ناحیه بندی بافت مغز با هدف تفکیک دقیق بافت آسیب دیده یا بیمار مغز، یکی از مراحل اساسی در فرآیند تشخیص و درمان ناهنجاریهای بافت مغز است. اما ناحیه بندی عموما توسط رادیولوژیستها و متخصصین انکولوژی بصورت دستی صورت میگیرد که ضمن خسته کننده و دشواربودن از خطای انسانی نیز مصون نیست. پیچیدگی این فرآیند لزوم طراحی و استفاده از یک متد خودکار یا نیمه خودکار را مشخص میسازد. مطلوب اینست که روشی که برای این منظور ارائه میشود، حتی الامکان بی نیاز از پارامترهای اولیه بوده و بتواند اطلاعات موردنیاز خود را از روی داده تخمین زده و تحت تاثیر نویز و تغییرات روشنایی در بافتها قرارنگیرد. دراین پایان نامه یک روش ناحیه بندی نیمه نظارتی با استفاده از کلاسیفایر جنگل تصادفی ارائه میشود. متدهای نیمه نظارتی با تلفیقی از دو مدل آموزش نظارتی و غیرنظارتی کارآیی بهتری را نسبت به هر دو این روشها ارائه میدهند. نظر به اینکه فراهم کردن داده های آموزشی برای یک کلاسیفایر نظارتی در کاربردهای پزشکی همانند ناحیه بندی بسیار دشوار است، استفاده از یک تکنیک نیمه نظارتی میتواند قسمت عمده ای از نیاز به چنین داده هایی را برطرف سازد. برای استخراج ویژگیها بازه همسایگی جدیدی با استفاده از تئوری الگوریتم انتشار شایعه در حوزه ناحیه بندی تصویر و اعمال ترکیبی از قیود فضایی و محدودیت سطح روشنایی روی شرط همسایگی معرفی میشود. با استفاده از این همسایگی محلی و وفقی، تصویر به صورت اولیه ناحیه بندی میشود. محاسبه ویژگی های موردنظر با استفاده از این نواحی با دقت بسیار بالاتری نسبت به حالت غیروفقی صورت میپذیرد. الگوریتم جنگل تصادفی برای شناسایی ویژگیهای استخراج شده مورد استفاده قرار میگیرد. کلاسیفایر جنگل تصادفی تابحال چندان در حوزه ناحیه-بندی mri موردتوجه نبوده است اما این الگوریتم امتیازات ویژه ای از قبیل دقت بالا در عین سرعت پردازش بسیار بالا، توانایی کنترل مقادیر مفقودشده در بردار ویژگی و کنترل عدم توازن داده ها را دارد که آن را برای استفاده در یک سیستم ناحیه بندی تصویر به عنوان کلاسیفایر پیکسلها بسیار مناسب میسازد. نتایج بدست آمده از پیاده سازی نهایی، درستی این ادعا را اثبات میکند. با وجود برابری نسبی نتایج بدست آمده از لحاظ دقت با متد mrf که تقریبا موفق ترین متد ناحیه بندی mri محسوب میشود، زمان پردازش و محاسبات با استفاده از این متد بسیار کمتر از روش mrf است.