چکيده— تشخیص تومورهای کبد به کمک کامپیوتر از روی تصاویر CT (مقطع نگاری کامپیوتری) شکمی، مستلزم بخش بندی و آنالیز تومور می باشد. به دلیل سایز، شکل و موقعیت تومورهای کبدی و نیز وجود قسمت هایی با شدت نور مشابه در تصاویر CT، بخش بندی اتوماتیک کبد و تومور، دشوار می باشد. بنابراین، ابتدا می بایست کبد، بخش بندی شود تا اینکه بتوان در ادامه، تومور را به دقت از روی آن، بخش بندی نمود. بخش بندی کبد و تومور در تصویر CT را می توان به صورت دستی و یا نیمه اتوماتیک انجام داد. در این مقاله، روشی برای بخش بندی اتوماتیک کبد و تومور از روی تصاویر CT ارائه می شود که عمدتا برای تشخیص به کمک کامپیوتر، مورد استفاده می باشد. این روش از ترکیب روش رشد ناحیه و عملکردهای پیش پردازش و پس پردازش برای بخش بندی اتوماتیک کبد استفاده می کند و از الگوریتم خوشه بندی فازی AFCM (Alternative Fuzzy C-Means) برای بخش بندی تومور استفاده می کند. کارایی و اثر بخشی الگوریتم از طریق مقایسه نتایج بخش بندی دستی با نتایج بخش بندی اتوماتیک، ارزیابی می شود. مقایسه کمی و مقداری، ارتباط نزدیک میان نتایج بخش بندی دستی و اتوماتیک، و نیز هم پوشانی مکانی بالا میان نواحی مورد نظر (ROIs) ایجاد شده توسط این دو روش را نشان می دهد.
کلمات کليدي- - تشخیص به کمک کامپیوتر، بخش بندی کبد، بخش بندی تومور، رشد ناحیه، الگوریتم FCM (Fuzzy C-Means)

Abstract:  Computer aided diagnosis of liver tumors from abdominal Computer Tomography (CT) images requires segmentation and analysis of tumor. Automatic segmentation of tumor from CT images is difficult, due to the size, shape, position and presence of other objects with the same intensity present in the image. Therefore, it is necessary to segment the liver first so that tumor can then be segmented accurately from it. Liver and tumor segmentation can be performed on the CT image manually or semi automatically. In this paper, an approach for automatic segmentation of liver and tumor from CT images mainly used for computer-aided diagnosis of liver is proposed. The method uses region growing, facilitated by pre and post processing functions for automatic segmentation of liver and Alternative Fuzzy C-Means (AFCM) algorithm for tumor segmentation. The effectiveness of the algorithm is evaluated by comparing automatic segmentation results to the manual segmentation results. Quantitative comparison shows a close correlation between the automatic and manual as well as high spatial overlap between the regions-of interest (ROIs) generated by the two methods.
Keywords-Computer Aided Diagnosis, Liver segmentation, Tumor Segmentation, Region Growing, Alternative FCM