بیماری ms یکی از مهمترین انواع بیماری های خودایمنی بدن و شایع ترین عامل ناتوانی حرکتی غیر جراحتی در جوانان بین 20 تا 40 سال است. این بیماری به مرور زمان باعث تغییرات شکلی و ساختاری در مغز می شود. به منظور پیگیری روند پیشرفت بیماری و ارائه طرح درمان بیمار، امروزه روال تشخیص انواع مختلف ضایعات ms و تخمین حجم کلی آن ها در تصاویر mr ، امری متداول شده است، لذا نیاز به جایگزین شدن شیوه ای اتوماتیک برای استخراج حجم کلی ضایعات و تعیین نوع آن ها در تصاویر mr، به جای شیوه قدیمی (که به طور دستی توسط پزشک روی فیلم های رادیولوژی انجام می گیرد و همراه با خطای بسیار است) کاملا احساس می شود. تاکنون رویکردهای مختلفی برای تمایز نواحی ضایعه از بافت سالم ارائه شده است ولی روش های محدودی به تعیین نوع ضایعه پرداخته اند که همه آن ها مبتنی بر روش های تصویربرداری mr معمولی هستند. در این تحقیق روش جدیدی برای تشخیص خودکار انواع ضایعات ms (حاد ، مزمن و t2) با استفاده از شبکه عصبی ارائه شده است. برای طبقه بندی علاوه بر ویژگی های شدت روشنایی در تصاویر mr معمولی از 2 ویژگی جدید که از تصاویر پرفیوژن بیمار استخراج می شوند، استفاده شده است. نتایج ارزیابی ناحیه بندی ضایعات حاد و مزمن به کمک تصاویر پرفیوژن مبتنی بر محاسبه میانگین معیارهای حساسیت( se)، اختصاصی بودن ( sp) و دقت ( acc) برای ضایعات حاد به ترتیب برابر 89% و 96% و 96% و برای ضایعات مزمن به ترتیب 76% و 90% و 90% بودند که بیانگر عملکرد مطلوب طبقه بندی در رویکرد پیشنهادی می باشند. مطالعات اخیر نشان داده است که تصاویر پرفیوژن توانایی پیشگویی مکان ضایعه های بعدی را در بیماران ms دارا می باشد. پیشگویی زودهنگام مکان ضایعه می تواند تحول عظیمی در روند درمان این بیماری ایجاد کند. تکنیک تصویربرداری پرفیوژن در این رساله از نوع dsc-mri بود که برای اولین بار در کشور در راستای این تحقیق پیاده سازی شد، با توجه به کسب تجربه اولیه در پیاده سازی تکنیک و روشن شدن نکات مبهم آن، هم اکنون امکان تحقق مطالعه پیگیری دو یا چند بیمار در طول یک سال به منظور بررسی امکان پیش بینی مکان ضایعه میسر شده است.