تبدیل غیر خطی بهینه برای کاهش بعد فضای ویژگی تصاویر ‏‎mr‎‏ با استفاده از شبکه عصبی آموزش یافته توسط الگوریتم ژنی

در این پایان نامه، روشی برای کاهش بعد فضای ویژگی داده های تصاویر تشدید مغناطیسی مغز به سه بعد پیشنهاد می شود. این روش از شبکه عصبی پیشخورد غیر خطی برای تولید ویژگی های جدید استفاده می کند. بجای استفاده از روش استاندارد پس از انتشار خطا، پارامتر توسط الگوریتم ژنی به گونه ای تعیین می شوند که داده های تبدیل یافته در خروجی شبکه عصبی تا به هدف معینی را بهینه نمایند. پنج تابع هدف نیز معرفی می شوند. دو تا از آنها از ماتریسهای پراکندگی تحلیل جداساز فیشر استفاده می کنند (روشهای ‏‎nlda‎‏ و ‏‎‏‎cnlda‎‏). روش ‏‎nlda‎‏ در واقع یکی از توابع هدف تحلیل جداساز می باشد که در اینجا بجای تبدیل خطی، استفاده از تبدیل غیر خطی برای اجرای آن پیشنهاد می شود. در روش ‏‎cnlda‎‏ نیز علاوه بر استفاده از تبدیل غیرخطی، پیشنهاد می نماییم محدودیت نگاشت بردارهای میانگین بافتهای عادی به نقاط هدف از پیش تعیین شده در فضای خروجی، به این هدف افزوده شود. سه تابع هدف دیگر، بر مبنای تابع خطای سامون عمل می کنند که اولین آنها، حداقل سازی تابع خطای سامون را به عنوان معیار بکار می برد (روش ‏‎sammon‎‏). در دو تابع دیگر، به ترتیب افزودن شرط حداکثر نمودن کوچترین مقدار ویژه ماتریس کواریانس (روش ‏‎ms‎‏)، و محدودیت تعامد بردارهای میانگین بافتهای عادی (روش ‏‎cs‎‏) به معیار تابع خطای سامون را پیشنهاد می نماییم. داده های فضای ویژگی سه بعدی بدست آمده را می توان از طریق ایجاد تصویر پرسپکتیو از هستوگرام سه بعدی مجسم نمود. با تعیین حدود مرز خوشه های داده در این تصویر پرسپکتیو از هیستوگرام سه بعدی مجسم نمود. با تعیین حدود مرز خوشه های داده در این تصویر پرسپکتیو، بخش بندی تصاویر تشدید مغناطیسی بدست می آید. هر یک از توابع هدف روی تصاویر شبیه سازی شده واقعی آزمایش شدند. نتایج بدست آمده از روشهای پیشنهادی با نتایج روشهای تبدیل خطی بهینه و تبدیل شبکه عصبی پس انتشار به طور کمی و کیفی مقایسه گردیدند. به لحاظ کمی برای تصاویر شبیه سازی شده روشهای ‏‎sammon‎‏ و ‏‎ms‎‏ خطای بخش بندی به مراتب کمتری نسبت به دیگر روشها تولید نمودند. به لحاظ کیفی نیز این دو روش تمایز برجسته تری بین خوشه های بافتهای غیر عادی ایجاد می نماید. در بخش بندی تصاویر واقعی نیز روشهای ‏‎sammon‎‏ و ‏‎ms‎‏ خطایی کمتر از سایر روشها ارایه نمودند. همچنین کیفیت فضای ویژگی استخراج شده توسط این دو روش و روش خطی به لحاظ جدا نمون بافتهای غیر ادی، در اکثر موارد از روشهای دیگر بهتر است.