Classification des images tumorales cérébrales

Abstract

La classification consiste à regrouper les pixels d'une image en sous-groupes tout en respectant une similarité et une uniformité selon des critères prédéfinis, c’est une étape de décision après l’étape de segmentation. Notre travail s’intéresse essentiellement à la segmentation par approche classification et d’étudier les différents algorithmes de classification non supervisées à savoir : k-means, le FCM (Fuzzy C-Means) et ces deux variantes (FCM-S1 et FCM-S2) et ARKFCM. Nous nous sommes intéressés à ce dernier algorithme en vue de l’appliquer sur des images IRM de cerveau en vue de segmenter les différents tissuset plus précisément à la détection de la tumeur cérébrale afin d’extraire les principales caractéristiques après l’application de la transformée en ondelette (DWT) suivie de l’application de l’analyse des composantes principales (ACP). Ces caractéristiques sont utilisées dans l’étape apprentissage lors de la classification via le classifieur SVM afin de classer la tumeur bénigne ou maligne.