کاربرد الگوریتم تعدیل یافته BIRCH در ناحیه بندی عملکرد مغز بر اساس داده های fMRI

خوشه بندی نواحی مغز در تشخیص، درمان و پیگیری بیماری تومور مغزی بسیار مفید است. روش های مختلفی برای خوشه بندی نواحی مغز وجود دارد. در این مقاله الگوریتم جدیدی تحت عنوان Balanced Iterative Reducing and Clustering using Hierarchies (BIRCH) تعدیل یافته برای ناحیه بندی مغز معرفی می شود که دارای دقت و سرعت بالایی در خوشه بندی مغز است.

در این پژوهش از داده های اسکن مغزی به عنوان معرفی از عملکرد نواحی مختلف مغز استفاده شد. این داده ها شامل 74 اسکن مغزی متوالی بود. خوشه بندی نواحی مورد نظر با الگوریتم های BIRCH معمولی و BIRCH تعدیل یافته با استفاده از ابزار WFU-PickAtlas نرم افزار Matlab انجام شد و نتایج با اطلس استاندارد TD Lobes مقایسه شد.

الگوریتم BIRCH تعدیل یافته در مواجهه با داده های بسیار حجیمی مانند داده های اسکن مغزی نسبت به الگوریتم BIRCH معمول دارای مزیت نسبی بود و با افزایش حدآستانه ای سرعت اجرای الگوریتم کاهش یافت. در این الگوریتم، الگوی صعودی یا نزولی خاصی بین فاکتور شاخه بندی و زمان اجرای الگوریتم دیده نشد. ماکزیمم مقدار زمان اجرای الگوریتم مربوط به فاکتور شاخه بندی 30، برابر 94 ثانیه بود که هم ارز حد آستانه بالای الگوریتم BIRCH معمولی بود.

الگوریتم BIRCH تعدیل یافته می تواند تعادلی بین پیچیدگی زمانی و مکانی برقرار کند و نیاز به حافظه کامپیوتری کمی در اجرای خوشه بندی دارد. هم چنین با افزایش هم زمان فاکتور شاخه بندی و حدآستانه ای میزان حساسیت در خوشه بندی آن کاهش یافت و بنابراین انتظار می رود درداده مورد مطالعه و اکسل هایی با شباهت کم تر در یک خوشه قرار گرفته باشند.