چکيده— این مقاله عملکرد دو روش بخش بندی شناخته شده را که در تصاویر CT کبد استفاده می شوند؛ ارائه نموده و ارزیابی می کند. این دو روش عبارتند از الگوریتم k-means و الگوریتم بخش بندی برش های نرمال شده. بر این اساس با در نظر گرفتن بخش بندی های مرجع، یک آزمایش بر روی ده تصویر CT کبد انجام می شود تا اینکه عملکرد این دو روش مورد بررسی قرار گیرد. نتایج آزمایش با استفاده از یک معیار ارزیابی مقایسه می شوند. این معیار ارزیابی، دقت بخش بندی را نشان می دهد. با توجه به نتایج حاصله در این بررسی، مشاهده می شود که الگوریتم خوشه بندی k-means در جایی که ناحیه مورد نظر به فرم یک شکل بسته باشد؛ عملکرد بهتری را نسبت به الگوریتم بخش بندی برش های نرمال شده نشان می دهد و این در حالی است که الگوریتم برش های نرمال شده در مورد خوشه های غیر مدور، نتایج بهتری را حاصل می نماید. بعلاوه در خوشه بندی توسط الگوریتم k-means، بخش های اولیه مختلف می توانند به خوشه های نهایی مختلف منتج شوند.
کلمات کليدي- برش های نرمال شده (N-Cuts)، k-means، اسکن CT کبد، بخش بندی تصاویر

Abstract:  This paper presents and evaluates the performance of two well-known segmentation approaches that were applied on liver computed tomography (CT) images. The two approaches are K-means and normalized cuts. An experiment was applied on ten liver CT scan images, with reference segmentations, in order to test the performance of the two approaches. Experimental results were compared using an evaluation measure that highlights segmentation accuracy. Based on the obtained results in this study, it has been observed that K-means clustering algorithm outperformed normalized cuts segmentation algorithm for cases where region of interest depicts a closed shape, while, normalized cuts algorithm obtained better results with non-circular clusters. Moreover, for K-means clustering, different initial partitions can result in different final clusters.
Keywords- - normalized cuts (N-cuts), K-means, liver CT scan, image segmentation