Tıbbi görüntülerde çoklu eşikleme: Otsu, Kapur ve hibrit entropy fonksiyonları temelli optimizasyon algoritmalarının karşılaştırmalı analizi

Abstract

Çalışma, gri tonlamalı beyin MR görüntülerinde çok seviyeli eşikleme sorununa yönelik üç amaç fonksiyonunu karşılaştırır: Otsu, Kapur ve bunların entropi-varyans tabanlı hibriti. Çalışma kapsamında; Guguk Kuşu Araması (CS), Diferansiyel Evrim (DE), Ateş Böceği (FFA), Parçacık Sürüsü (PSO), Balina (WOA) ve Savaş Stratejisi (WSOA) algoritmaları, Lower-Grade Glioma veri tabanındaki 110 hastaya ait dilimlerde kapsamlı bir performans ön değerlendirmesine tabi tutulmuştur. Bu ön analizler sonucunda yakınsama kararlılığı ve segmentasyon başarısı düşük kalan algoritmalar elenmiş; detaylı optimizasyon süreçleri Parçacık Sürüsü (PSO) ve Guguk Kuşu (CS) algoritmaları üzerine yoğunlaştırılmıştır. Segmentasyon kalitesi Dice Benzerlik Katsayısı (DSC), Jaccard İndeksi (IoU), Hausdorff Mesafesi (HD95) ve Boundary-F1 skorları ile ölçülmüştür. Deneyler, önerilen hibrit entropi-varyans fonksiyonunun özellikle PSO algoritması (PSO-Hybrid) ile birlikte kullanıldığında, tekil yöntemlere (Otsu ve Kapur) ve standart CS tabanlı yaklaşımlara kıyasla hem sayısal hem de algısal ölçütlerde en yüksek doğruluğu sağladığını göstermektedir. Bulgular, meta-sezgisel optimizasyonun hibrit amaç fonksiyonlarıyla entegrasyonunun, beyin tümörü segmentasyonunda sınır hatalarını anlamlı biçimde azalttığını doğrular.The study compares three objective functions for the multi-level thresholding problem in grayscale brain MR images: Otsu's method, Kapur's entropy, and their entropy-variance-based hybrid. Within the scope of the study, Cuckoo Search (CS), Differential Evolution (DE), Firefly (FFA), Particle Swarm Optimization (PSO), Whale Optimization Algorithm (WOA), and War Strategy Optimization (WSOA) algorithms were subjected to a comprehensive preliminary performance evaluation on slices from 110 patients in the Lower-Grade Glioma database. As a result of these preliminary analyses, algorithms demonstrating low convergence stability and segmentation success were eliminated, and detailed optimization processes were focused on Particle Swarm Optimization (PSO) and Cuckoo Search (CS) algorithms. Segmentation quality was measured using the Dice Similarity Coefficient (DSC), Jaccard Index (IoU), Hausdorff Distance (HD95), and Boundary-F1 scores. Experiments demonstrate that the proposed hybrid entropy-variance function, especially when combined with the PSO algorithm (PSO-Hybrid), achieves the highest accuracy in both numerical and perceptual metrics compared to singular methods (Otsu and Kapur) and standard CS-based approaches. The findings confirm that the integration of meta-heuristic optimization with hybrid objective functions significantly reduces boundary errors in brain tumor segmentation.