Vous êtes sur la page 1sur 12

1

Clustering par fusion floue de donnes appliqu la segmentation dimages IRM crbrales

Zouaoui Hakima1, Moussaoui Abdelouahab2


1

Ecole doctorale nationale STIC Dpartement dInformatique -Universit Mhamed Bougra de Boumerdes 2 Ecole doctorale nationale STIC Dpartement dInformatique - Universit Ferhat Abbas de Stif Hak-soraya@yahoo.fr Moussaoui_abdel@yahoo.fr

Rsum. Dans cet article nous proposons une approche originale base sur les techniques de data mining pour lextraction des connaissances par fusion floue de donnes. Cette approche prsente une nouvelle architecture de fusion de donnes base sur la thorie possibiliste pour la segmentation dune cible partir de plusieurs sources dimages. Le processus de fusion est dcompos en trois phases fondamentales : nous modlisons tout d'abord les informations dans un cadre thorique commun, le formalisme retenu consiste faire la coopration entre lalgorithme FCM (Fuzzy C-Means) dont la contrainte dappartenance dun individu une classe est gre dune manire relative et lalgorithme possibiliste PCM (Possibilistic C-means) pour les points aberrants. Nous agrgeons ensuite ces diffrentes informations par un oprateur de fusion, celui-ci doit affirmer les redondances, grer les complmentarits et prendre en compte les conflits soulignant souvent la prsence d'une pathologie. Nous construisons enfin une information synthtique permettant dexploiter les rsultats de la fusion. Mots-cls. Data mining, Imagerie mdicale, Fusion de donnes, Segmentation, C-moyennes floues, C-moyennes possibiliste.

1 Introduction
Malgr les avances technologiques dans le domaine mdical et en particulier dans limagerie mdicale, ltude du cerveau humain est un problme ardu et reste un sujet de recherche de forte actualit, du fait de lvolution des techniques dimagerie, la grande capacit de calcul des machinesetc. Une des modalits dimagerie les plus couramment utilises, laquelle nous nous sommes intresss dans le cadre de ce travail, est lImagerie par Rsonance Magntique (IRM), qui est devenue un outil indispensable pour tout examen clinique, elle prsente lavantage dtre non invasive et permet lacquisition dimages bi ou tridimensionnelles sur lesquelles diffrents contrastes sont possibles. Cette modalit permet en outre la ralisation dtudes du cerveau aussi bien anatomiques que fonctionnelles grce aux techniques dIRM et dIRMf (IRM fonctionnelle) [1]

Ces dernires annes, des modlisations formelles de cette attitude ont t construites, fondes pour la plupart sur des approches prenant en compte les redondances, les complmentarits et les ambiguts inhrentes aux donnes mdicales. Regroupes sous l'appellation "fusion", ces modles ont pour but de grer au mieux ces diffrents aspects pour faire converger les connaissances et proposer une information synthtique la plus exploitable possible [2]. Notre travail concerne essentiellement le dveloppement de nouveaux outils issues des techniques de data mining pour lextraction des connaissances par fusion floue de donnes. Il sagit essentiellement de contribuer au dveloppement de systmes de classification guids par les connaissances a priori o laspect flou et possibiliste sont pris en considration lors du processus de classification. Afin de valider les algorithmes dvelopps, une application a t dveloppe pour la segmentation des images IRM. Le processus de fusion tel que nous l'envisageons ici est compos de trois tapes. Dans la premire, les informations disponibles sont modlises dans un cadre thorique commun, permettant de prendre en compte les connaissances vagues et ambigus. Dans la seconde, les modles d'informations sont agrgs, en tenant compte des redondances et des conflits exprims. Dans la troisime, enfin, une dcision est prise en fonction de toutes les informations prcdemment fusionnes [3].

2
Nous prsentons la deuxime section un tat de lart sur les mthodes de classification des tissus crbraux. La fusion de donnes fait l'objet de la troisime section. O nous proposons une tude des mthodes d'agrgation des informations. Dans la quatrime section, nous prsentons les tapes de la fusion de donnes de lapproche propose en rponse la problmatique de lextraction des connaissances par fusion floue de donnes. Les rsultats obtenus sur les images IRM sont prsents dans la cinquime section. Nous concluons au sixime paragraphe.

