phân thành hai loại: lành tính và ác tính. Các khối u lành tính là những khối u
không phải ung thư và những khối u ác tính là những khối u có chứa các tế bào ung thư [6].

Việc phát hiện và nhận biết sớm các khối u não là rất quan trọng. Hiện nay, các hệ thống chẩn đoán có sự
hỗ trợ của máy tính (CAD) thường được sử dụng để phát hiện một cách hệ thống và cụ thể các bất thường của
não [7]. Khối u não là sự phát triển không tự nhiên của mô hoặc cột sống trung tâm có thể làm gián đoạn chức
năng thích hợp của não [số 8]. Từ báo cáo thống kê của Viện ung thư quốc gia (NCIS), tỷ lệ tử vong do ung thư
não ở Hoa Kỳ là 12.764 người mỗi năm, 1063 người mỗi tháng, 245 người mỗi tuần và 34 người mỗi ngày. Nó
cho thấy việc chẩn đoán u não ở các cấp độ cao để cứu sống người bệnh là rất có ý nghĩa. Hơn nữa, các quá
trình phát hiện khối u cần được thực hiện với tốc độ và độ chính xác rất cao. Điều này chỉ có thể thực hiện được
bằng cách sử dụng hình ảnh cộng hưởng từ (MR) và các vùng nghi ngờ được trích xuất thông qua phân đoạn
hình ảnh MR từ các hình ảnh y tế phức tạp. Việc phát hiện khối u não được thực hiện thủ công bởi các chuyên
gia.
Tuy nhiên, có một số vấn đề, chẳng hạn như mất nhiều thời gian và việc phân đoạn hình ảnh MR
bởi các chuyên gia khác nhau có thể khác nhau đáng kể. Hơn nữa, kết quả phát hiện khối u có thể khác
nhau trong các trường hợp khác nhau bởi cùng một bác sĩ và độ sáng và độ tương phản của màn hình
hiển thị có thể thay đổi kết quả phân đoạn. Vì những lý do này, việc phát hiện tự động các khối u não trở
nên quan trọng. Tự động phát hiện khối u não có thể làm tăng xác suất sống sót của khối u. Trong lĩnh
vực y tế, không có phương pháp tiêu chuẩn nào có thể được xây dựng để phát hiện khối u não. Một số
công trình nghiên cứu đang cố gắng phát hiện khối u não tự động với độ chính xác, độ chính xác và tốc
độ tính toán được cải thiện bằng cách giảm thiểu nỗ lực thủ công [9].
Việc phát hiện các khối u não có nghĩa là không chỉ xác định được phần não bị ảnh hưởng mà còn xác
định được hình dạng, kích thước, ranh giới và vị trí của khối u. Các công nghệ hình ảnh khác nhau như hình
ảnh cộng hưởng từ (MRI), chụp cắt lớp vi tính (CT), chụp cắt lớp phát xạ positron (PET), v.v. được sử dụng để
chụp ảnh não. Thông thường, giải phẫu của khối u não có thể được kiểm tra bằng chụp MRI hoặc chụp CT. Tuy
nhiên, chụp CT chứa bức xạ có hại cho cơ thể con người, trong khi MRI cho hình ảnh chính xác về sự hình
thành giải phẫu của các mô trong não [10]. Máy MRI là một thiết bị dẫn từ trường và sóng vô tuyến để tạo ra
hình ảnh chi tiết của các cơ quan và mô. Quá trình xử lý hình ảnh MR cực kỳ phức tạp và được các nhà nghiên
cứu liên tục xem xét kỹ lưỡng để cung cấp cho các nhà nghiên cứu bệnh học một kinh nghiệm cải tiến để chẩn
đoán cho bệnh nhân [11].
Trong bài báo này, chúng tôi đề xuất những đóng góp chính như sau:

• Chúng tôi đề xuất thuật toán TKFCM sẽ phát hiện khối u não với độ chính xác cao hơn, ngay cả khi
khối u được phát hiện rất nhỏ.
• Thuật toán được đề xuất hoạt động chính xác và hiệu quả hơn các thuật toán khác với hình ảnh MR ngay cả khi
đó là hình ảnh MR nhiễu.
• Hiệu suất của thuật toán được đề xuất tốt hơn các thuật toán khác như tạo ngưỡng, phát triển
vùng, tách và hợp nhất vùng, mạng thần kinh nhân tạo (ANN), TK-phương tiện, thuật toán FCM, v.v.
để cảm nhận và xác định khối u não trong hình ảnh MR.
• Thời gian thực thi cần thiết của thuật toán được đề xuất thấp hơn rất nhiều - 40–50 giây, so với
các thuật toán thông thường như ANN, đòi hỏi 7–15 phút để thực thi kết quả đầu ra.

Phần còn lại của bài báo này được trình bày như sau: 2 trình bày các công trình liên quan. Phần3
trình bày thuật toán k-mean thông thường và thuật toán c-mean mờ. Phần4 trình bày đề xuất
Dữ liệu lớn Cogn. Tính toán.2019, 3, 27 3 trên 18

thuật toán. Kết quả và thảo luận được tóm tắt trong Phần5và Phần 6 trình bày kết luận và các công
việc trong tương lai.
Ngoài ra, tất cả các thông số được sử dụng trong bản thảo này được liệt kê trong Bảng 1 như sau:

Bảng 1. Các thông số chính.

Thông số Nghĩa
η Sự chính xác
α Nhạy cảm
β Tính đặc hiệu
P Cường độ điểm ảnh
V Cụm trung tâm
P(NStôi , yNS) Hình ảnh đầu vào

NS(NStôi , yNS) Hình ảnh thô

NS Thời gian tính toán
k Số lần lặp lại
NS2(NSNS, vtôi) Mức độ mờ
Pij Ma trận hình ảnh nhị phân
Uij Chức năng thành viên
NS Số lượng cụm
NSv Hàm lỗi bình phương
NS Bất kỳ số thực nào lớn hơn 1
n Số vectơ đối tượng Cửa sổ dựa
NSmn trên mẫu
NS Số trung tâm cụm Ma trận đồng
NS xuất hiện mức xám Số điểm dữ
K liệu trong các cụm
||NStôi - vNS || Euclidean khoảng cách giữa NStôi và vNS
vtôi Dữ liệu trong tôi-điểm thứ của hình ảnh
NStôi Số lượng điểm dữ liệu trong tôi-cụm thứ ba
NSNS Trung bình trong miền không gian ngang
NSy Trung bình trong miền không gian dọc
σNS Độ lệch chuẩn trong miền không gian ngang Độ lệch chuẩn
σy trong miền không gian dọc Khoảng cách Euclide đơn giản
||.|| hoặc khoảng cách Mahalanobis

2. Công việc liên quan

Trong DIP, hình ảnh được chụp và xử lý để thực hiện phân đoạn và trích xuất thông tin cần
thiết. Phân đoạn hình ảnh kỹ thuật số đề cập đến việc phân vùng thành nhiều phân đoạn. Một
phân đoạn tổng hợp là cần thiết để nhận ra sự bất thường trong não và cung cấp một hình ảnh đại
diện thay thế có ý nghĩa hơn và dễ phân tích hơn [12]. Trong vài thập kỷ gần đây, số lượng các
thuật toán phân đoạn và phát hiện đã được các nhà nghiên cứu đề xuất. Các kỹ thuật phát hiện
được sử dụng nhiều nhất là phân đoạn dựa trên ngưỡng, phân đoạn dựa trên vùng, phát hiện dựa
trên cạnh, phân vùng và phân đoạn hợp nhất, mô hình thống kê phân cụm (CSM) và mạng nơ-ron
nhân tạo (ANN), v.v. [13,14].
Phương pháp xác định ngưỡng là một trong những kỹ thuật phân đoạn hình ảnh MR thông thường của
não và có hiệu quả trong việc mã hóa hình ảnh [13,15]. Tầng hầm của ngưỡng, tuy nhiên, nó cũng được sử
dụng chung với các kỹ thuật khác như phân loại, phân cụm, ANN, v.v. Kỹ thuật này đặc biệt thích hợp cho ảnh
có vùng hoặc đối tượng có độ lộng lẫy đồng nhất được đặt trên nền có mức xám khác nhau [16,17]. Nó dựa
trên sự phân tách các pixel trong các lớp khác nhau tùy thuộc vào mức xám pixel của chúng [10]. Hình ảnh MR
não có thể được xác định là các vùng có các điểm ảnh có dải mức xám rời rạc. Nhược điểm chính là nó không
thể được sử dụng cho hình ảnh đa kênh [13]. Trong phân đoạn ngày càng tăng theo khu vực (còn gọi là phân
đoạn dựa trên sự tương tự), các vùng lớn được thực hiện thông qua các pixel hoặc các vùng phụ theo các tiêu
chí được xác định trước [18].
Dữ liệu lớn Cogn. Tính toán.2019, 3, 27 4 trên 18

