Resumen

Este trabajo presenta un nuevo algoritmo difuso para la segmentación de imágenes de RM cerebral y la estimación simultánea de la falta de homogeneidad de la intensidad. El algoritmo propuesto define una función objetivo que incluye una energía difusa local y una energía difusa global. Basándonos en el supuesto de que las intensidades locales de la imagen pertenecientes a cada tejido satisfacen distribuciones gaussianas con diferentes medias, derivamos la energía difusa local utilizando la probabilidad máxima posterior (MAP) y la regla de Bayes. La energía difusa global se define midiendo la distancia entre la imagen original y la correspondiente imagen libre de falta de homogeneidad. Combinamos la energía difusa global con la energía difusa local utilizando una función de peso adaptativa cuyo valor varía con el contraste local de la imagen. Esta combinación permite al algoritmo propuesto abordar la falta de homogeneidad de la intensidad y mejorar la precisión de la segmentación y su robustez frente a la inicialización. Además, el algoritmo propuesto incorpora información espacial del vecindario en la función de pertenencia para reducir el impacto del ruido. Los resultados experimentales para imágenes sintéticas y reales validan las prestaciones deseables del algoritmo propuesto.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:energía difusa global, energía difusa local, algoritmo, inhomogeneidad de intensidad, función de peso adaptativa, imágenes de resonancia magnética cerebral, intensidades de imagen locales, algoritmo difuso novedoso, segmentación, regla de bayes
• Keywords:global fuzzy energy, local fuzzy energy, algorithm, intensity inhomogeneity, adaptive weight function, brain mr images, local image intensities, novel fuzzy algorithm, segmentation, bayes rule