موسی شمسی - دانشگاه تهران، دانشکده فنی، گروه برق و کامپیوتر و دانشگاه آزاد اسلام
حمید سلطانیان زاده - دانشگاه تهران، دانشکده فنی، گروه برق و کامپیوتر و موسسه پزشکی فورد، آ

در این مقاله روشی بهینه برای بخش بندی ضایعات MS از روی تصاویر MR ارائه می شود. کاربرد بالینی MR مستلزم حذف ناهنجاری های مختلف تصاویر می باشد تا تصویری تقریبا تمیز و عاری از هرگونه ناهنجاری به دست آید. از جمله این ناهنجاریها می توان به غیریکنواختی شدت ناشی از میدان Radio Frequency) RF) اشاره کرد که بطور مکانی میانگین، میانه و واریانس تصاویر را تغییر می دهد. الگوریتم Wells و همکاران یکی از روش هایی است که اخیرا برای تصحیح غیریکنواختی شدت تصاویر ارائه شده است. این روش بر اساس الگوریتم expectation maximization) EM) بوده و بطور تلفیقی بخش بندی و تصحیح غیریکنواختی تصاویر MR را انجام می دهد. یکی از مشکلات این الگوریتم تخمین اتوماتیک پارامترهای کلاسهای بافتی می باشد. الگوریتم EM توسعه یافته از روشی برای تخمین اتوماتیک کلاسهای بافتی استفاده می کند. الگوریتم جدید برای تصحیح غیریکنواختی شدت و بخش بندی ضایعات MS بهینه می گردد. برای آنالیز کمی نتایج تصحیح غیریکنواختی از ضریب تغییرات انحراف معیار (نسبت انحراف معیار ناحیه ای مشخص به میانگین ضربدر 100) و برای آنالیز کمی نتایج بخش بندی ضایعات از اندیس تشابه بین بخش بندی دستی که توسط رادیولوژیست و بخش بندی الگوریتم استفاده کرده ایم. در همه حالتها، الگوریتم جدید نتایج بهتری نسبت به دیگر روش ها دارد. به عنوان مثال، در یکی از حالتها الگوریتم جدید ضریب تغییرات انحراف معیار را از 0/400 به 0/009 کاهش داده است ضمن اینکه الگوریتم Wells و همکاران آن را به 0/040 کاهش داده است.

ضایعات MS، غیریکنواختی میدان RF، الگوریتم EM، بیشینه احتمال شباهت، MRI