Kỹ thuật này bắt đầu với một tập hợp các điểm "hạt giống" và từ những điểm này tạo ra các vùng
bằng cách kết nối với mỗi điểm ảnh liền kề hạt giống có điểm nổi bật tương tự với hạt giống [12,19]. Hạn
chế của việc sử dụng kỹ thuật này là chi phí tính toán quá cao và cũng yêu cầu tương tác thủ công để
chọn điểm hạt giống. Hơn nữa, nó rất nhạy cảm với tiếng ồn [14]. Trồng và tách vùng là trường hợp đặc
biệt của kỹ thuật trồng theo vùng. Mục tiêu chính của việc tách và hợp nhất vùng là tách biệt tính đồng
nhất của hình ảnh. Kỹ thuật tách hạt được sử dụng khi một vùng không thỏa mãn các tiêu chí đồng nhất
sau khi áp dụng kỹ thuật trồng theo vùng và sau đó, bốn vùng được tạo ra từ một vùng. Nhược điểm
chính của kỹ thuật này là rò rỉ ranh giới [20,21].
Phân đoạn dựa trên cạnh tập trung vào việc nhận dạng đường viền và tận dụng sự không liên tục trong
các giá trị hình ảnh để tách các vùng. Hạn chế chính của phương pháp này là không thể phân đoạn hình ảnh bị
mờ hoặc quá phức tạp để xác định một đường viền nhất định [số 8,13]. Trong kỹ thuật phân loại, nó yêu cầu
một trình phân loại pixel thích hợp cho dữ liệu huấn luyện. Các bộ phân loại được sử dụng nhiều nhất là K-
hàng xóm gần nhất (KNN), tối đa hóa kỳ vọng (EM), v.v. Bộ phân loại và dữ liệu đào tạo hiệu quả được mong
muốn để tiêu thụ thời gian và kết quả chính xác [22]. Thuật toán KNN là một phương pháp phi tham số, hoạt
động trên cơ sở hàm khoảng cách (khoảng cách Euclide) và sử dụng hàm biểu quyết được sử dụng cho K-láng
giềng gần nhất [23,24]. KNN cho hình ảnh MR có độ chính xác và độ ổn định cao hơn so với các bộ phân loại
khác. Nói chung, thuật toán này rất đơn giản để thực hiện và hơn nữa, việc phân đoạn hình ảnh theo thời gian
thực được thực hiện bởi KNN vì nó chạy nhanh hơn. Nhược điểm của việc sử dụng thuật toán này là có một số
xác suất đưa ra quyết định không chính xác khi hàng xóm duy nhất thu được là một ngoại lệ của một số lớp
khác [25].
Máy vectơ hỗ trợ (SVM) là một bộ phân loại có giám sát, thực hiện trên cơ sở các mẫu huấn luyện và
cố gắng giảm ràng buộc về lỗi tổng quát hóa. Nó cung cấp hiệu suất tổng quát hóa tốt hơn và thực hiện
ở nhiều kích thước của không gian đặc trưng. Tuy nhiên, phải mất rất nhiều thời gian để thực hiện và
hoàn hảo cho việc phân loại khối u [25,26].
Trong các kỹ thuật phân cụm, thuật toán phân cụm Kmeans, thuật toán phân nhóm FCM và thuật
toán tối đa hóa kỳ vọng (EM) là những kỹ thuật phát hiện khối u não được sử dụng rộng rãi nhất [27].
Phân cụm là kỹ thuật phân vùng một tập dữ liệu thành một số nhóm cụ thể [28]. Thuật toán phân cụm K-
mean là một thuật toán không giám sát phân tách các đối tượng trên cơ sở các thuộc tính / tính năng
thành k nhóm (k là một số nguyên dương) [29,30]. Đây là thuật toán phân cụm rất đơn giản, nhằm mục
đích tạo ra cụm gần giống nhau và hoạt động tốt đối với dữ liệu có chiều thấp. Nó hoạt động nhanh hơn
so với phân cụm phân cấp khi số lượng biến lớn. Tuy nhiên, nhược điểm của thuật toán này là, rất khó dự
đoán giá trị K và không hoạt động tốt với cụm toàn cục. Hơn nữa, với kích thước và mật độ khác nhau,
hiệu suất của thuật toán này rất kém [31,32].
Fuzzy C-mean là một kỹ thuật phân cụm mềm trong đó mỗi pixel có thể thuộc hai hoặc nhiều cụm
với mức độ thành viên khác nhau. Tổng khoảng cách giữa các tâm cụm và các mẫu mô tả hàm mục tiêu [
33,34]. Mặc dù nó chỉ tính đến các giá trị cường độ hình ảnh và không có bộ lọc, nhưng nó cung cấp khả
năng miễn nhiễm cao với nhiễu và chất lượng phân đoạn tốt hơn [10,35]. Có một thuật toán K-means và
FCM trong đó K-means thực hiện phân đoạn ban đầu và FCM thực hiện phân đoạn sâu hơn trên hình ảnh
và một khối u được phân đoạn gần đúng được phát hiện bằng kỹ thuật FCM thông qua lựa chọn cụm
chính xác [28].
FCM thông thường bị giới hạn ở độ nhạy tiếng ồn trong khi nó miễn nhiễm tiếng ồn theo K
nghĩa là phân cụm. Nhưng cần phải có ngưỡng hoàn hảo trước khi phân đoạn do rất khó cho cấu
trúc não phức tạp [36]. ANN hiện là phương pháp hứa hẹn nhất để phát hiện và phân loại khối u.
ANN được phân loại thành hai phần là mạng nơ-ron nguồn cấp tới (FFND) và Mạng tái phát hoặc
Mạng nơ-ron chuyển tiếp nguồn cấp dữ liệu (FBNN). Kỹ thuật ANN cung cấp khả năng song song
mạnh mẽ và tính toán nhanh chóng. Tuy nhiên, có thể mất một khoảng thời gian rất dài để đào tạo
hình ảnh đầu vào và một phần thông tin cần được làm quen trước [25,37,38]. Theo sự thảo luận ở
trên, có thể đã nói ở trên rằng không có kỹ thuật nào là lý tưởng. Nhưng để tạo ra kết quả tối ưu
trong lĩnh vực này, chúng ta phải giảm bớt giới hạn của các phương pháp riêng lẻ được mô tả ở
đây.
Dữ liệu lớn Cogn. Tính toán.2019, 3, 27 5 trên 18

3. Thuật toán phân cụm K-Means và Mờ C-Means

3.1. Thuật toán phân cụm K-Means

Các Kthuật toán phân cụm -means là một thuật toán học không giám sát rất đơn giản. Nó cung cấp
một cách rất dễ dàng để phân loại một tập dữ liệu nhất định thành một số cụm nhất định, tức là một tập dữ liệu chẳng hạn như
NS1, NS2, NS3, ...., NSn được nhóm thành K các cụm. Ý tưởng chính đằng sau thuật toán này là xác địnhK trung tâm, một trung
tâm cho mỗi cụm [39]. CácK các trung tâm cụm nên được chọn ngẫu nhiên. Thước đo khoảng cách đóng vai trò
quy tắc rất quan trọng về hiệu suất của thuật toán này. Các kỹ thuật đo khoảng cách khác nhau có sẵn
cho thuật toán này như khoảng cách Euclidean, khoảng cách Manhattan và khoảng cách Chebychev, v.v.
Tuy nhiên, việc chọn một kỹ thuật thích hợp để tính khoảng cách hoàn toàn phụ thuộc vào loại dữ liệu
mà chúng ta sẽ phân cụm. Tuy nhiên, chúng tôi sẽ sử dụng khoảng cách Euclid làm thước đo khoảng
cách vì nó nhanh, mạnh và dễ hiểu hơn [40,41]. Từng bước thông thườngKthuật toán phân cụm -means [
40] được mô tả như sau:

Thuật toán 1 Kthuật toán phân cụm -means.

