روشی جدید جهت بخش بندی ضایعات مالتیپل اسکلروزیس (MS) در تصاویر MR مغزی

بخش بندی ضایعات مالتیپل اسکلروزیس (MS) در تصاویر MR مغزی به منظور کمک به تشخیص و پیگیری این بیماری در سالهای اخیر مورد توجه قرار گرفته است. در این مطالعه از مدل ترکیب گوسی (GMM) برای قطعه بندی ضایعات MS در تصاویر MR استفاده شد. به منظور بهینه سازی GMM از الگوریتم بیشینه سازی امید ریاضی (EM) استفاده می شود اما این الگوریتم معمولا به یک نقطه بهینه محلی همگرا می شود که برای رهایی از گیر افتادن در این نقطه، الگوریتم را از نقاط شروع متفاوت اجرا کرده و بهترین نتیجه ذخیره می شود که کاری زمانبر است. در این مقاله از استراتژی متفاوتی به منظور تسریع و افزایش دقت این الگوریتم استفاده شده است. همچنین به منظور کاهش میزان محاسبات و افزایش دقت الگوریتم EM، از الگوریتم Fast Trimmed-Likelihood استفاده شد. جهت اعتبارسنجی روش پیشنهادی، تصاویر ناحیه بندی شده به روش خودکار با تصاویر ناحیه بندی شده توسط دو فرد متخصص مقایسه شده است. نتایج حاصل نشان می دهد روش پیشنهادی با کسب رتبه ۸۲% برای ضریب تشابه Dice، قابلیت این را دارد که با دقت بالایی ضایعات MS را تشخیص داده و بخش بندی نماید