Neuro-Fuzzy Approach Toward Segmentation of Brain MRI Based on Intensity and Spatial Distribution

Abstract 

Segmentation in image processing finds immense application in various areas. Image processing techniques can be used in medical applications for various diagnoses. In this article, we attempt to apply segmentation techniques to the brain images. Segmentation of brain magnetic resonance images (MRI) can be used to identify various neural disorders. We can segment abnormal tissues from the MRI, which and can be used for early detection of brain tumors. The segmentation, when applied to MRI, helps in extracting the different brain tissues such as white matter, gray matter and cerebrospinal fluid. Segmentation of these tissues helps in determining the volume of these tissues in the three-dimensional brain MRI. The study of volume changes helps in analyzing many neural disorders such as epilepsy and Alzheimer disease. We have proposed a hybrid method combining the classical Fuzzy C Means algorithm with neural network for segmentation.

Résumé 

La segmentation dans le traitement de l'image trouve d'immenses applications dans différents domaines. Les techniques de traitement de l'image peuvent être utilisées dans des applications médicales pour différents diagnostics. Nous avons tenté d'appliquer la segmentation de l'image à l'imagerie du cerveau. La segmentation des images par résonance magnétique (IRM) du cerveau peut être utilisée pour l'identification de différents troubles neurologiques. Nous pouvons segmenter les tissus anormaux de l'IR, ce qui peut être utilisé pour la détection hâtive des tumeurs cérébrales. La segmentation appliquée à l'IRM aide à extraire les différents tissus cérébraux comme la substance blanche, la matière grise et le fluide cérébrospinal. La segmentation de ces tissus aide à en déterminer le volume dans les images IRM tridimensionnelles du cerveau. L'étude des changements volumétriques est utile dans l'analyse de plusieurs troubles neuraux, notamment l'épilepsie et la maladie d'Alzheimer. Nous avons proposé une méthode hybride combinant l'approche FCM (Famille d'algorithmes de classification floue) classique et le réseau neural pour effectuer la segmentation.