Giả định rằng, NS = NS1, NS2, NS3, ...., NSn là tập hợp các điểm dữ liệu và V = v1, v2, v3, ..., vNS là tập hợp các trung tâm.
1: Xác định số lượng cụm ′K′.
2: Ngẫu nhiên, xác định các trung tâm cụm ′NS′.

3: Tính toán khoảng cách giữa mỗi điểm dữ liệu và các trung tâm cụm.
4: Điểm dữ liệu được gán cho trung tâm cụm có khoảng cách từ trung tâm cụm tối thiểu là
tất cả các trung tâm cụm.
5: Sau đó, trung tâm cụm mới được tính toán lại như sau.

1 NStôi
Vtôi = NS ∑ NStôi (1)
tôi J= 1

ở đâu 'NS′tôi là số điểm dữ liệu trong tôi-cụm thứ.

6: Tính toán lại khoảng cách giữa mỗi điểm dữ liệu và các trung tâm cụm mới có được.
7: Nếu không có điểm dữ liệu nào được chỉ định lại thì dừng lại, nếu không thì lặp lại các bước từ 3 đến 6.

Khoảng cách được gọi là khoảng cách Euclide được tính toán giữa mỗi pixel đến mỗi trung tâm
cụm. Tất cả các pixel được so sánh riêng lẻ với tất cả các trung tâm cụm bằng cách sử dụng chức năng
khoảng cách [42]. Pixel được dẫn đến một trong các cụm có khoảng cách ngắn hơn trong số tất cả. Sau
đó, trung tâm được tính toán lại. Sau đó, mỗi pixel lại được so sánh với tất cả các centroid. Quá trình này
liên tục cho đến khi trung tâm hội tụ và sự hội tụ được đánh giá thông qua một số lần lặp lại tối đa. Chất
lượng phân cụm của thuật toán này được tối ưu hóa thông qua việc lặp lạiK-means nhiều lần với các lần
khởi tạo khác nhau để xác định các centroid tốt nhất.
Nó cung cấp hiệu quả tính toán được cải thiện và hỗ trợ các vectơ đa chiều [43]. Vì vậy, thuật
toán này có ý định làm giảm một hàm mục tiêu được gọi là hàm lỗi bình phương
được cho bởi:
NS NSNS ( )
NSv = ∑ ∑ ||NStôi - vNS|| 2 (2)
tôi= 1 NS= 1

ở đâu ||NStôi - vNS|| là khoảng cách Euclid giữa NStôi và vNS, NStôi là số điểm dữ liệu trong tôicụm
thứ và NS là số trung tâm cụm.

3.2. Thuật toán phân cụm C-Means mờ

Thuật toán phân cụm FCM được giới thiệu bởi Bezdek, đó là một kỹ thuật phân nhóm trong đó
mỗi pixel dữ liệu thuộc về hai hoặc nhiều cụm. Dữ liệu càng gần trung tâm cụm càng nhiều
Dữ liệu lớn Cogn. Tính toán.2019, 3, 27 6 trên 18

là thành viên của nó đối với trung tâm cụm cụ thể [44,45]. Nó phụ thuộc vào việc giảm một mục tiêu
hàm liên quan đến tập thành viên mờ U của các trung tâm cụm V.

NC
NSNS(U, V) = ∑ ∑(u NS
ij) (||NSNS - vtôi ||)2; 1 ≤ NS ≤ ∞ (3)
NS= 1 tôi= 1

ở đâu NS = NS1, NS2, ..., NSNS, ..., NSn là một P × n ma trận dữ liệu trong phương trình (3) và NS có phải số thực nào lớn hơn không
hơn 1. P, N và C biểu thị số chiều của mỗi NSNS 'vectơ đặc trưng ', số vectơ đặc trưng (số pixel trong
hình ảnh) và số cụm, tương ứng.
Uij ⊆ U(P × n × NS) được gọi là hàm liên thuộc của vectơ NSNS đến tôi-cụm thứ,
thỏa mãn Uij ε [0 1] và ∑ Uij = 1, NS = 1, 2, ...., n. Chức năng thành viên có thể là
được thể hiện như sau:
(( )) ( -2 )
NS ||NSNS - v || m−1
Uij = ∑ ( ) (4)
tôi

||NSNS - vk||
k= 1

ở đâu V = v1, v2, v3, ...., vtôi, ...., vNS mà là một P × NS ma trận. Bây giờ chúng tôi tính toántôi-trung tâm tính năng cụm
thứ như sau:
∑nNS(=U ij)NS × NS
(5)
1
Vtôi =
∑nNS= 1 UijNS

ở đâu NS là bất kỳ số thực nào lớn hơn 1, kiểm soát mức độ mờ NS2(NSNS, vtôi). Nó là một phép đo
mức độ giống nhau giữaNSNS và vtôi được định nghĩa như sau:

NS2(NSNS, vtôi) = ||NSNS −Vtôi ||2 (6)

Đây, || . || có thể được ký hiệu là khoảng cách Euclid đơn giản hoặc tổng quát của nó như khoảng
cách Mahalanobis. Vectơ đặc trưng X trong hình ảnh MR trình bày cường độ pixelP = k. FCM
thuật toán tối ưu hóa lặp đi lặp lại NSNS(U, V) với sự cập nhật liên tục của U và V, cho đến khi ||(Uij)(k) -
(Uij)(k+1)|| ≤ ε, ε 0 đến 1, ở đâu k là số lần lặp lại. Thuật toán phân cụm C-mean mờ thông thường
từng bước được trình bày như sau:

Thuật toán 2 Thuật toán phân cụm C-mean mờ.

Giả định rằng, NS = NS1, NS2, NS3, ...., NSn là tập hợp các điểm dữ liệu và V = v1, v2, v3, ..., vNS là tập hợp các trung tâm.
1: Sửa số lượng cụm NS , 2 ≤ NS ≤ n. ở đâun = số lượng mục dữ liệu. Sửa lại,NS nơi 1 < m < ∞.
Chọn bất kỳ chỉ số định mức nào do sản phẩm bên trong gây ra ||.||.

2: Khởi tạo mờ NS vách ngăn U(0).

3: Tại bước NS, NS = 0, 1, 2, ....,
4: Tính hàm liên thuộc mờ Uij sử dụng Công thức (4).
5: Sau đó, Tính toán các tâm mờ ′V′ tôi sử dụng Công thức (5).

6: Lặp
′ ′ trị đạt được hoặc ||Uij
lại bước 2 và 3 cho đến khi tối thiểu NS giá (k+1) (k)<ε
−Uij ||

4. Thuật toán TKFCMA được đề xuất

Thuật toán TKFCM được đề xuất là sự tích lũy của K-means và mờ NS-means với
một số sửa đổi. Trên cơ sở cường độ nhiệt độ hoặc mức độ xám trong hình ảnh não, mẫu được
chọn cùng vớiK-có nghĩa. Mặt khác, trong FCM, khoảng cách Euclidian và hàm thành viên được sửa
đổi bởi các tính năng hình ảnh. Phương trình của mẫu dựa trênK-means và cải thiện độ mờ NS
thuật toán phân cụm -means để phân đoạn có thể được biểu diễn như sau:
Dữ liệu lớn Cogn. Tính toán.2019, 3, 27 7 trên 18

NS n KC RC
NS = ∑ ∑ NS(NStôi, yNS) × ∑ ∑ Pij||NStôi - cNS||2 × ∑ ∑ (U NSij) NS2(NSNS, vtôi) (7)
tôi=tôi+1 NS=NS+1 tôi= 1 NS= 1 NS= 1 tôi= 1

ở đâu Pij ma trận hình ảnh nhị phân và NS và n là hàng và cột của Pij và cả NS, K và NS
được mô tả là trung tâm của cụm, số điểm dữ liệu trong cụm và số lượng cụm
tương ứng. Phần cuối cùng của phương trình (7) được mô tả là mờ được cải thiệnNS-means trong đó khoảng
cách Euclidian dựa trên các tính năng hình ảnh. Phần giữa được sử dụng làm phương tiện K thông thường
thuật toán, được biểu thị bằng khoảng cách từ mỗi điểm đến trung tâm cụm. Ở đây,NS(NStôi, yNS) là
hình ảnh thô và Phương trình (8) mô tả mẫu mong muốn.

