روشي جديد جهت بخش‌بندي ضايعات مالتيپل اسكلروزيس (MS) در تصاوير MR مغزي

A New Method for Segmentation of Multiple Sclerosis (MS) Lesions on Brain MR Images

بخش‌بندي ضايعات مالتيپل اسكلروزيس (MS) در تصاوير MR مغزي به منظور كمك به تشخيص و پيگيري اين بيماري در سالهاي اخير مورد توجه قرار گرفته است. در اين مطالعه از مدل تركيب گوسي (GMM) براي قطعه‌بندي ضايعات MS در تصاوير MR استفاده شد. به منظور بهينه‌سازي GMM از الگوريتم بيشينه‌سازي اميد رياضي (EM) استفاده مي‌شود اما اين الگوريتم معمولاً به يك نقطه بهينه محلي همگرا مي‌شود كه براي رهايي از گير افتادن در اين نقطه، الگوريتم را از نقاط شروع متفاوت اجرا كرده و بهترين نتيجه ذخيره مي‌شود كه كاري زمانبر است. در اين مقاله از استراتژي متفاوتي به منظور تسريع و افزايش دقت اين الگوريتم استفاده شده است. همچنين به منظور كاهش ميزان محاسبات و افزايش دقت الگوريتم EM، از الگوريتم Fast Trimmed-Likelihood استفاده شد. جهت اعتبارسنجي روش پيشنهادي، تصاوير ناحيه‌بندي شده به روش خودكار با تصاوير ناحيه‌بندي شده توسط دو فرد متخصص مقايسه شده است. نتايج حاصل نشان مي‌دهد روش پيشنهادي با كسب رتبه 82% براي ضريب تشابه Dice، قابليت اين را دارد كه با دقت بالايي ضايعات MS را تشخيص داده و بخش‌بندي نمايد.

Automatic segmentation of multiple sclerosis (MS) lesions in brain MRI has been widely investigated in recent years with the goal of helping MS diagnosis and patient follow-up. In this study we applied gaussian mixture model (GMM) to segment MS lesions in MR images. Usually, GMM is optimized using expectation-maximization (EM) algorithm. One of the drawbacks of this optimization method is that, it does not convergence to optimal maximum or minimum. Starting from different initial points and saving best result, is a strategy which is used to reach the near optimal. This approach is time consuming and we used another way to initiate the EM algorithm. Also, FAST- Trimmed Likelihood Estimator (FAST-TLE) algorithm was applied to determine which voxels should be rejected. The automatically segmentation outputs were scored by two specialists and the results show that our method has capability to segment the MS lesions with Dice similarity coefficient (DSC) score of 0.82.