Segmentación de Tumores Cerebrales Basada en Agrupamiento Híbrido y Operaciones Morfológicas

La inferencia de áreas de tumor y edema a partir de datos de imágenes de resonancia magnética (RM) del cerebro sigue siendo un desafío debido a la estructura compleja de los tumores cerebrales, límites difusos y factores externos como el ruido. Para aliviar la sensibilidad al ruido y mejorar la estabilidad de la segmentación, se propone en este documento un algoritmo de agrupamiento híbrido eficaz combinado con operaciones morfológicas para segmentar tumores cerebrales. Las principales contribuciones del documento son las siguientes: en primer lugar, se utiliza filtrado adaptativo de Wiener para eliminar el ruido, y se emplean operaciones morfológicas para eliminar tejido no cerebral, reduciendo efectivamente la sensibilidad del método al ruido. En segundo lugar, el agrupamiento K-means++ se combina con el algoritmo de C-means difuso basado en núcleo gaussiano para segmentar imágenes. Este agrupamiento no solo mejora la estabilidad del algoritmo, sino que también reduce la sensibilidad de los parámetros de agrupamiento. Finalmente, las imágenes de tumores extraídas se procesan posteriormente utilizando operaciones morfológicas y filtrado mediano para obtener representaciones precisas de los tumores cerebrales. Además, se comparó el algoritmo propuesto con otros algoritmos de segmentación actuales. Los resultados muestran que el algoritmo propuesto tiene un mejor desempeño en términos de precisión, sensibilidad, especificidad y recuperación.