NS n
NS(NStôi, yNS) = ∑ ∑ P(NStôi, yNS) × NSmn (số 8)

tôi=tôi+1 NS=NS+1

Cửa sổ dựa trên mẫu được chọn bởi NSmn được biểu thị là:

MN NS NS
NSmn = ∑ ∑ P(NStôi, yNS) ∗ ∑ ∑ P(NSk, yl ); kεM, lεN (9)
tôi= 1 NS= 1 k= 1 l= 1

Trong phương trình (9), ma trận hình ảnh dựa trên nhiệt độ NSmn với số cường độ mức xám, NS
và số lượng thùng, NS được sử dụng để tìm ra khí chất của hình ảnh P(NStôi, yNS). Ở đây, hình ảnh và tích
chập của ma trận hình ảnh dựa trên tính khíNSmn nhằm đạt được khuôn mẫu cho K -có nghĩa
thuật toán phân cụm. Trong thuật toán FCM, hàm thành viênUij có giá trị được cập nhật với khoảng cách
Euclidian d (x, v) phụ thuộc vào các đặc điểm hình ảnh như entropy, độ tương phản, năng lượng, v.v.,
độ mờ m và trung tâm tính năng V = v1, v2, ...., vtôi, ...vNS được mô tả như sau:
  ( ) -2  -1
NS ( m− 1)
(||xNS
- v ||
tôi)
U ij=   ∑ (||NSNS - v k||)
  (10)
k= 1

Khoảng cách Euclid được sử dụng trên cơ sở chỉ một đặc điểm, ví dụ như sự giống nhau trong công trình
nghiên cứu trước đó, nhưng trong TKFCM được đề xuất của chúng tôi, điều này phụ thuộc vào một số đặc điểm như
entropy, khác biệt, tương phản, đồng nhất, entropy, tương quan, v.v.
Các cụm trung tâm từ nơi mà vị trí các cụm và khối u được xác định có thể được phác thảo như sau:

∑nNS= 1 (Uij)NS × NS
Vtôi = (11)
∑nNS= 1 UijNS

ở đâu tôi = (1, 2, 3, ...., NS).

Chúng tôi đã trích xuất sáu tính năng cho bộ phân loại. Sáu tính năng này là các tính năng dựa trên kết cấu. Tính năng
kết cấu là một tính năng cấp thấp quan trọng trong hình ảnh, nó có thể được sử dụng để mô tả nội dung của hình ảnh hoặc
một vùng. Một kết cấu có thể được định nghĩa là một tập hợp các yếu tố kết cấu hoặc vải xuất hiện trong một số mẫu thường
xuyên hoặc lặp lại. Kết cấu cung cấp một trong những đặc điểm quan trọng nhất được sử dụng để phân loại và xác định các
đối tượng. Hơn nữa, nó được sử dụng để tìm ra sự tương đồng giữa các hình ảnh trong cơ sở dữ liệu đa phương tiện. Nó đặc
trưng cho kết cấu bằng cách sử dụng các biện pháp thống kê được tính toán từ các cường độ (hoặc màu sắc) của thang màu
xám. Nó có thể được sử dụng cho cả việc phân loại kết cấu đầu vào nhất định và phân đoạn hình ảnh thành các vùng có kết
cấu khác nhau. Sáu tính năng được trích xuất cho trình phân loại được mô tả như sau:

Năng lượng: Nó được định nghĩa là phép đo số lượng hữu hạn các cặp pixel lặp đi lặp lại. Nó cung cấp
lượng ái lực trong một hình ảnh và nó được đưa ra như sau:

GG
ENG = ∑ ∑ |P(NS ,tôiy )NS2| (12)
tôi= 1 NS= 1
Dữ liệu lớn Cogn. Tính toán.2019, 3, 27 8 trên 18

ở đâu NS là ma trận đồng xuất hiện mức xám và P(NStôi, yNS) là ma trận ảnh.
Độ tương phản: Độ tương phản được định nghĩa là phép đo cường độ pixel và vùng lân cận của nó
phía trên hình ảnh và nó được đưa ra như sau:

NS GG ( )
CON = ∑ n2∑ ∑| P xtôi, yNS | và |i-j|=n (13)
n= 1 tôi= 1 NS= 1

Tính đồng nhất: Tính đồng nhất (HOM) được định nghĩa là phép đo mức độ giống nhau trong một hình ảnh. Hơn
nữa, nó được gọi là mômen chênh lệch nghịch đảo (IDM) và nó được định nghĩa như sau:

∑NS ∑NS |NSP=(1NStôi, yNS)|

tôi= 1
HOM = (14)
1 + |tôi + j |

Entropy: Entropy là phép đo tính ngẫu nhiên của hình ảnh kết cấu được định nghĩa như sau:

GG ( ) 1
ENT = ∑ ∑ |P xtôi, yNS | ( ) (15)
khúc gỗ |P xtôi, yNS |
tôi= 1 NS= 1

Tính không giống nhau: Tính không giống nhau là thuộc tính kết cấu của hình ảnh được tính toán bằng cách xem xét
căn chỉnh của hình ảnh như một thước đo về góc được xác định như sau:

GG
DSM = ∑ ∑ |P(NStôi, yNS)| |i-j| (16)
tôi= 1 NS= 1

Tương quan: Tương quan là tính năng mô tả sự phụ thuộc không gian giữa các pixel và nó
được định nghĩa như sau:

∑NS ∑NS (NS tôi, ytôi)P(NStôi, yNS) - NSNSNSy

tôi= 1
COR = (17)
NS= 1

σNSσy

ở đâu NSNS và σNS là giá trị trung bình và độ lệch chuẩn trong miền không gian ngang và NSy và
σy tương ứng là giá trị trung bình và độ lệch chuẩn trong miền không gian dọc.

Thuật toán TKFCM được đề xuất

Toàn bộ phương pháp đã được giới thiệu để phát hiện khối u trong não người sử dụng hình ảnh
MR dựa trên tính khí K-means và cải thiện độ mờ NSthuật toán phân cụm -means được biểu diễn bằng
lưu đồ tiếp theo được hiển thị trong Hình 1. Lúc đầu, việc thu nhận hình ảnh MR não người được thực
hiện và hình ảnh đầu vào được xử lý trước và việc tăng cường hình ảnh MR cũng được thực hiện. Hơn
nữa, cửa sổ cơ sở mẫu được chọn và đầu ra của cửa sổ đã được phân đoạn với phân đoạn phân cụm K-
mean dựa trên tính chất. Sau đó, các tính năng cần thiết được trích xuất. Cuối cùng, khối u được thu
nhận bằng cách phát hiện với đường màu đỏ được đánh dấu bằng thuật toán C-mean mờ cải tiến với
thành viên được cập nhật. Điều này được cam kết thông qua hình ảnh nhóm được chọn tự động từ các
tính năng hình ảnh.
Dữ liệu lớn Cogn. Tính toán.2019, 3, 27 9 của 18

Thuật toán 3 Thuật toán TKFCM để phát hiện khối u trong hình ảnh Brain MR.

1: Khởi tạo: Xác định số mức xám và xác định ma trận vuông, MỘT =∑∑ P(NSk, yl ) và hình ảnh
ma trận, P = ∑∑ P(NStôi, yNS)
2: Sau đó, xác định Mẫu NSmn = P ⊕ MỘT
()
3: Xác định hình ảnh thô, B xtôi, yNS từ mẫu, NSmn
4: Định hình lại mẫu dựa trên k có nghĩa là hình ảnh được phân đoạn,
P1 = ∑ktôi= 1 ∑NSNS= 1 Pij||NStôi - cNS||2 ×∑NS tôi=tôi+1 ∑nNS=NS+1 NS(NStôi, yNS)
5: Lặp lại bước 2 đến bước 4 cho đến khi, NSmn ≤ ∑NSk= 1 ∑NSl= 1[NSmn(k) - NSmn(l)]
6: Đăng quá trình P1
7: Xác định tâm của cụm, C và mức độ mờ, m
số 8: Khởi tạo chức năng thành viên U ij(0) của FCM
9: Tính (l) ⇐⇒ U (l),ij(tôi = 1, 2, 3, ..., NS) và (l = 1, 2
toán trung tâm cụm,Vtôi , 3, ...)

