قطعه بندی فازی ام آر آی مغز مبتنی بر نظریه شواهد

ساختار پیچیده بافت های مختلف مغز و مشکلات متنوعی که در فرآیند تصویر برداری ام آر آی وجود دارد، قطعه بندی تصاویر مزبور را با مشکل عدم قطعیت روبرو نموده است. بخشی از عدم قطعیت، به دقت تصویر برداری و برخی دیگر به تفسیر آن، شامل مراحل مختلف پردازش، ارتباط دارد. رویکردهای مختلفی برای مدیریت و مدل سازی عدم قطعیت اخیر (تفسیری) وجود دارد که از آن جمله می توان به نظریه فازی و نظریه شواهد (دمستر-شفر ds) اشاره نمود. از ویژگی های مهم نظریه شواهد توانایی بالقوه آن در کاهش این عدم قطعیت با ترکیب ساختارهای اعتقادی با یکدیگر است. در این رساله، مدلی برای احراز شرایط تضمین کاهش عدم قطعیت و به تبع آن، کاهش خطای قطعه بندی در ترکیب ساختارهای اعتقادی با نظریه شواهد ارائه شده است. علاوه بر این، سه ساختار اعتقادی با نام های fcmds، fcmmds و fdsis برای قطعه بندی ام آر آی مغز پیشنهاد شده است. fcmds و fcmmds حاصل ترکیب خوشه بندی فازی (fcm) و نظریه شواهد و fdsis مبتنی بر ترکیب سیستم استنتاج فازی (fis) و نظریه شواهد است. برای بررسی تاثیر انتخاب محدوده پارامترهای طراحی در روش های پیشنهادی، با استفاده از مدل ذکر شده، شبیه سازی های متنوعی صورت گرفته است. نتایج کمّی (معیارهای شباهت دایس و تانیموتو) و کیفی اعمال روش های پیشنهادی بر روی داده های استاندارد شبیه سازی شده و تصاویر واقعی ام آر آی حاکی از برتری محسوس روش های پیشنهادی نسبت به الگوریتم های معروف دیگر است. بهترین میانگین پاسخ بر روی داده های شبیه سازی شده سه بعدی در روش های قبلی، حدود 88% (با واریاس 005/0) بوده است، در حالی که روش های پیشنهادی موفق به بهبود عملکرد تا 93% (با واریانس صفر) شدند. در مورد داده های واقعی میانگین نتیجه روش های پیشنهادی نسبت به یکی از جدیدترین روش های ارائه شده (2011 - cswtsom) افزایش هفت درصدی را نشان می دهد.