ناحیه بندی تصاویر تشدید مغناطیسی

ناحیه بندی و انجام تحلیل کمی روی تصاویر تشدید مغناطیسی (mr) برای کاربردهای تشخیصی و بهبود کیفیت و کنترل روند درمان، امری لازم و ضروری است . وجود نویز و آرتفکتهای متعدد در تصاویر mr، سبب شده است که ناحیه بندی بدون نظارت این تصاویر کاری دشوار باشد. در این رساله، در راستای توجه به نویز و آرتیفکهای میدان ضربی و جز حجم پنج روش جدید برای ناحیه بندی و تحلیل کمی روی تصاویر mr عرضه شده است . تعداد روشها به دلیل توجه به ترکیبات مختلفی از عوامل مذکور در حالات مختلف می باشد. همه روشهای عرضه شده، بدون نظارت (خودکار) می باشند. موارد کاربرد روشها به دو گروه کلی تشخیصی و درمانی تفکیک شده است . در کاربردهای تشخصیصی، با انجام مقایسه بین توانایی و قابلیت انعطاف روشهای مختلف ، شبکه های عصبی (و به طور مشخص شبکه عصبی هاپفیلد رقابتی) برای ناحیه بندی تصاویر mr مناسبترین ابزار تشخیص داده شده است . در این زمینه سه الگوریتم جدید ارائه شده که عبارتند از mhnn-hcm, ichnn، و mhnn-fcm الگوریتم mhnn-hcm نیز فقط نویز تصویر را در نظر می گیرد ولی الگوریتم mhnn-fcm علاوه بر نویز، اثر جز حجم را نیز ملحوظ می کند. به منظور اطمینان از صحت عملکرد روشهای پیشنهادی، ابتدا این روشها روش تصاویر مصنوعی و فانتوم اجرا شده اند. در خصوص نتایجک روشها روی دادگان واقعی، تحلیل کمی، و نیز تحلیل کیفی توسط رادیولوژیستهای متخصص انجام شده است . برای کاربردهای درمانی نیز الگوریتمی نوین ارائه شده است . این الگوریتم بر مبنای مدل آماری، و سازگار می باشد. الگوریتم سازگار عرضه شده همه عوامل خطاساز مورد نظر در این رساله را در نظر می گیرد. این الگوریتم سازگار، قادر به کاهش نویز، و کاهش اثر میدان ضربی تصاویر چند پارامتری mr می باشد. گذشته از اینها، پیکسلهای واقع در مرز بافتها را نیز به درستی ناحیه بندی می کند و این در اثر ملحوظ نمودن اثر جز حجم است . انجام برخی فرضهای ساده ساز، در جهت تسهیل در اجرا و تسریع در الگوریتمهای سازگار، امکان سنجی شده است . عدم تساوی احتمال پیشین بافتها، و عدم تساوی واریانس بافتهای هر کانال، و واریانس بافتها در کانالهای مختلف ، از مزایای کم نظیر روش سازگار عرضه شده می باشد. همچنین با توجه به میانگین - متغییر واریانس - متغییر بودن توزیعهای پایه بکار گرفته شده در مدل آماری، توانایی رسیدن به منحنی پیچیده تابع چگالی احتمال تصاویر mr، امکان پذیر شده است . نویز تصاویر mr دارای توزیع رایس می باشد و تا کنون برای برآورد توام پارامترهای این توزیع با روش ml عرضه شده است . با توجه به اهمیت موضوع تعیین خودکار تعداد بافتها در روشهای بدون نظارت برای ناحیه بندی تصاویر چند پارامتری mr، مقایسه ای بین معیارهای mmdl, mdl, alc, mmcbv, mcbv و wdc انجام شده و این نتیجه حاصل شده است که معیار wdc برای این مقصود کاراتر است . تعمیم معیار mcbv برای تصاویر چند پارامتری mr، تعیین پارامترهای آزاد معیار wdc، و انجام مقایسه بین معیارهای شش گانه ذکر شده، نوآوریهای این رساله در بحث اعتبارسنجی خوشه برای تصاویر چند پارامتری mr می باشند.