كاربرد الگوريتم تعديل‌يافته BIRCH در ناحيه‌بندي عملكرد مغز بر اساس داده‌هاي fMRI

Application of modified balanced iterative reducing and clustering using hierarchies algorithm in parceling of brain performance using fMRI data

خوشه‌بندي نواحي مغز در تشخيص، درمان و پيگيري بيماري تومور مغزي بسيار مفيد است. روش‌هاي مختلفي براي خوشه‌بندي نواحي مغز وجود دارد. در اين مقاله الگوريتم جديدي تحت عنوان Balanced Iterative Reducing and Clustering using Hierarchies (BIRCH) تعديل‌يافته براي ناحيه‌بندي مغز معرفي مي‌شود كه داراي دقت و سرعت بالايي در خوشه‌بندي مغز است. مواد و روش‌ها: در اين پژوهش از داده‌هاي اسكن مغزي به عنوان معرفي از عملكرد نواحي مختلف مغز استفاده شد. اين داده‌ها شامل 74 اسكن مغزي متوالي بود. خوشه‌بندي نواحي مورد نظر با الگوريتم‌هاي BIRCH معمولي و BIRCH تعديل يافته با استفاده از ابزار WFU-PickAtlas نرم‌افزار Matlab انجام شد و نتايج با اطلس استاندارد TD Lobes مقايسه شد. يافته‌ها: الگوريتم‌ BIRCH تعديل‌يافته در مواجهه با داده‌هاي بسيار حجيمي مانند داده‌هاي اسكن مغزي نسبت به الگوريتم BIRCH معمول داراي مزيت نسبي بود و با افزايش حدآستانه‌اي سرعت اجراي الگوريتم كاهش يافت. در اين الگوريتم، الگوي صعودي يا نزولي خاصي بين فاكتور شاخه‌بندي و زمان اجراي الگوريتم ديده نشد. ماكزيمم مقدار زمان اجراي الگوريتم مربوط به فاكتور شاخه‌بندي 30، برابر 94 ثانيه بود كه هم ارز حد آستانه‌ بالاي الگوريتم BIRCH معمولي بود. نتيجه‌گيري: الگوريتم‌ BIRCH تعديل يافته مي‌تواند تعادلي بين پيچيدگي زماني و مكاني برقرار ‌كند و نياز به حافظه كامپيوتري كمي در اجراي خوشه‌بندي دارد. هم‌چنين با افزايش هم‌زمان فاكتور شاخه‌بندي و حدآستانه‌اي ميزان حساسيت در خوشه‌بندي آن كاهش يافت و بنابراين انتظار مي‌رود درداده مورد مطالعه و اكسل‌هايي با شباهت كم‌تر در يك خوشه قرار گرفته باشند.

Clustering of human brain is a very useful tool for diagnosis, treatment, and tracking of brain tumors. There are several methods in this category in order to do this. In this study, modified balanced iterative reducing and clustering using hierarchies (m-BIRCH) was introduced for brain activation clustering. This algorithm has an appropriate speed and good scalability in dealing with very large data using a new concept of Clustering Feature. Materials and Methods: In this study, data from the brain scan had been used. This dataset consisted of 74 consecutive brain scans. After data preprocessing, brain scan images were clustered through the BIRCH and m-BIRCH algorithms. Data were analyzed using WFU-PickAtlas in Matlab software and were compared with the TD Lobes Standard Atlas. Results: The speed of implementation of the m-BIRCH algorithm decreased as threshold limit increased. The m-BIRCH clustering algorithm showed that there was no specific ascending or descending pattern between branch factor and the run-time of the algorithm. The maximum runtime value of the algorithm was related to the branching factor of 30 which was 94 seconds, equivalent to the upper threshold limit of the BIRCH algorithm. Conclusion: Applying the m-BIRCH algorithm on high-dimension data set such as brain scan images has relative advantages and provides a tradeoff between time and space complexity. By simultaneously increasing the branching factor and threshold limit, the sensitivity of clustering will be decreased