چکیده: ناحیه‌بندی تصاویر MR مغز نقش پر اهمیتی را در سیستم‌های تشخیص نابهنجاری‌ها مانند تومور بازی می‌کند. در این پایان‌نامه از مدل آماری میدان تصادفی مارکوف به منظور ناحیه‌بندی بدون ناظر تصاویر MR استفاده شده است. این مدل یک مدل آماری است که مساله‌ی ناحیه‌بندی تصویر را به مساله‌ی برچسب‌گذاری تبدیل می‌کند و هدف آن یافتن یک میدان تصادفی برچسب‌گذاری شده با انرژی بهینه می‌باشد. به منظور بهبود کارایی روش و افزایش سرعت همگراییِ الگوریتم در یافتن جواب بهینه، دو الگوریتم بهینه‌سازی پیشنهاد می‌شود. در روش اول از ترکیب الگوریتم‌ تبرید فلزات و الگوریتم ژنتیک اصلاح شده استفاده شده است. الگوریتم تبرید فلزات یک الگوریتم بهینه‌سازی قوی با سرعت محاسباتی پایین به منظور یافتن جواب بهینه است و الگوریتم ژنتیک یک جستجوی سریع است که ضمانتی در یافتن جواب بهینه ندارد. در ترکیب این دو روش با بهره گرفتن از مزایای هر الگوریتم‌ سعی در پوشاندن کاستی‌های الگوریتم دیگر هست. به این طریق به روشی دست خواهیم یافت که از لحاظ سرعت و دقت محاسباتی به خوبی عمل می‌کند. در روش دوم از ترکیب الگوریتم‌های اجتماعی شامل بهینه‌سازی اجتماع مورچگان و الگوریتم شایعه‌پراکنی کمک گرفته شده است. الگوریتم‌های اجتماع مورچگان یک الگوریتم هدایت شده چند عامله برای بهینه‌سازی است که از رفتار مورچگان در پیدا کردن مسیر بهینه میان لانه و غذا ایده گرفته شده است و ترکیب الگوریتم شایعه‌پراکنی با آن باعث تصمیم‌گیری هدفمندانه و بهبود عملکرد هر یک از عامل‌ها در الگوریتم‌ می‌شود. در نتیجه سرعت و دقت محاسباتی الگوریتم بهبود می‌یابد. در این تحقیق به منظور آزمون روش‌های پیشنهادی از سه نوع مجموعه داده و مقایسه نتایج با الگوریتم استاندارد مدل تصادفی مارکوف استفاده شده است. در رویکرد اول از روش‌های مطرح شده به منظور ناحیه‌بندی بافت‌های سالم مغز شامل ماده سفید، ماده خاکستری، مایع نخاعی در تصاویر واقعی MR استفاده شده است. در روش استاندارد نتایج نشان دهنده میانگین درصد ضریب Dice 1/72% است. در مقابل همین معیار برای روش ترکیبی الگوریتم تبرید فلزات و الگوریتم ژنتیک برابر با 1/73% و برای روش ترکیبی الگوریتم‌های اجتماع مورچگان و شایعه‌پراکنی برابر با 7/72% می‌باشد. همچنین میانگین درصد کاهش زمان محاسبات روش پیشنهادی اول نسبت به الگوریتم استاندارد برابر با 49/89% و برای روش پیشنهادی دوم نسبت به الگوریتم استاندارد برابر با 02/59% می‌باشد. در رویکرد دوم از روش‌ها به منظور ناحیه‌بندی تومور در تصاویر واقعی مغز استفاده شده است. میانگین درصد ضریب Dice در ناحیه‌بندی تومور در روش استاندارد برابر با 1/73%، در روش پیشنهادی اول 76% و برای روش پیشنهادی دوم معادل با 8/70% می‌باشد. همچنین میانگین درصد کاهش زمان محاسباتی روش پیشنهادی اول نسبت به روش استاندارد 33/91% و روش پیشنهادی دوم 21/71% می‌باشد. در رویکرد سوم روش‌های مطرح شده به منظور ناحیه‌بندی تصاویر شبیه‌سازی شده چند-طیفی مغز استفاده شده است. در روش استاندارد، نتایج نشان دهنده میانگین درصد ضریب Dice برابر با 1/82% می‌باشد. این معیار برای روش پیشنهادی اول برابر با 2/83% و برای پیشنهادی دوم برابر با 7/82% می‌باشد. همچنین میانگین درصد کاهش زمان محاسباتی روش پیشنهادی اول نسبت به روش استاندارد 08/77% و روش پیشنهادی دوم نسبت به روش استاندارد 08/67% می‌باشد.