Iterative Image Segmentation by Knowledge Propagation in the Possibilitic Domain: Application to Tumor Detection in Mammography
Segmentation itérative d'images par propagation de connaissances dans le domaine possibiliste : application à la détection de tumeurs en imagerie mammographique
Résumé
The segmentation step constitutes a central point of image interpretation and scene analysis processes. Although the segmentation has already been the subject of numerous studies, it generally remains highly dependent on the nature of images and on their exploitation context. It is worthwhile to notice that the application of different segmentation methods on a given image often produces different results. In order to obtain a reliable and robust segmentation process, we mainly focus on the knowledge contained in the image, and especially on its representation space, aiming at exploiting the maximum of available information, both in terms of its image characteristics and spatial structure. In this context, we propose an approach of image segmentation based on the possibility theory. This approach allows representing image data by taking into account the ambiguity of the information it represents, based on a descriptive knowledge expressed by experts. Furthermore, during the process of pixel-based classification, the proposed approach simulates an important aspect of the human reasoning, the attention focusing, by the progressive integration of information related to the spatial context of pixels. This cognitive process is modeled by the iterative diffusion of the available knowledge, within the neighborhood of image pixels, particularly from possibilistic germs, assumed to represent points of the scene that belongs to a given semantic class with high certainty. Several strategies for both knowledge diffusion and the integration of germs are proposed and evaluated, qualitatively and quantitatively. The overall validation of the proposed approach is performed using a representative set of mammographic images. Obtained results tend to show the superiority of the proposed approach, in terms of accuracy and specificity, by comparison to more classical methods.
La phase de segmentation constitue un point central dans les processus d'interprétation et d'analyse d'images. Bien que la segmentation ait déjà fait l'objet de nombreux travaux, elle reste en général très dépendante de la nature et du contexte d¿exploitation de l'image. Notons que l'application de différentes méthodes de segmentation à une même image produit souvent des résultats différents. Dans le but d'obtenir une segmentation fiable et robuste, nous mettons dans ce travail l'accent sur la question de l'espace de représentation des connaissances issues de l'image, afin d'exploiter le maximum d'information disponible, en termes de caractéristiques et de structure spatiale. Dans ce contexte, nous présentons une approche de segmentation basée sur la théorie des possibilités. Cette approche permet de représenter les mesures numériques issues des capteurs en prenant en compte les ambiguïtés inhérentes à cette information, sur la base des connaissances descriptives exprimées par l'expert. De plus, l'approche proposée modélise un aspect important du raisonnement humain dans le processus de classification des pixels, en exploitant l'information issue du contexte spatial de ces éléments. Ce processus cognitif, la focalisation progressive de l'attention, est ici représenté par la diffusion itérative des connaissances acquises, dans le voisinage des pixels, notamment des germes possibilistes, qui représentent les points appartenant à une classe thématique donnée avec un fort degré de certitude. Plusieurs stratégies de diffusion des connaissances, ainsi que deux modes d'intégration des germes au processus (statiquement ou dynamiquement), sont proposés et évalués de manière qualitative et quantitative. La validation globale de la méthode est réalisée en utilisant un ensemble représentatif d'images mammographiques. Ces résultats, ainsi que leur comparaison aux résultats de méthodes plus classiques, montrent le fort potentiel de l'approche proposée en termes de spécificité et de précision des régions segmentées.
Origine : Fichiers produits par l'(les) auteur(s)