Медицинская радиология и радиационная безопасность. 2026. Том 71. № 2

DOI:10.33266/1024-6177-2026-71-2-107-114

Muaayed F. Al-Rawi ¹, Muhanned AL-Rawi ²

СЕГМЕНТАЦИЯ СНИМКОВ ОПУХОЛЕЙ ГОЛОВНОГО МОЗГА С ИСПОЛЬЗОВАНИЕМ КЛАСТЕРИЗАЦИИ МЕТОДОМ K-СРЕДНИХ

¹ Институт инженерии университета Мустансерия, Багдад, Ирак

² Колледж Университета Мудрости, Ирак

Контактное лицо: Muaayed F. Al-Rawi, e-mail: This email address is being protected from spambots. You need JavaScript enabled to view it.

Резюме
Сегментация изображений опухолей головного мозга направлена ​​на дифференциацию различных компонентов опухолевых тканей, включая живые клетки, некротизированные ядра и области отека. Помимо этого, производится выделение нормальных тканей мозга: белого (БВ) и серого вещества (СВ), а также спинномозговой жидкости (СМЖ). За последние несколько лет благодаря неинзвазивности и высокой контрастности получаемых изображений в значительной степени возрос интерес к исследованиям, описывающим сегментацию опухолей головного мозга на основе данных магнитно-резонансной томографии (МРТ). В течение последних двадцати лет компьютерные методы сегментации снимков опухолей головного мозга стремительно развивались и на сегодняшний день приближаются к интеграции в рутинную клиническую практику. Цель данной статьи ‒ провести сегментацию МРТ-изображений опухоли головного мозга с использованием кластеризация методом К-средних. Кластеризация методом K-средних ‒ это неконтролируемый подход, который используется для отделения области интереса от фона. В данной работе для повышения качества используемого МРТ-снимка было проведено его частичное растяжение.

Ключевые слова: МРТ, сегментация изображений, кластерный алгоритм, опухоль головного мозга

Для цитирования: Muaayed F. Al-Rawi, Muhanned AL-Rawi. Сегментация снимков опухолей головного мозга с использованием кластеризации методом K-средних // Медицинская радиология и радиационная безопасность. 2026. Т. 71. № 2. С. 107–114.  (англ.). DOI:10.33266/1024-6177-2026-71-2-107-114

Список литературы

1. Muaayed F. Al-Rawi, Izz K. Abboud, Nasir A. Al-Awad. Using Machine Learning Algorithms to Detect Cancer Automatically. Medical Radiology and Radiation Safety. 2025;70;3:83-89.
2. URL: https://www.who.int/.
3. Izz K. Abboud, Muaayed F. Al-Aawi, Nasir A. Al-Awad. Digital Medical Image Encryption Approach in Real-Time Applications. System Research & Information Technologies. 2024;1:26-32.
4. Muaayed F. Al-Rawi, Izz K. Abboud, Nasir A. Al-Awad. Novel Approach Using Transfer Deep Learning for Brain Tumor Prediction. Medical Radiology and Radiation Safety. 2021;69;3:81-85.
5. Lotlikar V.S., Satpute N., Gupta A. Brain Tumor Detection Using Machine Learning and Deep Learning: A Review. Current Medical Imaging. 2022;18;6:1-19.
6. Kovesi B., Boucher J.M., Saoudi S. Stochastic K-means Algorithm for Vector Quantization. Pattern Recognition Letters. 2001;22:603-610.
7. Gdalyahu Y., Weinshall D., Wermen M. Self-Organization in Vision: Stochastic Clustering for Image Segmentation, Perceptual Grouping, and Image Database Organization. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2016;23;12:1053-1074.
8. Veenman C.J., Reinders M.J.T., Backer E. A Maximum Variance Cluster Algorithm”, IEEE Transactions on Pattern Analysis and Machine Intelligence. 2018;24;9:1273-1280.
9. Carson C., Greenspan H. Blobworld: Image Segmentation Using Expectation-Maximization and Its Application to Image Querying. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2018;24;8:1026-1038.
10. Atsushi K., Masayuki N., Means K. Algorithm Using Texture Directionality for Natural Image Segmentation. IEICE Technical Report. Image Engineering. 2019;97;8:17-22.

  PDF (RUS) Полная версия статьи

Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.

Финансирование. Исследование не имело спонсорской поддержки.

Участие авторов. Cтатья подготовлена с равным участием авторов.

Поступила: 20.01.2026. Принята к публикации: 25.02.2026.