تصویربرداری mr(magnetic resonance imaging) بخاطر دقت بالا و قدرت تشخیص عالی بافت های نرم از یکدیگر، در به تصویر کشاندن بافت های غیرطبیعی مغز انسان موفق بوده است. اختلالات عصبی مختلفی وجود دارند که منجر به آسیب دیدگی میلین سیستم عصبی مرکزی میشوند و از آن جمله میتوان به بیماری (ms)multiple sclerosis اشاره کرد. این بیماری از طریق مکانیسم غیر طبیعی ایمنی عمل کرده و با آسیب رسانی به غلاف میلین پوشانندهی آکسونها سبب اختلال در عملکرد سیستم اعصاب مرکزی میشود. اغلب افراد مبتلا به ms در بین سنین 20 تا 50 هستند، و این بیماری زنان را سه برابر بیش از مردان گرفتار می کند. تعداد مبتلایان به ms در سراسر جهان حدود 2.5 میلیون نفر تخمین زده می شود]1[، تصویر برداری mr روش مناسبی برای تشخیص بیماری ms است و حدود 95% افراد بیمار با استفاده از این تصاویر شناسایی می شوند. ضرورت تحقیق: تصاویر mr اطلاعات مهمی به منظور پیدا کردن روش های درمان فراهم میکند، بررسی این تصاویر به روش دستی بسیار وقت گیر و پیچیده، و از طرفی بررسی و ترکیب اطلاعات بدست آمده از کانال های مختلف امری دشوار است. روش های خودکاری که قطعه بندی را انجام میدهند به طور خیلی زیادی وابسته به مشخصات، کاربرد و کیفیت تصاویر هستند. علاوه بر این، قطعهبندی تصاویر پزشکی یک کار چالش انگیز است، زیرا معمولا شامل مقادیر زیادی از اطلاعات هستند و همچنین اغلب آنها به دلیل حرکت بیمار در زمان تصویر برداری، زمان محدود تصویر برداری و روی هم افتادگی محدوده بافت های نرم، خوش فرم نبوده و دارای نویز و اثرهای مصنوعی میباشند. در بیماری ms، استخراج ضایعات بعلت متفاوت بودن شکل و اندازه آنها، قرار گرفتن آنها در مکانهای مختلف امری دشوار است. تا به حال حداکثر تشخیص ضایعات به روش کاملا اتوماتیک و با معیار اندیس شباهت 75% بوده است. اهداف تحقیق: هدف اصلی این پایاننامه، ارائه روشهای خودکار قطعهبندی تصاویر mr به منظور استخراج ضایعات ms با دقت بالاتر است. روشهای ارائه شده از کلاسبندی فازی و ترکیب الگوریتم ژنتیک و روش کلاسبندی ماشین بردار پشتیبان((svm استفاده میکنند. سپس این روشها از نظر کمی ارزیابی و با هم مقایسه میشوند. روشهای ارائه شده: ابتدا روشهای جدید استخراج ضایعات ms بر مبنای الگوریتمهای fcm، fpcm،pfcm و mpfcm ارائه شده است، در این روشها ابتدا تصاویر t1 و t2 بطور جداگانه ای بر اساس یکی از الگوریتمهای نامبرده بخش بندی میشوند، سپس از تصویر t1 بعنوان یک ماسک استفاده شده و با تصاویر t2 مقایسه میشود تا ضایعات استخراج شوند. در ادامه، یک سیستم فازی ارائه شده است، ابتدا ویژگی های مورد استفاده در این سیستم از تصاویر استخراج شده، این بردار ویژگی برای هر وکسل شامل شدت آن وکسل، شدت 8 همسایه آن در تصویر flair و شدت نظیر آن وکسل در تصویر t2 است. توابع عضویت فازی از روی توزیع ویژگیها محاسبه شده، دسته بندی با مدل ممدانی و قوانین فازی بر اساس دانش بدست میآید. در پایان از روش ترکیب الگوریتم ژنتیک و روش svm استفاده شده است، در این روش ابتدا تصاویر سه بعدی t1، t2 و flair هر بیمار را از ورودی دریافت کرده، سپس با استفاده از الگوریتم ژنتیک ویژگیهای موثر در استخراج ضایعات ms انتخاب شده، تابع برازش در الگوریتم ژنتیک، میزان دقت اندیس شباهت روش دستهبندی svm در استخراج ضایعات ms در نظر گرفته شده است. ویژگی روش های ارائه شده: روش های قطعه بندی ارائه شده بدلیل استفاده از اطلاعات مکانی با دقت بالا بر روی تصاویر پزشکی عمل میکنند و ضایعات را تا حدود 87% استخراج میکنند. از طرفی لبه های تصویر کاملاٌ مشخص نیستند و حالت فازی دارند، لذا روشهای فازی می توانند کارآمد باشند. روش ترکیب الگوریتم ژنتیک و روش دستهبندی ماشین بردار پشتیبان نشان میدهد که انتخاب ویژگی میتواند تاثیر مثبتی بر روی کارایی الگوریتم یادگیری داشته باشد. الگوریتم svm مانند بسیاری از الگوریتمهای یادگیری برای موفقیت در ساخت مدلی از دادهها وابسته به شناسایی مجموعهی کوچکی از صفات است. وجود صفات نامربوط و زائد در مرحله ساخت مدل میتواند کاهش به کارایی تخمین و ازدیاد محاسبات منجر شود. در حالت عمومی مشخص نیست که کدام زیر مجموعه از ویژگیها مناسب خواهد بود، از طرفی بررسی تمام زیر مجموعه ها از نظر صرف وقت امکان پذیر و مقرون به صرفه نیست. الگوریتم ژنتیک روشی مناسب برای این انتخاب است.