سرطان پروستات سومین سرطان شایع در جهان می باشد، بنابراین بخش بندی پروستات برای آشکار سازی سرطان پروستات و طرح ریزی درمان این بیماری اهمیت بسیاری دارد. روش پیشنهاد شده برای بخش بندی پروستات شامل دو بخش اصلی می باشد 1- بخش بندی اولیه پروستات با استفاده از ساخت مدل احتمالاتی 2- تصحیح بخش بندی اولیه به کمک مدل شکل آماری. به منظور تصحیح اثر غیر یکنواختی شدت روشنایی و اصلاح وضعیت قرارگیری بیمار، یک مرحله پیش پردازش بر روی تصاویر انجام می شود. با استفاده از تراکنش کاربر، استخوان های چپ و راست تصاویر به منظور انطباق صلب تصاویر، استخراج می شوند. با استفاده از ماتریس های تبدیل حاصل از انطباق صلب تصاویر مجموعه آموزش و تصویر آزمون، تصویراطلس احتمالاتی مربوط به تصویر آزمون ساخته می شود و با آستانه گذاری بر روی آن، بخش بندی اولیه پروستات به دست می آید. در مرحله دوم، از تصاویر مجموعه آموزش برای ساخت مدل شکل آماری پروستات استفاده می شود. انطباق تصاویر و یافتن نقاط متناظر به کمک الگوریتم cpd انجام می شود. در آخر، بخش بندی اولیه پروستات با استفاده از مدل شکل آماری بازسازی و اصلاح می شود. متوسط معیار dice برای بخش بندی اولیه با استفاده از 10 داده آموزش 65/0 و برای بخش بندی نهایی 48/0 می باشد.

یافتن صحیح نقاط متناظر اعضای مجموع? آموزش، یکی از چالش های اساسی در ساخت مدل های آماری محسوب می شود. در این تحقیق از روش انطباق غیر صلب cpd (coherent point drift) بهبود یافته جهت یافتن نقاط متناظر و ساخت مدل آماری برای 30 تصویر سی تی اسکن کبد استفاده شده است. با ترکیب تناظر فازی، الگوریتم deterministic annealing و انطباق غیر صلب دو شکل، تناظر بین نقاط بدست می آید و مدل شکل آماری توسط یک تبدیل صلب ایجاد می شود. ارزیابی روش پیشنهادی با استفاده از میزان فشردگی، قابلیت تعمیم، اختصاصی بودن و زمان اجرا انجام شده است.