پردازش تصاویر fMRI - قسمت بیست و سوم
به منظور تخمین پارامترهایی از مدل تبدیل که به بهترین شکل می توانند دو تصویر را برهم منطبق کنند، ما به راهی نیاز داریم تا اختلاف دو تصویر را محاسبه کنیم که به آن تابع هزینه گفته می شود.
تابع هزینه:
به منظور تخمین پارامترهایی از مدل تبدیل که به بهترین شکل می توانند دو تصویر را برهم منطبق کنند، ما به راهی نیاز داریم تا اختلاف دو تصویر را محاسبه کنیم که به آن تابع هزینه گفته می شود. یک تابع هزینه خوب زمانی که دو تصویر بر روی هم به خوبی منطبق شده باشند باید مقدار کمی داشته و وقتی تصاویر غیر منطبق هستند باید مقدار بزرگی داشته باشد. انتخاب تابع هزینه مناسب بستگی به نوع تصاویری دارد که می خواهید آن ها را بر هم منطبق کنید. اگر تصاویر هم نوع باشند (مثلا بخواهید تصاویر fMRI زمان های مختلف را بر هم منطبق کنید (شکل 1)) تابع هزینه شما باید بتواند شباهت شدت روشنایی بین دو تصویر را تخمین بزند. اگر دو تصویر به خوبی منطبق شده باشند، آنگاه شدت روشنایی تصاویر باید به یکدیگر نزدیک باشد (البته فعلا این حقیقت که ممکن است تفاوت شدت روشنایی در نتیجه فعالیت مغزی باشد را در نظر نگیرید). به این نوع منطبق سازی، رجیستریشن درون مدالالیته ای گفته می شود.
شکل 1. نمونه ای از تصاویر fMRI در دو زمان متفاوت. به دلیل اینکه تصاویر هم نوع هستند و شدت روشنایی در مناطق مختلف مغز تقریبا بین دو تصویر مشایه است، می توان از تابع هزینه ای که شباهت شدت روشنایی بین دو تصویر در مناطق نظیر را مقایسه می کند برای انطباق دو تصویر استفاده کرد.
نوشته های مرتبط