10: Xác định hình ảnh kỳ công es, NS(NSNS, vtôi (l)) ← → v l tôi
11: Cập nhật U ijVới NS(NS , vNS tôi )
(l ) không cần đến ||U ij (l) -U
(l+) 1 || ≤ ε, ε=0 đến1
ij

Hình 1. Lưu đồ thuật toán TKFCM đề xuất.

Dữ liệu lớn Cogn. Tính toán.2019, 3, 27 10 của 18

5. Kết quả mô phỏng và thảo luận

Cơ sở dữ liệu gồm 40 hình ảnh khối u não được thể hiện trong Hình 2a, b trong đó 20 hình ảnh đầu tiên được hiển thị
bằng số 2a và 20 hình ảnh tiếp theo được hiển thị trong Hình 2NS. Cơ sở dữ liệu đã được thực hiện
bằng cách thu thập các hình ảnh khối u não phức tạp khác nhau. Chúng tôi đã thu thập những
hình ảnh này từ [17-19] và được xử lý trước để cải thiện ứng dụng trong chương trình thuật toán
của chúng tôi. 2a, b. Những khối u trong những bức ảnh này rất nguy kịch đến nỗi người bình
thường khó có thể phát hiện ra nó một cách dễ dàng.

1 2 3 4 5

6 7 số 8 9 10

11 12 13 14 15

16 17 18 19 20

(Một) Cơ sở dữ liệu 1

1 2 3 4 5

6 7 số 8 9 10

11 12 13 14 15

16 17 18 19 20

(NS) Cơ sở dữ liệu 2

Hình 2. Cơ sở dữ liệu về hình ảnh 40 khối u não MR. (Một) Cơ sở dữ liệu của 20 hình ảnh MR khối u não đầu tiên. (NS) Cơ
sở dữ liệu của 20 hình ảnh MR khối u não tiếp theo
Dữ liệu lớn Cogn. Tính toán.2019, 3, 27 11 của 18

Xử lý trước hình ảnh MR rất quan trọng để cải thiện hiệu ứng hình ảnh của hình ảnh để xử lý thêm.
Thông thường, các hình ảnh được thu thập trong tập dữ liệu có chất lượng rất kém, đòi hỏi phải lọc nhiễu và
làm sắc nét hình ảnh. Trong bước tiền xử lý, hình ảnh thu được trong tập dữ liệu được chuyển đổi thành ma
trận hai chiều và hình ảnh được chuyển thành hình ảnh RGB sang hình ảnh tỷ lệ xám. Để loại bỏ nhiễu trong
hình ảnh, bộ lọc trung vị được sử dụng. Sau đó, việc nâng cao hình ảnh được thực hiện bằng cách thực hiện
hoạt động điều chỉnh, hoạt động dựa trên biểu đồ và hoạt động dựa trên biểu đồ thích ứng. Nói chung, nâng
cao hình ảnh có nghĩa là cải thiện độ tương phản của hình ảnh. Sau đó các tính năng khác nhau ban đầu được
trích xuất ngầm.
Sau đó, các tính năng khác nhau ban đầu được trích xuất ngầm. Tất cả các phần của khối u não phải được
lựa chọn, ngay cả một phần nhỏ của khối u não cũng không được tránh. Tại frist, hình ảnh đầu vào được xử lý
thông qua một số bộ lọc được mô tả trong Hình3. Sau đó, trong Hình3e, có sự phân đoạn ban đầu của hình
ảnh bằng cách sử dụng K-mean (TK) dựa trên khuôn mẫu được phân đoạn trên cơ sở cường độ mức xám và
nhiệt độ của màu ở đó k = 8. Sau đó khối u được lọc lại bằng bộ lọc trung vị. Sau đó, khối u được phát hiện và
đánh dấu nó là đường màu đỏ bằng cách sử dụng thuật toán FCM cải tiến dựa trên khoảng cách Euclidean từ
trung tâm cụm đến mỗi điểm dữ liệu mà chủ yếu phụ thuộc vào các tính năng khác nhau. Điều này có thể
quan trọng để nắm được tầm quan trọng của kỹ thuật đã được thay đổi và kết hợp này.

Tùy thuộc vào cường độ mức xám, FCM cải tiến được thực hiện cho 13 cụm. Ảnh phân cụm được định
nghĩa là ảnh có mức xám nhỏ nhất và được phân cách với nhau bằng cường độ màu liên tiếp của chúng. Ví dụ,
nhiều hình ảnh nhóm cho hình ảnh đầu vào không. 10 của cơ sở dữ liệu 2 được thể hiện trong Hình4. Ở đây,
phần khối u với các phần khác nhau của hình ảnh được hiển thị trong hình ảnh cá thể hóa và từ đó, tùy thuộc
vào đặc điểm mà khối u được chọn. Đây, chỉ số không. 8 được chọn về mặt kỹ thuật và được đánh dấu là
đường màu đỏ trong Hình5NS. Nhân vật5 hiển thị hình ảnh đầu vào không. 6, 11, 16 và 20 của cơ sở dữ liệu 1
và hình ảnh số. 10 và 15 của cơ sở dữ liệu 2 được thể hiện trong Hình5a và kết quả đầu ra của chúng trong
Hình 5d tương ứng.

(Một) (NS) (NS)

(NS) (e) (NS)

Hình 3. Xử lý và Nâng cao hình ảnh đầu vào không. 10 của cơ sở dữ liệu 2. (Một) Hình ảnh đầu vào; (NS) Hình ảnh
điều chỉnh; (NS) Hình ảnh dựa trên biểu đồ; (NS) Hình ảnh dựa trên biểu đồ thích ứng; (e) T-có nghĩa là phân
đoạn; (NS) Hình ảnh được lọc trung vị.
Dữ liệu lớn Cogn. Tính toán.2019, 3, 27 12 trên 18

Chỉ mục số: 1 Chỉ mục số: 2 Chỉ mục số: 3

Chỉ mục số: 4 Chỉ mục số: 5 Chỉ mục số: 6 Chỉ mục số: 7

Chỉ mục số: 8 Chỉ mục số: 9 Chỉ mục số: 10 Chỉ mục số: 11

Chỉ mục số: 12 Chỉ mục số: 13

Hinh 4. Một số hình ảnh nhóm cho hình ảnh đầu vào không. 10 của cơ sở dữ liệu 2

Hình 5. Cont.
Dữ liệu lớn Cogn. Tính toán.2019, 3, 27 13 trên 18

(Một) (NS) (NS) (NS)

Hình 5. (Một) Hình ảnh đầu vào cho TKFCM, (NS) Hình ảnh được phân đoạn từ thuật toán phân đoạn thứ nhất
(TK-mean) với số không. của mức xám = 8, (NS) Nâng cao hơn nữa hình ảnh được phân đoạn, (NS) Hình ảnh khối
u não được phát hiện từ TKFCM.

Hiệu suất hệ thống

Có một số tỷ lệ lỗi tùy thuộc vào việc phát hiện hoặc không phát hiện bất kỳ mô bất thường nào trong tất
cả hình ảnh MRI khối u não. Chúng có thể được đo trên cơ sở giá trị của dương tính thật, dương tính giả, âm
tính thật và âm tính giả Trong bài báo này, tất cả các hình ảnh trong cơ sở dữ liệu đã được thử nghiệm để đo
độ chính xác, độ nhạy và độ đặc hiệu của hệ thống. Để đánh giá độ chính xác, độ nhạy và độ đặc hiệu của hệ
thống, bốn thuộc tính sau được sử dụng trong phép đo.

• TP (True Positive): Kết quả xét nghiệm dương tính với sự tồn tại của bất thường khách quan và được phát
hiện chính xác.
• TN (True Negative): Kết quả xét nghiệm là âm tính vì không tồn tại bất thường khách quan và không được
phát hiện chính xác.
• FP (Dương tính giả): Kết quả xét nghiệm dương tính với sự không tồn tại của bất thường khách quan và được
phát hiện chính xác.
• FN (Âm tính giả): Kết quả xét nghiệm âm tính với sự tồn tại của bất thường khách quan và không được
phát hiện chính xác.

