تصویربرداری (magnetic resonance imaging)mri بخاطر دقت بالای تصویر و قدرت تشخیص عالی بافتهای نرم از یکدیگر، در به تصویر کشاندن بافتهای غیرطبیعی مغز انسان موفق بوده است . اختلالات عصبی مختلفی وجود دارند که منجر به آسسیب دیدگی سیستم عصبی مرکزی (central nerve system) می شوند و از جمله آن می توان به بیماری ms(mulltiple sclerosis) اشاره کرد. تصویربرداری mr نشان داده است که نسبت به این بیماری خیلی حساس می باشد و قادر است ضایعات را نسبت به بافتهای محیطی خود با شدت متفاوت به تصویر بکشاند. بخش بندی و استخراج ضایعات ms مغز انسان محور اصلی این تحقیق می باشد. به همین خاطر روشهای مختلف استخراج ضایعات ms مورد بررسی قرار می گیرد. کابردهای بالینی تصاویر مستلزم حذف ناهنجاریهای موجود در آن می باشد. از آن جمله می توان به غیریکنواختی میدان (radio frequency) rf اشاره کرد که بطور مکانی میانگین، میانه واریانس تصاویر را تغییر می دهد. آلگوریتمهای تلفیقی ارائه شده توسط wells و همکاران [9] و guillemaud وbrady [v] بر اساس آلگوریتم (expectation maximization) em استاندارد بوده که در آن بطور همزمان بخش بندی و تصحیح غیریکنواختی شدت تصاویر صورت می گیرد. از جمله مسائل مطرح در این آلگوریتم تخمین اتوماتیک پارامترهای کلاسهای بافتی می باشد. آلگوریتم جدیدی بر اساس آلگوریتم em استاندارد ارائه شده است که در آن روشی برای تخمین اتوماتیک پارامترهای کلاسهای بافتی در نظر گرفته ایم. آلگوریتم بخش بندی و تصحیح غیریکنواخت شدت مشابه آلگوریتم wells و همکارانش است لیکن برای بهینه سازی آلگوریتم جدید، تغییراتی در آلگوریتم مذکور داده شده است . برای مقایسه کمی نتایج تصحیح غیریکنواختی شدت آلگوریتمها از معیار ضریب تغییرات انحراف معیار (نسبت انحراف معیار rol مشخص به میانگین ضربدر 100) و برای مقایسه کمی نتایج بخش بندی ضایعات ms از معیار اندیس تشابه استفاده کرده ایم. در همه حالتها نتایج آلگوریتم ارائه شده قابل توجه می باشد. بعنوان مثال در یکی از تصاویر، آلگوریتم جدید ضریب تغییرات انحراف معیار از 0/400 به 0/009 کاهش داده است در حالیکه آلگوریتم wells و همکاران آنرا به 0/040 و آلگوریتم guillemaud و brady آنرا به 0/022 تغییر داده است .