סגמנטציה – חלוקת תמונה לאזורים – של סריקות MRI (דימות תהודה מגנטית) היא כלי מרכזי לאבחון רפואי כיוון שהיא מאפשרת לזהות רקמות בריאות ופתולוגיות ולהבחין ביניהן. בדיקות ההדמיה שהולכות ומתרבות והצורך בסגמנטציה מדויקת מחייבים שימוש באלגוריתמים שיהפכו את ההליך לאוטומטי ומהיר. פענוח של תמונות הדמיה יכול להיות מאתגר, בין השאר בשל הגדרה לא ברורה של הגבולות בין רקמות שונות. לכן לעתים קרובות הפרדה בין רקמות המסתמכת אך ורק על גוני האפור בתמונת הסריקה אינה מספקת. אלגוריתמי סגמנטציה רבים משתמשים בדוגמאות מתויגות – זוגות של סריקות והסגמנטציה המתאימה להם – כדי ללמוד לבצע סגמנטציה על תמונות חדשות. אך תיוג הדוגמאות מצריך זמן רב, שלרוב לא זמין לרופאים מומחים. במחקר זה פיתחנו אלגוריתמים שעוברים במקביל על סריקות MRI רבות של אותו איבר אנטומי (לדוגמה מוח), בצורה חזרתית, ובכל חזרה מספקים שערוך (הערכה) של כל הסגמנטציות של הסריקות. בכל חזרה אנו מתייחסים להערכות שהתקבלו מהחזרה הקודמת כאל דוגמאות מתויגות. ככל שמספר החזרות רב יותר, ההערכה מדויקת יותר. התהליך מסתיים כאשר השינויים בין הערכה להערכה בכל חזרה קטנים מסף מסוים. ההערכות שמתקבלות בחזרה האחרונה קובעות את הסגמנטציות הסופיות של כל הסריקות. בחנו את האלגוריתמים הללו על סריקות MRI מוח מגוונות, ובהן של נבדקים בוגרים ובריאים ונבדקים עם גידול מוחי או טרשת נפוצה ושל עכברים בריאים ועכברים שתאי העצב שלהם התנוונו בעקבות מוטציה גנטית. עבור נבדקים ועכברים בריאים מטרת הסגמנטציה הייתה לחלק את המוח לרקמות: כלומר לחומר אפור (תאי העצב), חומר לבן (האקסונים, סיבי העצב, המקשרים בין תאי העצב) וחדרי המוח המכילים את הנוזל המוחי-שדרתי. עבור נבדקים ועכברים חולים מטרת הסגמנטציה הייתה להפריד בין הרקמות הבריאות לפתולוגיות. נמצא מתאם גבוה מאוד בין התוצאות שהתקבלו מהשימוש באלגוריתמים לתוצאות שסיפקו מומחים (ביולוגים ורדיולוגים) שעברו על אותן סריקות MRI בצורה ידנית. כך למשל, חישוב מידת התכווצות רקמות המוח ונפח הנוזל המוחי-שדרתי אצל העכברים שעברו ניוון מוחי תאם את זה של המומחים. לסיכום, האלגוריתמים שפיתחנו מניחים את היסודות לסגמנטציה אוטומטית שתייעל פענוח של פתולוגיות שונות – כגון התפתחות גידולים, ניוון תאי עצב והתכווצות מוחית – ואת המעקב אחר הטיפול בהן.