Độ nhạy có thể được định nghĩa là phép đo xác định chính xác hình ảnh MRI không
chứa một khối u. Độ nhạy,α được định nghĩa như sau:

TP.
α= × 100 (18)
TP. + TN
Dữ liệu lớn Cogn. Tính toán.2019, 3, 27 14 của 18

Độ đặc hiệu có thể được định nghĩa là phép đo xác định chính xác hình ảnh MRI không
chứa một khối u. Tính cụ thể,β được định nghĩa như sau:

TN
β= × 100 (19)
TN + FP

Độ chính xác có thể được định nghĩa là phép đo phân loại thực tế. Sự chính xác,η được định nghĩa
như sau:
TP. + TN
η= × 100 (20)
TP. + TN + FP + FN
Bàn 2 trình bày các Tham số phân tích hiệu suất giữa các phương pháp thông thường và
phương pháp TKFCM được đề xuất. Trong bài báo này, chúng tôi đã sử dụng 40 hình ảnh MR não.
Các thuật toán khác nhau như Ngưỡng, Phát triển vùng, Tk-phương tiện, FCM, Đề xuất TKFCM, v.v.
đã được thực hiện với 40 hình ảnh MR não này. Các tham số hiệu suất như Đúng khẳng định (TP),
Tích cực sai (FP), Đúng âm (TN) và Âm sai (FN) được tính toán với tập dữ liệu. Tham số hiệu suất
'True positive' dương tính với sự tồn tại của đối tượng bất thường và được phát hiện một cách
chính xác. Tham số 'Tích cực thực sự' của TKFCM được đề xuất là 42,10%, 37,28%, 47,36%, 36,84%,
Lần lượt là 44,73% và 44,73% so với ngưỡng thông thường, Vùng phát triển, TK có nghĩa là, FCM,
'Bậc hai + ANN', 'Kết hợp kết cấu + ANN' và thuật toán TKFCM được đề xuất. Hơn nữa, các giá trị
tham số FP, TN và FN tốt hơn cho thuật toán TKFCM được đề xuất là '0', '1' và '1' là tối ưu hơn các
thuật toán thông thường khác. Với các giá trị tham số TP, FP, TN và FN, các tham số đo lường hiệu
suất như Độ nhạy (α), Tính cụ thể (β) và Độ chính xác (η) được tính toán.

Ban 2. Phân tích hiệu suất giữa các phương pháp thông thường và phương pháp TKFCM được đề xuất
với các tham số.

Các thuật toán TP. FP TN FN

Ngưỡng 22 5 9 4
Khu vực đang phát triển 27 2 10 1
TK-phương tiện 20 3 12 5
FCM 24 1 10 5
Đơn hàng thứ hai + ANN 21 2 16 1
Kết hợp kết cấu + ANN 21 1 17 1
TKFCM được đề xuất 38 0 1 1

Bàn 3 thể hiện sự so sánh giữa các phương pháp thông thường và phương pháp TKFCM được
đề xuất.
Phân tích hiệu suất giữa các phương pháp thông thường và phương pháp TKFCM được đề xuất có
thể được thực hiện với các thông số hiệu suất TP, FP, TN và FN. Trong bảng3Để phát hiện khối u não ở
người, ba thuộc tính được đặt tên là độ nhạy, độ đặc hiệu và độ chính xác đóng một vai trò rất quan
trọng. Giá trị của ba thuộc tính này càng nhiều thì chúng ta càng có xác suất phát hiện chính xác khối u
não của con người. Với các giá trị tham số này, độ nhạy của thuật toán TKFCM được đề xuất để phát hiện
khối u não là 97,43% trong khi ngưỡng thông thường, Vùng phát triển, 'Bậc hai + ANN', 'Kết hợp + ANN',
FCM và TK có nghĩa là các thuật toán đã hiển thị 76,9% , 92,8%, 95,5%,
Lần lượt là 95,45%, 82,7% và 80,00%. Ngoài ra, độ đặc hiệu của thuật toán TKFCM được đề xuất để
phát hiện khối u não là 100 trong khi ngưỡng thông thường, Vùng phát triển, 'Bậc hai + ANN', 'Kết
hợp kết cấu + ANN', FCM và TK có nghĩa là các thuật toán đã hiển thị 64,25%, 83,3% ,
Lần lượt là 88,8%, 94,44%, 90,9% và 80,00%. Hơn nữa, độ chính xác của thuật toán TKFCM được đề
xuất để phát hiện khối u não là 97,5 trong khi ngưỡng thông thường, Vùng đang phát triển, 'Bậc
hai + ANN', 'Kết hợp + ANN', FCM và TK có nghĩa là các thuật toán đã hiển thị 72,5%,
Dữ liệu lớn Cogn. Tính toán.2019, 3, 27 15 của 18

Lần lượt là 90,00%, 92,5%, 95,00%, 85,00% và 80,00%. Từ biểu đồ so sánh, có thể thấy rằng TKFCM hoạt động
tốt hơn những công ty khác. Rất ít trong số chúng có độ chính xác tốt hơn thuật toán TKFCM được đề xuất của
chúng tôi trong khi các thông số khác không tốt như vậy.

Bàn số 3. So sánh giữa các phương pháp thông thường và phương pháp TKFCM được đề xuất.

Các thuật toán Nhạy cảm (α) Tính đặc hiệu (β) Sự chính xác (η)

Ngưỡng 76,9 64,25 72,5

Khu vực đang phát triển 92,8 83.3 90
FCM 82,7 90,9 85
TK-phương tiện 80 80 80
Đơn hàng thứ hai + Kết 95,5 88,8 92,5
hợp ANN + ANN 95,45 94,44 95
TKFCM được đề xuất 97.43 100 97,5

Bàn 4 mô tả So sánh thời gian tính toán giữa các phương pháp thông thường và phương pháp
TKFCM được đề xuất trong đó kích thước hình ảnh là 128 x 128, bộ xử lý là Corei3 và hệ điều hành được
sử dụng là Windows10.

Bảng 4. So sánh thời gian tính toán NS trong số các phương pháp thông thường và được đề xuất
TKFCMmethod

Các thuật toán Thời gian tính toán (NS)

Ngưỡng 3 phút

Khu vực đang phát triển 10 phút

ANN 7–15 phút

FCM 130–140 giây

TK-phương tiện 4 phút

TKFCM được đề xuất 40–50 giây

Trong bảng 4, thời gian trung bình cần thiết cho các thuật toán khác nhau được mô tả.
cho biết rằng hầu hết các thuật toán mất rất nhiều thời gian để tính toán kết quả thực tế, chẳng hạn như
ngưỡng, tăng khu vực và thuật toán ANN mất 3, 10 và 7-15 phút trong khi thuật toán đề xuất của chúng tôi
TKFCM chỉ cần 40–50 giây.

6. Kết luận và công việc trong tương lai

Trong bài báo này, hiệu suất của thuật toán TKFCM được đề xuất thu được tốt hơn so với các lược
đồ thông thường. Hơn nữa, thuật toán này được chứng minh là tối ưu hơn so với các lược đồ thông
thường. Khi phát hiện khối u não người, độ nhạy của thuật toán TKFCM được đề xuất là 27,07%,
4,75%, 1,98%, 2,03%, 15,11% và 17,89% so với ngưỡng thông thường, Khu vực đang phát triển, 'Thứ hai +
ANN', 'Kết hợp kết hợp + ANN', FCM và TK có nghĩa là các thuật toán, tương ứng. Ngoài ra, độ cụ thể của
thuật toán TKFCM được đề xuất là 27,04%, 16,07%, 11,2%, 5,56%, 9,1% và 20,00% so với ngưỡng thông
thường, Tăng trưởng theo khu vực, 'Thứ hai + ANN', 'Kết hợp + ANN', FCM và TK tương ứng là các thuật
toán. Hơn nữa, độ chính xác của thuật toán TKFCM được đề xuất là 25,64%, 7,692%, 5,12%, 2,56%,
12,82% và 17,94% so với ngưỡng thông thường, Khu vực đang phát triển, 'Thứ hai + ANN', 'Kết hợp kết
cấu + ANN', FCM và TK có nghĩa là các thuật toán, tương ứng. Tuy nhiên, thời gian cần thiết để phát hiện
khối u não với thuật toán TKFCM được đề xuất là rất ngắn so với các thuật toán thông thường.
Dữ liệu lớn Cogn. Tính toán.2019, 3, 27 16 trên 18

Đối với công việc trong tương lai, chúng tôi sẽ phân tích các tính năng để bao gồm nhiều tính năng hơn
có thể được sử dụng để phát hiện và tăng độ chính xác, nhưng thời gian tính toán yêu cầu sẽ cao. Hơn nữa,
chúng tôi sẽ phân tích để giảm thời gian tính toán cần thiết và sửa đổi độ phức tạp của thuật toán TKFCM được
đề xuất so với các thuật toán thông thường. Tuy nhiên, đặc điểm kỹ thuật và tiêu chuẩn hóa TKFCM có thể
được sử dụng cho CT, PET, SPECT và hình ảnh thần kinh.

