Segmentation floue des images IRM par fusion des données
No Thumbnail Available
Date
2015
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
FACULTE DES MATHEMATIQUES ET DE L’INFORMATIQUE - UNIVERSITE DE M’SILA
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).
Description
Keywords
Fusion de donnée, segmentation, IRM, EM, FCM.