Design of new metaheuristics for image segmentation. Application on biomedical imaging
Conception de métaheuristiques d'optimisation pour la segmentation d'images. Application aux images biomédicales
Résumé
Image segmentation generally is the important step in any automated image analysis system, such as autonomous vehicle navigation, object recognition, etc. All these subsequent tasks, such as feature extraction, object detection, and object recognition, depend on the quality of segmentation. One of the fundamental weaknesses of current image segmentation algorithms is their inability to adapt the segmentation process to different kinds of images.
The metaheuristics appeared in the eighties. These global optimization algorithms are stochastic and can be applied to any problem, at the condition it is formulated as a mono-objective or multiobjective optimization problem. They are inspired from an analogy with physics (simulated annealing, microcanonical annealing), with biology (evolutionary algorithms) or with ethology (ant colonies, particle swarms). They also can be extended, particularly to multiobjective optimization.
In order to design a segmentation system that allows to have good segmentation results on different kinds of images, we formulate the segmentation as: a mono-objective then a multiobjective optimization problem.
In the mono-objective approach, we adapt several metaheuristics to the segmentation problem. Then, an application to the brain magnetic resonance images (MRI) is performed. This adaptation allows to compare the different metaheuristics in terms of complexity, convergence speed, adaptability and solution reproducibility.
Afterwards, we propose a multiobjective optimization approach to solve the image segmentation problem. In this context, we develop three adaptive methods: the first is based on aggregation of criteria, the second is based on a non-Pareto approach and the third is based on a Pareto approach. Finally, we consider the case of brain ventricle space segmentation and we apply the different approaches to sane and pathologic MRI.
The metaheuristics appeared in the eighties. These global optimization algorithms are stochastic and can be applied to any problem, at the condition it is formulated as a mono-objective or multiobjective optimization problem. They are inspired from an analogy with physics (simulated annealing, microcanonical annealing), with biology (evolutionary algorithms) or with ethology (ant colonies, particle swarms). They also can be extended, particularly to multiobjective optimization.
In order to design a segmentation system that allows to have good segmentation results on different kinds of images, we formulate the segmentation as: a mono-objective then a multiobjective optimization problem.
In the mono-objective approach, we adapt several metaheuristics to the segmentation problem. Then, an application to the brain magnetic resonance images (MRI) is performed. This adaptation allows to compare the different metaheuristics in terms of complexity, convergence speed, adaptability and solution reproducibility.
Afterwards, we propose a multiobjective optimization approach to solve the image segmentation problem. In this context, we develop three adaptive methods: the first is based on aggregation of criteria, the second is based on a non-Pareto approach and the third is based on a Pareto approach. Finally, we consider the case of brain ventricle space segmentation and we apply the different approaches to sane and pathologic MRI.
La segmentation des images est généralement l'étape la plus importante dans un système d'analyse d'images : dans l'aide au diagnostic en médecine, en navigation autonome des véhicules, etc. Toutes les tâches ultérieures de ces applications, comme l'extraction de primitives, la détection d'une position ou la reconnaissance d'un objet, dépendent fortement de la qualité de la segmentation. L'inconvénient majeur des algorithmes de segmentation actuels est leur incapacité à s'adapter aux différents types d'images.
L'apparition des "métaheuristiques" remonte aux années quatre-vingts. Ces algorithmes stochastiques d'optimisation globale peuvent être appliqués à tout problème, du moment qu'il est formulé sous la forme de l'optimisation de critère(s). Ces algorithmes sont inspirés par des analogies avec la physique (recuit simulé, recuit microcanonique), avec la biologie (algorithmes évolutionnaires) ou avec l'éthologie (colonies de fourmis, essaims particulaires). Ils se prêtent aussi à toutes sortes d'extensions, notamment en optimisation multiobjectif.
Afin de concevoir un système de segmentation qui permet d'avoir une meilleure qualité de la segmentation sur une grande variété d'images, nous formulons la segmentation comme un problème d'optimisation, mono-objectif dans un premier temps, puis multiobjectif.
Dans l'approche mono-objectif, nous adaptons plusieurs métaheuristiques au problème de la segmentation. Une application sur des images par résonance magnétique (IRM) cérébrales est ensuite réalisée. Cette adaptation des différentes métaheuristiques pour la segmentation nous permet de les comparer sur les plans suivants : la complexité, la vitesse de convergence, l'adaptabilité, et la reproductibilité des solutions.
Nous proposons ensuite une approche multiobjectif pour mieux résoudre le problème de la segmentation des images. Dans ce contexte, nous développons trois schémas de systèmes de segmentation adaptatifs : le premier est basé sur l'agrégation de critères, le second sur l'approche non-Pareto, et le troisième sur l'approche Pareto. Enfin, dans le cas particulier de la segmentation des espaces de ventricules cérébraux, nous appliquons différentes approches sur des IRM saines et d'autres pathologiques.
L'apparition des "métaheuristiques" remonte aux années quatre-vingts. Ces algorithmes stochastiques d'optimisation globale peuvent être appliqués à tout problème, du moment qu'il est formulé sous la forme de l'optimisation de critère(s). Ces algorithmes sont inspirés par des analogies avec la physique (recuit simulé, recuit microcanonique), avec la biologie (algorithmes évolutionnaires) ou avec l'éthologie (colonies de fourmis, essaims particulaires). Ils se prêtent aussi à toutes sortes d'extensions, notamment en optimisation multiobjectif.
Afin de concevoir un système de segmentation qui permet d'avoir une meilleure qualité de la segmentation sur une grande variété d'images, nous formulons la segmentation comme un problème d'optimisation, mono-objectif dans un premier temps, puis multiobjectif.
Dans l'approche mono-objectif, nous adaptons plusieurs métaheuristiques au problème de la segmentation. Une application sur des images par résonance magnétique (IRM) cérébrales est ensuite réalisée. Cette adaptation des différentes métaheuristiques pour la segmentation nous permet de les comparer sur les plans suivants : la complexité, la vitesse de convergence, l'adaptabilité, et la reproductibilité des solutions.
Nous proposons ensuite une approche multiobjectif pour mieux résoudre le problème de la segmentation des images. Dans ce contexte, nous développons trois schémas de systèmes de segmentation adaptatifs : le premier est basé sur l'agrégation de critères, le second sur l'approche non-Pareto, et le troisième sur l'approche Pareto. Enfin, dans le cas particulier de la segmentation des espaces de ventricules cérébraux, nous appliquons différentes approches sur des IRM saines et d'autres pathologiques.
Loading...