Sự đóng góp của tác giả: Ý tưởng được xây dựng bởi MSA; Hệ thống CRN đã thiết kế các thí nghiệm và thực
hiện các thí nghiệm bởi MSA, MAH và MSM; MMR và MSM đều được giám sát nghiên cứu;
MSA, MAH, MKI, KMA, KTA và MSM đã viết bài báo; MMR, BCS và MSM đã được xem xét phân tích và sửa đổi
bản thảo.
Kinh phí: Nghiên cứu này không nhận được tài trợ từ bên ngoài.

Sự nhìn nhận: Công việc này được hỗ trợ bởi Khoa Kỹ thuật Thông tin và Truyền thông (ICE), Đại học Hồi giáo,
Kushtia 7003, Bangladesh.
Xung đột lợi ích: Các tác giả tuyên bố không có xung đột lợi ích.

Các từ viết tắt

Các từ viết tắt sau được sử dụng trong bản thảo này:

ANN Chụp hình điện toán

CT mạng nơron nhân tạo
CAD Máy tính hỗ trợ chẩn đoán
CSM phân cụm Mô hình thống kê
NHÚNG, DÌM Tối đa hóa độ mở rộng Xử lý
EM hình ảnh kỹ thuật số
FCM Phương tiện C mờ
FFNN Nguồn cấp dữ liệu chuyển tiếp mạng nơ-ron

FBNN Nguồn cấp dữ liệu mạng nơ-ron quay ngược

KNN lại K-Nearest-Neighbor

NCIS Viện Ung thư Quốc gia Thống kê

MRI Hình ảnh Cộng hưởng Từ Máy
THÚ CƯNG chụp ảnh Hỗ trợ Phát xạ Positron
SVM Máy Véc tơ
SPECT Khí thải đơn Photon được tính toán dựa trên
TK nhiệt độ K-Means
TKFCM Phương tiện K dựa trên nhiệt độ và Phương tiện C mờ

Người giới thiệu

1. Selkar, RG; Thakare, M. Phát hiện và phân đoạn khối u não bằng cách sử dụng thuật toán ngưỡng và lưu
vực.NS. J. Adv. Inf. Commun. Technol.2014, 1, 321–324.
2. Borole, VY; Nimbhore, SS; Kawthekar, Kỹ thuật xử lý hình ảnh DSS để phát hiện khối u não: Đánh giá.NS. J. Cấp
cứu. Xu hướng Technol. Tính toán. Khoa học.2015, 4, 28–32.
3. Mustaqeem, A.; Javed, A. .; Fatima, T. Một thuật toán phát hiện khối u não hiệu quả bằng cách sử dụng phân
đoạn dựa trên lưu vực & ngưỡng.NS. J. Đồ thị Hình ảnh. Quy trình tín hiệu.2012, 4, 34–39. Kaur, H.; Phân đoạn
4. hình ảnh dựa trên vùng Mittal, M. để phát hiện khối u não.NS. J. Eng. Manag. Res.
2016, 6, 31–34.
5. Sinha, K .; Sinha, G. Phương pháp phân đoạn hiệu quả để phát hiện khối u trong hình ảnh MRI. Trong Kỷ
yếu Hội nghị Sinh viên IEEE 2014 về Khoa học Điện, Điện tử và Máy tính IEEE, Bhopal, Ấn Độ, 1–2 tháng 3
năm 2014; trang 1–6.
6. Bahadure, NB; Ray, AK; Thethi, Phân tích hình ảnh HP để phát hiện khối u não dựa trên MRI và trích xuất tính năng
bằng cách sử dụng BWT và SVM lấy cảm hứng từ sinh học.NS. J. Sinh học. Hình ảnh2017, 2017, 9749108. [CrossRef] [
PubMed]
7. Yazdani, S.; Yusof, R .; Karimian, A. .; Pashna, M.; Hematian, A. Phân đoạn hình ảnh và ứng dụng trong
hình ảnh MRI não.IETE Tech. Rev.2015, 32, 413–427. [CrossRef]
Dữ liệu lớn Cogn. Tính toán.2019, 3, 27 17 trên 18

số 8. Rana, R.; Singh, P. Phát hiện khối u não qua hình ảnh MR: Đánh giá Văn học.IOSR J. Tính toán. Anh
2015, 17, 7–18.
9. Mathew, AR; Anto, PB Phát hiện khối u và phân loại hình ảnh não MRI bằng cách sử dụng biến đổi Wavelet và
SVM. Trong Kỷ yếu của Hội nghị Quốc tế IEEE 2017 về Xử lý Tín hiệu và Truyền thông (ICSPC), Coimbatore, Ấn
Độ, 28-29 tháng 7 năm 2017; trang 75–78.
10. Patel, J.; Doshi, K. Một nghiên cứu về các phương pháp phân đoạn để phát hiện khối u trong MRI não.Tiến lên Êlectron.
Bầu cử. Anh2014, 4, 279–284.
11. Isselmou, A.; Zhang, S.; Xu, G. Một phương pháp mới để phát hiện khối u não bằng hình ảnh MRI.J. Sinh học. Khoa học. Anh
2016, 9, 44–52. [CrossRef]
12. Prastawa, M.; Bullitt, E.; Hồ, S.; Gerig, G. Một khung phân đoạn khối u não dựa trên phát hiện ngoại lai.
Med. Hình ảnh Hậu môn.2004, số 8, 275–283. [CrossRef]
13. Gordillo, N. .; Montseny, E.; Sobrevilla, P. Khảo sát hiện đại về phân đoạn khối u não bằng MRI.
Magn. Reson. Hình ảnh2013, 31, 1426–1438. [CrossRef] [PubMed]
14. Selvaraj, D.; Dhanasekaran, R. Mri kỹ thuật phân đoạn hình ảnh não — Một đánh giá.Người Ấn Độ J. Comput. Khoa học.
Anh2013, 4, 364–381.
15. Despotović, tôi; Goossens, B.; Philips, W. Phân đoạn MRI của não người: Những thách thức, phương pháp và ứng
dụng.Tính toán. Toán học. Phương pháp Med.2015, 2015, 450341. [CrossRef]
16. Noureen, E.; Hassan, K. Phát hiện khối u não bằng cách sử dụng Ngưỡng biểu đồ để lấy điểm Ngưỡng.
IOSR J. Electr. Êlectron. Anh2014, 9, 14–19. [CrossRef]
17. Dubey, RB; Hanmandlu, M.; Gupta, SK; Gupta, SK Các kỹ thuật phân đoạn hình ảnh MR não và sử dụng các
gói chẩn đoán.Acad. Chất phóng xạ.2010, 17, 658–671. [CrossRef] [PubMed]
18. Abirami, M.; Sheela, DT Phân tích kỹ thuật phân đoạn hình ảnh cho hình ảnh y tế. Trong Kỷ yếu Hội nghị
Quốc tế về Nghiên cứu Mới nổi trong Máy tính, Thông tin, Truyền thông và Ứng dụng, Bangalore, Ấn Độ,
1–2 tháng 8 năm 2014.
19. Deshmukh, RD; Jadhav, C. Nghiên cứu các kỹ thuật phân đoạn hình ảnh MRI khối u não khác nhau.NS. J. Khoa học. Anh
Tính toán. Technol.2014, 4, 133.
20. Dilpreet, K .; Kaur, Y. Các kỹ thuật phân đoạn hình ảnh khác nhau: đánh giá.NS. J. Tính toán. Khoa học. Đám đông. Tính toán.
2014, 3, 809–814.
21. Mathur, N.; Meena, YK; Mathur, S.; Mathur, D. Phát hiện Khối u Não trong Hình ảnh MRI thông qua Phương pháp Tiếp cận Dựa trên
Mờ. TrongHình ảnh thần kinh độ phân giải cao-Các nguyên tắc vật lý cơ bản và các ứng dụng lâm sàng; InTech: Rijeka, Croatia,
2018.
22. Pham, DL; Xu, C.; Prince, JL Các phương pháp hiện tại trong phân đoạn hình ảnh y tế.Annu. Rev. Biomed. Anh
2000, 2, 315–337. [CrossRef]
23. Xie, X. Một K-Kỹ Thuật Hàng Xóm Gần Nhất cho Phân Đoạn Khối U Não Sử Dụng Khoảng Cách Minkowski. J. Med. Thông
báo sức khỏe hình ảnh.2018, số 8, 180–185. [CrossRef]
24. Wasule, V.; Sonar, P. Phân loại MRI não sử dụng máy phân loại SVM và KNN. Trong Kỷ yếu của Hội nghị Quốc tế về
Cảm biến, Xử lý Tín hiệu và An ninh (ICSSS) lần thứ ba năm 2017, Chennai, Ấn Độ, ngày 4–5 tháng 5 năm 2017;
trang 218–223.
25. Sharma, K .; Kaur, A. .; Gujral, S. Một đánh giá về các kỹ thuật phát hiện khối u não khác nhau trong hình ảnh MRI não.
IOSR J. Eng. 2014, 4, 6–12. [CrossRef]
26. Singh, A.; Parveen. Phát hiện khối u não trên hình ảnh MRI, sử dụng kết hợp phương tiện c mờ và SVM.
Trong Kỷ yếu của Hội nghị Quốc tế lần thứ 2 về Xử lý Tín hiệu và Mạng Tích hợp (SPIN), Noida, Ấn Độ,
ngày 19–20 tháng 2 năm 2015; trang 98–102.
27. Van Leemput, K.; Maes, F.; Vandermeulen, D.; Suetens, P. Phân loại mô dựa trên mô hình tự động về hình
ảnh MR của não.IEEE Trans. Hình ảnh y học1999, 18, 897–908. [CrossRef]
28. Selvakumar, J.; Lakshmi, A.; Arivoli, T. Phân đoạn khối u não và tính toán diện tích của nó trong ảnhMR não bằng
cách sử dụng thuật toán phân cụm K-mean và Mờ C-mean. Trong Kỷ yếu của Hội nghị Quốc tế về Tiến bộ trong
Kỹ thuật, Khoa học và Quản lý (ICAESM), Tamil Nadu, Ấn Độ, 30-31 tháng 3 năm 2012; trang 186–190.

