قطعه بندی تصویر به فرایند تقسیم یک تصویر به مناطق منحصر به فرد اشاره دارد. قطعه بندی تصاویر ام آر آی مغز که به یک نیاز ضروری در تشخیص بیماری های عصبی تبدیل شده است، با وجود تحقیقات بسیار، به دلیل وجود عواملی چون نویز، غیر یکنواختی شدت روشنایی و تأثیر حجم های جزئی، یک مسأله چالشی باقی مانده است. عوامل نام برده شده، سبب بروز عدم قطعیت در مقدار پیکسل های تصاویر تشدید مغناطیسی شده و از اینرو می توان قطعه بندی تصاویر ام آر آی را یک مسأله فازی در نظر گرفت. الگوریتم های بسیاری جهت قطعه بندی تصاویر ام آر آی مغز موجود است که یکی از روش های متداول، استفاده از الگوریتم خوشه بندی فازی می باشد. از طرفی رویکردهای مختلفی برای مدیریت مدلسازی عدم قطعیت وجود دارد که از آن جمله می توان به نظریه شواهد اشاره نمود. از ویژگی های مهم نظریه شواهد، توانایی آن در کاهش عدم قطعیت، از طریق ترکیب ساختارهای اعتقادی با یکدیگر است. در روش پیشنهادی در این تحقیق که ترکیبی از خوشه بندی فازی و نظریه شواهد می باشد، علاوه بر شدت روشنایی پیکسل ها، دو ویژگی میانگین همسایگی و بزرگ ترین مقدار منفرد همسایگی پیکسل هدف، در نظر گرفته شده است. همچنین انواع تصاویر ام آر آی، شامل تصاویر وزن داده شده T1، T2 و PD به عنوان شواهد مورد استفاده قرار گرفته اند. جهت ارزیابی کارایی الگوریتم پیشنهادی و مقایسه آن با سایر روش ها، از معیار شباهت دایس و تانیموتو استفاده شده است. نتایج کمّی و کیفی بر روی داده های شبیه سازی شده، حاکی از موفقیت روش پیشنهادی و برتری آن نسبت به سایر روش ها می باشد. از مزایای روش پیشنهادی، عملکرد مطلوب آن به ازای عوامل تخریبی بالا می باشد.