2 Mthodes de classification
Les problmes de classification sattachent dterminer des procdures permettant dassocier une classe un objet (individu). Ces problmes se dclinent essentiellement en deux variantes selon Bezdek [4] : la classification dite supervise et la classification dite non supervise (automatique). 2.1 Mthodes supervises Ces sont des mthodes dans lesquelles les classes sont connues a priori avant d'effectuer l'opration d'identification des lments de l'image. Elles demandent une premire phase d'apprentissage sur l'chantillon reprsentatif dans le but d'apprendre les caractristiques de chaque classe et une deuxime phase pour dcider de l'appartenance d'un individu telle ou telle classe. Les donnes segmentes de lensemble dapprentissage proviennent dun tiquetage manuel des images ou des rgions dintrt en C classes de tissus (C 1 ... C c ) par un ou plusieurs experts. Chaque classe Ci se voit donc affecter un ensemble dapprentissage E , et les donnes de lensemble de test sont segmentes
i

en fonction des E i . Parmi ces mthodes on peut citer : la segmentation Baysienne, la segmentation par les champs de Markov [5], rseaux de neurones [6], etc. Pour notre cas, puisquil sagit de segmenter des images mdicales IRM crbrales, la classification supervise de ces images ncessite donc la cration dune base dapprentissage pour chaque classe et pour chaque patient ce qui est en elle mme une tche trs fastidieuse pour les experts [7]. Cest pour cette raison quon sintresse aux mthodes non supervises. 2.2 Mthodes Non Supervises (Automatiques) Lintrt des mthodes non supervises est quelles ne ncessitent aucune base dapprentissage et par l mme aucune tche pralable dtiquetage manuel nest requise. La seule intervention de lexpert se situe la fin du processus pour identifier les tissus en comparant les classes calcules avec les classes biologiques. Les algorithmes non superviss les plus rpandus tendent minimiser une fonction cot, dpendant de la distance de chaque pixel aux prototypes (ou noyaux) des classes. Le prototype dune classe tant un point connu dont lappartenance la classe est garantie et o chaque pixel est assign la classe qui lui est la plus proche. Selon la certitude de la classification que nous voulons obtenir, et la relation entre les classes, nous pourrons distinguer plusieurs mthodes de classification [8]: 2.2.1 Classification HCM (Hard C -Means) Notons X = (x j , j = 1 .. N ) lensemble des vecteurs forme de R P , avec x j = x j1 , x j 2 , ..., x jp T , et B = (b1 , ..., bc )

un ensemble de vecteur prototypes inconnus, o bi caractrise la classe i . Dans la mthode HCM un lment de

X est attribu une classe et une seule parmi les C proposes. Dans ce cas, la fonctionnelle minimiser est :
J (B , U , X

)=
i =1

j =1

u ij d

(x

, bi )

(1)

Les solutions au problme scrivent :

u ij =

1 0

ssi d sinon

( x j , bi )< d 2 ( x j , b k )

k i

(2)

bi =

u
N

j =1

ij

x
ij

(3)

j =1

Dans une mthode comme HCM, les lments sont classs de faon certaine comme appartenant une classe et une seule. Quelle que soit la modalit dimagerie, cette assertion ne reflte pas la ralit physique de l'chantillon tudi (bruit, volume partiel, htrognit de champ, etc.) [1]. Les mthodes prsentes dans les paragraphes suivants permettent d'obtenir une segmentation floue qui prend en compte ces aspects imprcis et incertains [2]. 2.2.2 Classification floue FCM (Fuzzy C- Means ) La modlisation de limprcision seffectue en considrant des frontires graduelles au lieu de frontires nettes entre les classes. Lincertitude sexprime par le fait quun pixel possde aussi bien des attributs qui lassignent une classe qu une autre. La classification floue assigne donc, non pas un pixel une tiquette relative une classe unique, mais son degr dappartenance chacune des classes. Ces valeurs expriment lappartenance incertaine dun pixel une rgion et sont appeles degrs dappartenance. Le degr dappartenance se situe dans lintervalle [0, 1] et les classes obtenues ne sont pas forcment disjointes. Dans ce cas, les donnes x j ne sont plus assignes une classe unique, mais plusieurs par lintermdiaire de degrs dappartenance uij du vecteur x j la classe i . Le but des algorithmes de classification est non seulement de calculer les centres de classe B mais aussi lensemble des degrs dappartenance des vecteurs aux classes. Si uij est le degr dappartenance de x j la classe i , la matrice U CxN [ uij ]est appele matrice de C-partitions floues si et seulement si elle satisfait aux conditions :

i {1..C}, j {1..N}

u ij [0 ,1]
(4)
0 <

j =1

u ij < N

j { 1..N}

i =1

u ij = 1

(5)

la fonctionnelle minimiser (6), et les solutions (7), (8), au problme du FCM sont dcrites par les formules suivantes :

J (B , U , X ) =

(u )
C N i =1 j =1 ij

(x

, bi )

(6)

bi =

u
k =1 n k =1

m ik

.x k
(7)
m ik
1

2 C 2 ( m 1 ) ( ) d x , b j i u ij = 2 ( ) d x , b k =1 j k

(8)