29. Dhanalakshmi, P.; Kanimozhi, T. Phân đoạn tự động khối u não bằng cách sử dụng phân nhóm K-Means và tính toán diện
tích của nó.NS. J. Adv. Bầu cử. Êlectron. Anh2013, 2, 130–134.
30. Yadav, S.; Meshram, S. Phát hiện khối u não bằng phương pháp phân cụm.NS. J. Tính toán. Anh Res.2013, 3, 11–14.
Dữ liệu lớn Cogn. Tính toán.2019, 3, 27 18 trên 18

31. Karypis, bột ngọt; Kumar, V .; Steinbach, M. So sánh các kỹ thuật phân cụm tài liệu. Trong Kỷ yếu Hội thảo
TextMining tại KDD2000, Boston, MA, USA, ngày 15 tháng 5 năm 2000.
32. Verma, M.; Srivastava, M.; Chack, N.; Tàn cuộc, AK; Gupta, N. Một nghiên cứu so sánh về các thuật toán phân cụm khác
nhau trong khai thác dữ liệu.NS. J. Eng. Res. Appl.2012, 2, 1379–1384.
33. Hội trường, LO; Bensaid, AM; Clarke, LP; Velthuizen, RP; Silbiger, MS; Bezdek, JC So sánh giữa mạng nơron
và kỹ thuật phân cụm mờ trong phân đoạn hình ảnh cộng hưởng từ của não.IEEE Trans. Mạng thần kinh.
1992, 3, 672–682. [CrossRef]
34. Bhide, A.; Patil, P.; Dhande, S. Phân đoạn não sử dụng Fuzzy C có nghĩa là phân cụm để phát hiện Vùng khối u.
NS. J. Adv. Res. Tính toán. Khoa học. Êlectron. Anh2012, 1, 85.
35. Szilagyi, L .; Benyo, Z .; Szilágyi, SM; Adam, H. MR phân đoạn hình ảnh não bằng cách sử dụng thuật toán c-
mean mờ nâng cao. Trong Kỷ yếu Hội nghị Quốc tế Thường niên lần thứ 25 của Hiệp hội Kỹ thuật Y học
và Sinh học, Cancun, Mexico, 17–21 tháng 9 năm 2003; Tập 1, trang 724–726.
36. Pham, DL; Prince, JL Phân đoạn mờ thích ứng của hình ảnh cộng hưởng từ. IEEE Trans.
Med. Hình ảnh1999, 18, 737–752. [CrossRef]
37. Pereira, S.; Pinto, A. .; Alves, V .; Silva, CA Phân đoạn khối u não bằng cách sử dụng mạng nơron xoắn trong hình
ảnh MRI.IEEE Trans. Med. Hình ảnh2016, 35, 1240–1251. [CrossRef] [PubMed]
38. Matta, S. Xem lại: Các kỹ thuật phân đoạn hình ảnh khác nhau. NS. J. Tính toán. Khoa học. Inf. Technol.2014, 5, 7536–7539.
39. Vijay, J.; Subhashini, J. Một phương pháp phát hiện khối u não hiệu quả sử dụng thuật toán phân cụm K-
mean. Trong Kỷ yếu của Hội nghị Quốc tế về Truyền thông và Xử lý Tín hiệu, Melmaruvathur, Ấn Độ, 3–5
tháng 4 năm 2013; trang 653–657.
40. Singh, A.; Yadav, A. .; Rana, A. K-mean với Ba thước đo khoảng cách khác nhau.NS. J. Tính toán. Appl.2013, 67, 13–
17. [CrossRef]
41. Arzoo, M.; GS, A.; Thuật toán Rathod, K. K-Means với các thước đo khoảng cách khác nhau trong khai thác dữ liệu không gian với
việc sử dụng NetBeans IDE 8.2.NS. Res. J. Eng. Technol.2017, 4, 2363–2368.
42. Ahmmed, R .; Hossain, MF Phát hiện khối u trong hình ảnh MRI não bằng cách sử dụng thuật toán phân cụm K-
mean và Fuzzy C dựa trên khuôn mẫu. Trong Kỷ yếu của Hội nghị Quốc tế về Truyền thông Máy tính và Tin học
(ICCCI), Coimbatore, Ấn Độ, ngày 7-9 tháng 1 năm 2016; trang 1–6.
43. Singh, K .; Malik, D.; Sharma, N. Phát triển các hạn chế trong thuật toán K-mean trong khai thác dữ liệu và loại bỏ chúng.
NS. J. Tính toán. Anh Manag.2011, 12, 105–109.
44. Shasidhar, M.; Raja, VS; Kumar, BV MRI phân đoạn hình ảnh não bằng cách sử dụng thuật toán phân cụm c-mean
mờ đã được sửa đổi. Trong Kỷ yếu của Hội nghị Quốc tế về Hệ thống Truyền thông và Công nghệ Mạng năm
2011, Jammu, Ấn Độ, 3–5 tháng 6 năm 2011; trang 473–478.
45. Hooda, H.; Verma, OP; Singhal, T. Phân đoạn khối u não: Một phân tích hiệu suất sử dụng K-Means, Fuzzy C-
Means và thuật toán phát triển vùng. Trong Kỷ yếu của Hội nghị Quốc tế IEEE 2014 về Công nghệ Máy
tính, Điều khiển và Truyền thông Tiên tiến, Ramanathapuram, Ấn Độ, 8–10 tháng 5 năm 2014; trang 1621–
1626.

©
c 2019 của các tác giả. Đơn vị được cấp phép MDPI, Basel, Thụy Sĩ. Bài viết này là một bài viết truy
cập mở được phân phối theo các điều khoản và điều kiện của giấy phép Creative Commons
Attribution (CC BY) (http://creativecommons.org/licenses/by/4.0/).