Segmentation d'images multispectrales basée sur
la fusion d'informations : application aux images IRM
Résumé
The objective of this work consists of developing architecture of information fusion based on the fuzzy theory in order to segment a target from multiple sources of image. Our principal application carries on the image segmentation of multispectral cerebral MRI. We propose an approach of automatic segmentation based on the fusion of characteristics extracted from each source of image. These characteristics are modellized by some membership functions obtained from analytic functions, that not only takes into account some a priori knowledge from an expert about the possibility of target (tumor or cerebral tissues) membership, but also deals with graduality of target relative to signal intensity. Finally, the target segmentation consists on the fusion of different membership degrees of the target. An additional step based on 3D fuzzy region growing is proposed to improve the result of fusion. To evaluate these results of segmentation represented by a fuzzy set, an extension of Cohen's Kappa coefficient is proposed and named "fuzzy Kappa" which is a method of global evaluation concerning the agreement proportion of a fuzzy classification.
This developed architecture is performed for the segmentation of cerebral tumors from MRI images that presently include these routine sequences: T1, T2 and proton density. The results obtained from seven patients with tumor show the efficacy of our system.
This developed architecture is performed for the segmentation of cerebral tumors from MRI images that presently include these routine sequences: T1, T2 and proton density. The results obtained from seven patients with tumor show the efficacy of our system.
L'objectif de cette thèse consiste à développer une architecture de
fusion d'informations basée sur la théorie floue pour la segmentation
d'une cible à partir de plusieurs sources d'images. Notre application
principale porte sur la segmentation des images IRM multispectrales. Nous proposons une approche de segmentation automatique basée sur la fusion des caractéristiques extraites de chaque source d'image. Ces caractéristiques sont modélisées par des fonctions d'appartenance, obtenues à partir de fonctions analytiques, qui prennent en compte des connaissances a priori sur la possibilité d'appartenance à une cible (tumeur ou tissus cérébraux) donnée par l'expert, et aussi la gradation d'intensité du signal de la cible.
La segmentation d'une cible consiste finalement à fusionner les
différents degrés d'appartenance de la cible. Une étape supplémentaire basée sur une croissance 3D des régions floues est proposée pour améliorer le résultat de la fusion. Pour évaluer les résultats de segmentation représentés par un ensemble flou, une extension du coefficient Kappa de Cohen, nommée " Kappa flou " est proposée, qui est une méthode d'évaluation globale sur la proportion d'agrément d'un classement flou.
Cette architecture développée est mise en œuvre pour la segmentation des tumeurs cérébrales à partir des images IRM qui comprennent pour l'instant les séquences de routine : T1, T2 et densité de protons. Les résultats sur sept patients atteints de tumeur montrent l'efficacité de notre système.
fusion d'informations basée sur la théorie floue pour la segmentation
d'une cible à partir de plusieurs sources d'images. Notre application
principale porte sur la segmentation des images IRM multispectrales. Nous proposons une approche de segmentation automatique basée sur la fusion des caractéristiques extraites de chaque source d'image. Ces caractéristiques sont modélisées par des fonctions d'appartenance, obtenues à partir de fonctions analytiques, qui prennent en compte des connaissances a priori sur la possibilité d'appartenance à une cible (tumeur ou tissus cérébraux) donnée par l'expert, et aussi la gradation d'intensité du signal de la cible.
La segmentation d'une cible consiste finalement à fusionner les
différents degrés d'appartenance de la cible. Une étape supplémentaire basée sur une croissance 3D des régions floues est proposée pour améliorer le résultat de la fusion. Pour évaluer les résultats de segmentation représentés par un ensemble flou, une extension du coefficient Kappa de Cohen, nommée " Kappa flou " est proposée, qui est une méthode d'évaluation globale sur la proportion d'agrément d'un classement flou.
Cette architecture développée est mise en œuvre pour la segmentation des tumeurs cérébrales à partir des images IRM qui comprennent pour l'instant les séquences de routine : T1, T2 et densité de protons. Les résultats sur sept patients atteints de tumeur montrent l'efficacité de notre système.
Loading...