کاربرد الگوریتم تعدیل‌یافته Birch در ناحیه‌بندی عملکرد مغز بر اساس داده‌های Fmri

هدف: خوشه‌بندی نواحی مغز در تشخیص، درمان و پیگیری بیماری تومور مغزی بسیار مفید است. روش‌های مختلفی برای خوشه‌بندی نواحی مغز وجود دارد. در این مقاله الگوریتم جدیدی تحت عنوان balanced iterative reducing and clustering using hierarchies (birch) تعدیل‌یافته برای ناحیه‌بندی مغز معرفی می‌شود که دارای دقت و سرعت بالایی در خوشه‌بندی مغز است.مواد و روش‌ها: در این پژوهش از داده‌های اسکن مغزی به عنوان معرفی از عملکرد نواحی مختلف مغز استفاده شد. این داده‌ها شامل 74 اسکن مغزی متوالی بود. خوشه‌بندی نواحی مورد نظر با الگوریتم‌های birch معمولی و birch تعدیل یافته با استفاده از ابزار wfupickatlas نرم‌افزار matlab انجام شد و نتایج با اطلس استاندارد td lobes مقایسه شد.یافته‌ها: الگوریتم‌ birch تعدیل‌یافته در مواجهه با داده‌های بسیار حجیمی مانند داده‌های اسکن مغزی نسبت به الگوریتم birch معمول دارای مزیت نسبی بود و با افزایش حدآستانه‌ای سرعت اجرای الگوریتم کاهش یافت. در این الگوریتم، الگوی صعودی یا نزولی خاصی بین فاکتور شاخه‌بندی و زمان اجرای الگوریتم دیده نشد. ماکزیمم مقدار زمان اجرای الگوریتم مربوط به فاکتور شاخه‌بندی 30، برابر 94 ثانیه بود که هم ارز حد آستانه‌ بالای الگوریتم birch معمولی بود.نتیجه‌گیری: الگوریتم‌ birch تعدیل یافته می‌تواند تعادلی بین پیچیدگی زمانی و مکانی برقرار ‌کند و نیاز به حافظه کامپیوتری کمی در اجرای خوشه‌بندی دارد. هم‌چنین با افزایش هم‌زمان فاکتور شاخه‌بندی و حدآستانه‌ای میزان حساسیت در خوشه‌بندی آن کاهش یافت و بنابراین انتظار می‌رود درداده مورد مطالعه و اکسل‌هایی با شباهت کم‌تر در یک خوشه قرار گرفته باشند.

Application of modified balanced iterative reducing and clustering using hierarchies algorithm in parceling of brain performance using fMRI data

Introduction: Clustering of human brain is a very useful tool for diagnosis, treatment, and tracking of brain tumors. There are several methods in this category in order to do this. In this study, modified balanced iterative reducing and clustering using hierarchies (mBIRCH) was introduced for brain activation clustering. This algorithm has an appropriate speed and good scalability in dealing with very large data using a new concept of Clustering Feature.Materials and Methods: In this study, data from the brain scan had been used. This dataset consisted of 74 consecutive brain scans. After data preprocessing, brain scan images were clustered through the BIRCH and mBIRCH algorithms. Data were analyzed using WFUPickAtlas in Matlab software and were compared with the TD Lobes Standard Atlas.Results: The speed of implementation of the mBIRCH algorithm decreased as threshold limit increased. The mBIRCH clustering algorithm showed that there was no specific ascending or descending pattern between branch factor and the runtime of the algorithm. The maximum runtime value of the algorithm was related to the branching factor of 30 which was 94 seconds, equivalent to the upper threshold limit of the BIRCH algorithm.Conclusion: Applying the mBIRCH algorithm on highdimension data set such as brain scan images has relative advantages and provides a tradeoff between time and space complexity. By simultaneously increasing the branching factor and threshold limit, the sensitivity of clustering will be decreased