بخش‌بندی ضایعات مالتیپل اسکلروزیس (MS) در تصاویر MR مغزی به منظور کمک به تشخیص و پیگیری این بیماری در سالهای اخیر مورد توجه قرار گرفته است. در این مطالعه از مدل ترکیب گوسی (GMM) برای قطعه‌بندی ضایعات MS در تصاویر MR استفاده شد. به منظور بهینه‌سازی GMM از الگوریتم بیشینه‌سازی امید ریاضی (EM) استفاده می‌شود اما این الگوریتم معمولاً به یک نقطه بهینه محلی همگرا می‌شود که برای رهایی از گیر افتادن در این نقطه، الگوریتم را از نقاط شروع متفاوت اجرا کرده و بهترین نتیجه ذخیره می‌شود که کاری زمانبر است. در این مقاله از استراتژی متفاوتی به منظور تسریع و افزایش دقت این الگوریتم استفاده شده است. همچنین به منظور کاهش میزان محاسبات و افزایش دقت الگوریتم EM، از الگوریتم Fast Trimmed-Likelihood استفاده شد. جهت اعتبارسنجی روش پیشنهادی، تصاویر ناحیه‌بندی شده به روش خودکار با تصاویر ناحیه‌بندی شده توسط دو فرد متخصص مقایسه شده است. نتایج حاصل نشان می‌دهد روش پیشنهادی با کسب رتبه 82% برای ضریب تشابه Dice، قابلیت این را دارد که با دقت بالایی ضایعات MS را تشخیص داده و بخش‌بندی نماید Manuscript profile