Segmentacja obrazów CT nerek z wykorzystaniem algorytmu optymalizacji rojem cząstek

W pracy magisterskiej zaproponowano rozwiązanie problemu segmentacji
obrazów CT nerek z wykorzystaniem algorytmu optymalizacji rojem cząstek (PSO).
Segmentacja obrazów odgrywa kluczową rolę w procesie analizy i oceny anatomii
nerek oraz diagnozowaniu chorób dotyczących tego organu. Algorytm PSO pozwala
na wydzielenie z obrazu trzech głównych części nerek: kory nerkowej, miedniczek
nerkowych i piramidek nerkowych. Oprócz wczytania obrazów, zadaniem
użytkownika aplikacji jest wprowadzenie danych niezbędnych do uruchomienia
algorytmu PSO i liczby kastrów. Segmentacja z wykorzystaniem metody PSO
opiera się jedynie na jednej informacji ekstrahowanej z obrazu - wartości piksela.
Rezultaty segmentacji obrazów testowych zwrócone przez algorytm PSO zostały
porównane z rezultatami uzyskanymi algorytmem k-średnich. Wyniki dowodzą, że lepsze rezultaty uzyskane zostały w przypadku segmentacji z udziałem algorytmu
PSO. Każda z części nerek została lepiej wyodrębniona. Algorytm PSO zapewnia
lepsze wydzielenie klastrów poprzez większą˛ separacje˛ pomiędzy każdą˛
parą klastrów oraz zmniejszenie odległości pomiędzy przypisanymi pikselami do
danego klastra.

In this master thesis solution for CT kidney image segmentation based on existing
Particle Swarm Optimization (PSO) clustering algorithm is proposed. Image
segmentation plays crucial role in analysis of kidney anatomy and diseases.
The PSO clustering algorithm finds three main parts of the kidney: medulla, cortex
and renal pelvis. User provides only parameters to PSO algorithm and number
of clusters. The PSO based method segments image into clusters using only
one information of image - the pixel value. The algorithm PSO has been compared
with K-means algorithm within set of testing CT images. Results proves
that PSO kidney segmentation is method which achieves better clustered kidney
than K-means algorithm. Each part of kidney represents cluster which are more
solid. PSO provides better separation of any pair of clusters, and minimizes the
distances between pixels and assigned cluster means.