Segmentation des images médicales MRI par réseaux de neurones et support vecteur Machine

Abstract

La segmentation d'images est récemment devenue une étape essentielle dans le traitement de l'image, comme il s'agit principalement des conditions dont l'interprétation qui est faite par la suite. Il est encore difficile de justifier la précision d'un algorithme de segmentation, quelle que soit la nature de l'image traitée, soit image synthétique, ou semiréelle synthétique ou bien image réelle. Dans cette thèse, nous effectuons une comparaison objective des techniques de segmentation basées région telles que la classification supervisée et déterministe non supervisée, la classification nonparamétrique et la classification probabiliste paramétrique. Dans ce travail, huit méthodes existantes considérées comme les plus utilisées par la communauté scientifique ont été sélectionnées et comparées. En plus, une nouvelle méthode nommée expectation de maximisation modifiée (EMM) a été proposée. Les critères de Martin (GCE, LCE), probabiliste index rand (PIR), variété de l'information (VI) et le déplacement de limite d'erreur (BDE) ont été utilisés pour évaluer la performance de ces algorithmes sur des images de résonance magnétique (MR) du cerveau, l'image réelle semi synthétique, et des images synthétiques. Les résultats obtenus montrent que la segmentation est un processus dépendant du type d'image et que certaines méthodes évaluées sont bien adaptées pour obtenir une meilleure segmentation.