Clustering par fusion floue de données appliqué à la segmentation d'image IRM

Abstract

Les données traitées en imagerie médicale sont souvent imprécises et/ou incertaines du fait du mode d’acquisition des images ou de la modélisation des connaissances des médecins. Lorsqu’un expert examine une ou plusieurs images médicales, il prend en compte simultanément ses propres connaissances théoriques ainsi que les informations fournies par les images afin d’effectuer son diagnostic. De même, la fusion de données agrège informations numériques et connaissances théoriques et contextuelles afin de fournir une information synthétique pour l'aide au clinicien. L’objectif de ce mémoire consiste à développer une architecture de fusion de données basée sur la théorie possibiliste pour la segmentation d’une cible à partir de plusieurs sources d’images. Le processus de fusion est décomposé en trois phases fondamentales. Nous modélisons tout d'abord les informations dans un cadre théorique commun. Le formalisme retenu consiste à faire la coopération entre l’algorithme FCM (C-moyennes floues) dont la contrainte d’appartenance d’un individu à une classe est gérée d’une manière relative et l’algorithme possibiliste PCM (C-means possibilistes) pour les points aberrants . Nous agrégeons ensuite ces différentes informations par un opérateur de fusion. Celui-ci doit affirmer les redondances, gérer les complémentarités et prendre en compte les conflits soulignant souvent la présence d'une pathologie. Nous construisons enfin une information synthétique permettant d’exploiter les résultats de la fusion. Cette architecture développée est mise en oeuvre pour la segmentation des tumeurs cérébrales à partir des images IRM qui comprennent pour l’instant les séquences de base : T1, T2 et densité de protons (DP)