Segmentation par classification floue :application à l’imagerie par résonance magnétique

Abstract

Ce mémoire concerne le problème de la segmentation des images IRM cérébrales, il s’agit précisément d’utiliser et d’implémenter plusieurs méthode de classification automatiques pour tirer parti des complémentarités entre différentes méthodes ou opérateurs et augmenter ainsi la robustesse du processus de segmentation. Tout l’enjeu de cette coopération se base sur la segmentation par classification de pixels afin d’extraire une information utile et pertinente pour la segmentation. Notre approche coopère entre l’algorithme des k-means , le FCM (Fuzzy CMeans), ces deux méthodes ne se base que sur la valeur des pixels de ce fait il reste très sensible aux bruits et aux inhomogénéité dans l’image. Afin d’y remédier et rendre l'algorithme plus robuste face aux imprécisions et aux bruits ,les l’algorithmes qui incorporent l’information spatiale dans leurs fonctions objectives pourrait améliorer la qualité de la segmentation à savoir, l’algorithme FCM-S1 qui utilise l’approche moyenneur des pixel sélectionnés par une fenêtre de taille adéquate. Le second algorithme FCM-S2 utilise l’approche médian de notre fenêtre coulissante. L’ensemble des méthodes proposées ont été évaluées sur une base de donné expérimentales composées d’images IRM téléchargées dans des site spécialisé, Les résultats sont validés par des images de référence et illustre que les techniques proposées qui intègres l'information spatiale donnent de meilleur performance de segmentation.