تخمین اتوماتیک پارامترهای کلاسهای بافتی تصاویرMR

از جمله مباحث مطرح در اکثر آلگوریتمهای بخش بندی براساس مدل، تخمین اتوماتیک پارامترهای کلاسهای بافتی است. در این مقاله تخمینگرهای قدرتمند ژنتیکی و نمونه بهبود یافتهEM مطرح و نسبت به هم مورد ارزیابی قرار می گیرند. آلگوریتمهای ژنتیکی تکنیکهای جستجوی مؤثر آماری برای مسائل بهینه سازی کلیglobal) بوده و کاربردهای زیادی در مسائل مهندسی دارند. نسبت وزنی، میانگین و انحراف معیار کلاسهای بافتی بعنوان جمعیت اولیه به آلگوریتمهای ژنتیکی داده می شوند. در شروع آلگوریتم، فقط کافیست محدوده تقریبی پارامترها مشخص شود. آلگوریتم EM ارائه شده در این مقاله، به آلگوریتمهای مطرح شده در [ ۱] و [ ۲] نزدیک تراست. در [ ۱] آلگوریتمی ارائه شده که بطور تکراری تصاویرMR را به تعداد مشخصی کلاس بافتی نرمال تفکیک می کند ضمن اینکه در هر تکرار، براساس فاصله mahalanobis تعریف شده برای کلاسهای بافتی نرمال، پیکسلهایی که از یک مقدار مشخصی تجاوز کنند حذف می شوند. سپس تنظیم پارامترها فقط براساس واکسلهای حذف نشده انجام می گیرد. آلگوریتم مطرح شده در این مقاله، روند ملایمتری برای حذف واکسلهای غیر نرمال بکار می برد. علاوه بر نتایج بدست آمده توسط آلگوریتمها، پارامترها بصورت دستی نیز محاسبه شده و باهم مقایسه می شوند. استفاده از نتایج بدست آمده، بعنوان شرایط اولیه در آلگوریتمهای بخش بندی بر انعطاف آنها می افزاید. البته تخمینگر ژنتیکی از سرعت پایینتری نسبت به تخمینگرEM برخوردار است