Architecture Multi-agents adaptative pour La détection et la localisation de structures : application à la segmentation d’images

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. Cette diversité nous a guidé à développer une architecture multi-agents adaptative qui combine entre un algorithme supervisé (SVMs) et un algorithme non supervisé (AntClustring) pour profiter des avantages de chacun, afin que la segmentation caractérise mieux les différents structures cérébraux (MG, MB, LCR) et permet aussi de faire une comparaison ces deux types de méthodes. On a proposé les machines à vecteurs de supports pour la détection des contours et les fourmis artificielles pour la détection et la localisation des régions homogènes avec les propositions que nous avons introduit pour améliorer la qualité et la rapidité de approche. 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.