محمدرضا ناظم زاده - قطب علمی کنترل و پردازش هوشمند، دانشکده مهندسی برق و کامپیوتر، دانشگ
اسماعیل داودی مجد - قطب علمی کنترل و پردازش هوشمند، دانشکده مهندسی برق و کامپیوتر، دانشگ
حمید سلطانیان زاده - قطب علمی کنترل و پردازش هوشمند، دانشکده مهندسی برق و کامپیوتر، دانشگ

در مطالعات عصب شناسی مغز بخش بندی فیبرهای ماده سفید مغز به دسته فیبرها که درون هریک خواص محلی انتشار مشابه باشند، از اهمیت ویژهای برخودار است. در این مقاله روشی برای بخش بندی دسته فیبرها به کمک رشد یک ابرصفحه بر اساس خواص محلی سیگنال انتشار و با استفاده از ضرائب هارمونیک کروی با مرتبه 8 که سیگنال انتشار بدست آمده از تصویربرداری با رزولوشن زاویه ای بالا را بخوبی توصیف میکند، ارائه شده است. با استفاده از این ضرائب، یک معیار شباهت تعریف و بعنوان عبارت تابع سرعت در معادله همیلتون-ژاکوبی با حل عددی سطوح همتراز 2 بکار میرود. نشان داده شده است که این روش با توجه به نفوذ صحیح ابرصفحه در مناطق حاوی تقاطع دسته فیبرها مزایای عمده ای در مقایسه با روش های مبتنی بر معیار شباهت مبتنی بر تانسور دارد. بدون در نظرگرفتن هیچ فرضی در مورد مدل و یا نحوه انتشار، روش پیشنهادی با بکارگیری داده های سیگنال انتشار بجای تابع چگالی احتمال انتشار و یا نقشه های ظاهری انتشار که در روش های بخش بندی با رشد ابر صفحه محاسبه و مورد استفاده قرار میگیرد، نتایج واقعیتری بدست میدهد که این امر در اعمال روش بر روی داده های شبیه سازی و داده های واقعی به وضوح مشخص میباشد. بعلاوه حذف تعدادی از ضرایب هارمونیک که نسبت به تبدیلات فضائی ناوردا هستند، سبب کاهش حجم محاسبات و پایدارتر شدن روش پیشنهادی نسبت به نویز و اندازه گیری های پرت میشود.

Fiber Bundle Segmentation - Spherical Harmonics Coefficients- Levelset- Diffusion MRI