Image segmentation through metaheuristics optimization : application to brain magnetic resonance images
Segmentation d'images par l'optimisation métaheuristique
Résumé
Image segmentation is the process of partitioning an image into smaller non-overlapped and meaningful regions based in part on some homogeneity characteristics. Many high-level processing tasks such as feature extraction, object recognition and medical diagnosis depend heavily on the quality of solutions. In medical image analysis, images usually contain some artifacts such as noise, image volume effect and bias field effect due to various factors, for instance, environment and acquisition devices, and have complex structures. Therefore, image segmentation remains a difficult task even if various techniques and methods of different accuracy and degree of complexity have been introduced in the literature. Several approaches such as fuzzy clustering, region-based active contour, Markov random field, have been found that can produce promising results; however, still many key open issues remain to be investigated. Up to now, there is no gold standard method and segmentation procedures still need a significant amount of expert intervention for improving the performance.Metaheuristics are a high-level procedure designed to solve optimization problems by the process of searching optimal solutions to a particular problem of interest. Metaheuristics are generally applied to problems for which there is no satisfactory algorithm able to solve them effectively. Therefore, they are widely used to solve complex problems and have proven to be successful in many fields of application with varying degrees of success. Considering the image segmentation problem as one of the optimization problems solved by metaheuristics, image segmentation has attracted many researchers in recent years. In many successful applications, it can be seen that the traditional approaches for image segmentation have been combined with metaheuristics in different perspectives in order to improve their performance.Bearing those in mind, we propose in this work three image segmentation methods for magnetic resonance (MR) brain images based on mono-objective, multi-objective and hybrid metaheuristic optimization techniques. In each method, first, the basic model for the image segmentation problem is extended to incorporate more image information (spatial or spectral) such that more and better characteristics in segmented image can be achieved. Then, metaheuristic algorithms are adapted or developed to take place in optimization step. The proposed methods were evaluated on both simulated MR images and real MR images and compared with a set of recent methods in the literature. The obtained results show clearly the efficiency of the proposed ideas.Keywords: Image segmentation, fuzzy clustering, region-based active contour, Markov random field, metaheuristics, multi-objective optimization, hybrid metaheuristic, MRI.
La segmentation d'image est le processus de partitionnement d'une image en régions plus petites, non superposées et de taille significative, reposant en partie sur certaines caractéristiques d'homogénéité. De nombreuses tâches de traitement de haut niveau, telles que l'extraction de caractéristiques, la reconnaissance d'objets et le diagnostic médical, dépendent fortement de la qualité des solutions. En analyse d'images médicales, les images contiennent généralement certains artefacts tels que le bruit, l'effet de volume d'image et l'effet de champ de polarisation dus à divers facteurs, tels que l'environnement et les dispositifs d'acquisition; en outre, ces images possèdent des structures complexes. Par conséquent, la segmentation des images reste une tâche difficile, même si diverses techniques et méthodes de précision et de complexité variées ont été proposées dans la littérature. Plusieurs approches, telles que le regroupement flou, les contours actifs basés sur les régions, les champs markoviens aléatoires, peuvent produire des résultats prometteurs. Cependant, de nombreuses questions en suspens restent à étudier. Jusqu'à maintenant, il n'existe pas de méthode de référence et les procédures de segmentation nécessitent toujours l'intervention d'un nombre important d'experts pour améliorer les performances. Les métaheuristiques sont une procédure de haut niveau conçue pour résoudre les problèmes d'optimisation en cherchant des solutions optimales à un problème complexe donné. Les métaheuristiques sont généralement appliquées à des problèmes pour lesquels il n'existe pas d'algorithme satisfaisant capable de les résoudre efficacement. Par conséquent, elles sont largement utilisées pour résoudre des problèmes complexes et elles ont fait leurs preuves dans de nombreux domaines d'application, avec plus ou moins de succès. Considérant que le problème de la segmentation d'images est l'un des problèmes d'optimisation résolus efficacement via les métaheuristiques, de nombreux chercheurs se sont intéressés à la segmentation d'images ces dernières années. Dans de nombreuses applications, les approches traditionnelles de la segmentation d'images ont été combinées avec des métaheuristiques afin d'améliorer leurs performances. Gardant cela à l'esprit, nous proposons dans ce travail trois méthodes de segmentation d'image pour les images cérébrales par résonance magnétique (IRM), basées sur des techniques d'optimisation métaheuristique mono-objectif, multi-objectif et hybride. Pour chaque méthode, le modèle de base pour le problème de segmentation d'image est d'abord étendu de sorte à incorporer plus d'informations (de nature spatiale ou spectrale): on obtient ainsi des caractéristiques des images segmentées plus pertinentes. Ensuite, les algorithmes métaheuristiques sont adaptés ou développés pour conduire la phase d'optimisation. Les méthodes proposées ont été évaluées à la fois sur des images IRM simulées et sur des images IRM réelles et comparées à un ensemble de méthodes récentes de la littérature. Les résultats obtenus montrent clairement l'efficacité des idées proposées.
Origine : Version validée par le jury (STAR)