کاهش بعد داده های تصاویر تشدید مغناطیسی مغز با استفاده از شبکه عصبی آموزش یافته توسط الگوریتم ژنی

در این مقاله روشی برای کاهش بعد فضای ویژگی تصاویر تشدید مغناطیسی مغز به سه بعد جهت ایجاد امکان تجسم توزیع داده ها در فضا و بخشبندی تصاویر پیشنهاد میشود. از شبکه عصبی پیشخورد برای تولید ویژگی های جدید استفاده میشود. پارامترهای شبکه عصبی توسط الگوریتم ژنی بگونه ای تعیین میشوند که داده های تبدیل یافته در خروجی شبکه عصبی تابع هدف معینی را بهینه نمایند. سه تابع هدف معرفی میشوند که بر مبنای تابع خطای سامون عمل می کنند و در دو تا از آنها محدودیتی به این معیار خطا اضافه شده است. داده های فضای ویژگی سه بعدی بدست آمده را میتوان از طریق ترسیم تصویر پرسپکتیو هیستوگرام سه بعدی مجسم نمود و با تعیین حدود مرز خوشه های داده در این تصویر ،تصاویر تشدید مغناطیسی را بخشبندی کرد . نتایج بدست آمده از روشهای پیشنهادی با نتایج روشهای تبدیل خطی و تبدیل شبکه عصبی پس انتشار خطا(BPNN) مقایسه میشوند. دو روش پیشنهادی که از توابع هدف پیشنهادی اول و دوم استفاده می کنند، برای یک سری تصویر MR شبیه سازی شده نتیجه ای بمراتب بهتر از سایر روشها را از نظر ایجاد خوشه های متمایز از هم ارایه میدهند .همچنین به لحاظ تفکیک بافتهای غیرعادی در 10 سری تصویر MR واقعی،نتایج حاصل از این دو روش بخشبندی با خطای کمتری نسبت به روشهای قبلی در اختیار قرار میدهند.