Segmentation des images IRM par fusion de donnée et la méthode d’Estimation et Maximisation

Abstract

Avec le développement des techniques d’acquisition d’images, une grande masse de données de différentes sources d'image devient disponible. La fusion multimodale d'images cherche à combiner l'information de différentes images pour obtenir plus d'inférences que peuvent être dérivées d'une modalité seule. L'objectif principal est d’améliorer la segmentation des images IRM cérébrale par la fusion de données. Le processus de fusion est appliqué de trois manières : la fusion des modalités (T1, T2 et DP), la fusion d’approches et la fusion hybride. Pour la première on a utilisé la méthode EM et les approches EM et FCM pour la deuxième. La fusion des données d’une façon générale soit au niveau modalités et/ou niveau approche a amélioré la segmentation des images cérébrales. La dernière stratégie de fusion adoptée (hybride) donne la meilleure segmentation en termes de critères : la déviation standard (STD), l’entropie de l’information (IE), le coefficient de corrélation (CC) et la fréquence spatiale (SF).