مروري بر سيستم هاي خبره تصميم گيرنده در تشخيص بيماري اسكلروز چندگانه (MS) از تصاوير MR مغزي مبتني بر يادگيري ماشين

اسكلروزيس چندگانه يا به اختصار MS، بيماري التهابي است كه در آن غلاف‌هاي ميلين سلول‌هاي عصبي در مغز و نخاع آسيب مي‌بينند. جهت شناسايي ضايعات ناشي از اين بيماري در مغز، تصويربرداري رزونانس مغناطيسي يا MRI كاربردي ترين روش محسوب مي شود كه مي تواند تا حد زيادي به تشخيص صحيح پزشك متخصص كمك كند. مشكل در تشخيص اين بيماري از روي تصاوير MR آنجايي است كه شناسايي ضايعه به تبحر، تجربه و دقت بالايي نياز دارد و بر اساس آمارها، تشخيص اشتباه در اين تصاوير و براي اين بيماري، بالاست. استفاده از الگوريتم هاي شناسايي الگو و يادگيري ماشين مي تواند به عنوان يك ابزار تا حد قابل ملاحظه اي در تشخيص هوشمند اين بيماري سودمند واقع گردد. در جهت شناسايي خودكار اين بيماري، اخيراً محققين برآنند كه حوزه هوش مصنوعي و محاسبات نرم را به خدمت بگيرند. در مقاله مروري حال حاضر به بررسي راهكارهاي خودكار شناسايي ضايعات ناشي از بروز بيماري MS پرداخته شده و سعي بر آن بوده تا نقاط ضعف و نقاط قوت هر يك به تفصيل بيان گردد. اغلب تكنيك ها بر جداسازي متكي بر اصول پردازش تصوير استوار هستند، در حالي كه در برخي ديگر هدف دسته بندي ضايعات نسبت به ساير بافت هاي سالم بوده است. نتايج حاصل از ارزيابي راهكارهاي پيشين نشان داد كه الگوريتم هاي متكي بر يادگيري ماشين و سه بعدي سازي تا حد چشمگيري در دستيابي به تشخيص صحيح بيماري MS از تصاوير MR مغزي اثرگذارتر هستند.