Système coopératif hybride de classification dans un SMA : application à la segmentation d’images IRM

Abstract

Dans ce mémoire on a essayé, de mettre en oeuvre un état de l’art sur les différentes méthodes de segmentation d’images IRM cérébrales. Malgré la diversité de ces méthodes, nous avons remarqué qu’il n’existe pas une méthode de segmentation optimale, et chaque méthode donne un résultat satisfaisant dans un contexte particulier, ce qui nécessite la mise en oeuvre de la coopération de différentes méthodes, qui doit combiner plusieurs sources d’informations pour accomplir une tâche donnée, et tirer parti des complémentarités entre méthodes. Notre approche consiste à faire la coopération entre l’algorithme FCM (C-moyennes floues) dont la contrainte d’appartenance d’un individu à une classe est gérée d’une manière relative et l’algorithme possibiliste PCM (C-means possibilistes) qui relâche cette contrainte reflétant ainsi de manière exacte la réalité de la distribution des individus. Afin de diminuer l’influence des données aberrantes et ambiguës, nous avons introduit deux concepts de rejet : le rejet d'ambiguïté qui concerne les individus situés entre les frontières des différentes classes et le rejet d’aberrance concernant les individus qui sont très éloignés par rapport à toutes les classes. Pour contrôler et/ou coordonner l’exécution des différentes phases du processus de segmentation, nous avons eu recours aux systèmes multi-agents qui présentent la faculté d’apprentissage de nouvelles compétences pour gérer l’incertitude liée aux informations manipulées (images IRM).