2.2.3 Classification possibiliste PCM (Possibilist C-Means) Krishnapuram et Keller [9] ont suivi les ides de Zadeh [10] selon lesquelles (5), ne doit pas contraindre les appartenances dun vecteur quelconque

xj

si les classes reprsentes par les nuages sont considres comme ces

4
sous-ensembles flous sur le domaine X = {x j , j = 1..N}. Les degrs dappartenance doivent seulement appartenir lintervalle [0,1]. Ainsi, un nouvel ensemble de contraintes est dfini :

i { 1..C }, j { 1..N }
0<

uij [0,1]
<N

(9)

u
j =1

ij

j {1..N}
i

(10)
maxuij > 0

La condition (10), assure simplement que la partition floue rsultante de lalgorithme recouvre le domaine X. En toute rigueur, la matrice U rsultante nest plus une C-partition floue, puisque la contrainte (5), nest plus satisfaite. La fonctionnelle minimiser (11), et les solutions (12), (13), de lalgorithme PCM deviennent :
J (B,U , X ) = uij d (x j , bi ) + i (1 u ij )
C N m 2 C N i =1 j =1 i =1 j =1 m

(11)

i { 1 ..C

bi =

u
k =1 n k =1

m ik

.x k
m ik

(12)

i {1..C} j {1..N} uij =

1 d 2 (x j , vi ) 1+ i
1 m1

(13)

o i est un rel positif dterminant la distance laquelle le degr dappartenance dun vecteur la classe 0.5.

i est gal

3 Fusion de donnes
Le concept de la fusion de donnes est facile comprendre, mais il est difficile den trouver une dfinition qui rende compte de ce cadre formel et de ses multiples facettes. La dfinition qui nous sembles la plus adapte dans notre travail est celle de [11]: la fusion de donnes consiste combiner des informations issues de plusieurs sources afin damliorer la prise de dcision.
3.1 Classification des oprateurs de fusion

La notion de fusion sapplique au cas de n sources [12], [13]. On considre le problme de lagrgation de deux informations, n1 et n2 , issues de deux capteurs diffrents pour un mme phnomne. On cherche agrger les informations fournies par n1 et n2 en exploitant au mieux lambigut et la complmentarit des donnes. Bloch propose dans [12] la dfinition suivante pour le comportement de F :
Svre Prudent
Indulgent

si si
si

min(n1 , n2 ) F (n1 ,n 2 ) max(n1 , n2 )

F (n1 , n2 ) min(n1 , n2 ) .

F (n1 , n2 ) max(n1 , n2 ).

Il existe diffrents types doprateurs, suivant leur variabilit et leur dpendance au contexte. Les exemples cits dans la partie qui suit sont extraits de la classification effectue dans [12].

5
3.1.1 Oprateurs comportement constant et indpendant du contexte
Ce sont des oprateurs ayant le mme comportement quelles que soient les valeurs de n1 et n2 agrger. Le rsultat de la fusion est indpendant du contexte de lagrgation. Loprateur F est donc exclusivement svre, indulgent ou prudent. Cette classe sera note CCIC [2], [12].

3.1.2 Oprateurs comportement variable et indpendant du contexte


Ce sont les oprateurs qui ne dpendent pas du contexte mais dont le rsultat est fonction des valeurs de n1 et n2 . Par exemple, les sommes symtriques sont des oprateurs comportement Variable et indpendant du contexte, elles g (x, y ) o g est une fonction de [0,1] [0,1] dans [0,1]. Cette classe sera note sont de la forme : =
g ( x, y ) + g (1 x,1 y )

CVIC [2], [12].

3.1.3 Oprateurs dpendants du contexte


La valeur retourne par F ne dpend plus seulement de n1 et n2 mais aussi dune connaissance a priori sur le systme de capteurs ou sur le phnomne tudi. Il est ainsi possible de construire des oprateurs dont le comportement svre (resp. indulgent) est une fonction croissante (resp. dcroissante) de laccord entre les deux capteurs. On a ici faire un problme daccord entre les sources. Cette classe doprateurs, qui sera note CDC, nous intressera tout particulirement dans la suite [2].

3.2 Thories utilises pour la fusion


Divers cadres thoriques sont utiliss pour reprsenter les informations en fusion de donnes. Certains utilisent la thorie des croyances, la thorie des probabilits ou la thorie des possibilits.

3.2.1 Thorie des probabilits


Les probabilits, du fait de leur anciennet, dveloppes au 19me sicle pour la mcanique classique, sont encore la base thorique la plus utilise pour la reprsentation des donnes incertaines. Plusieurs distributions de probabilits peuvent ensuite tre combines l'aide de la rgle de Bayes : Soit H = {H 1 , ..., H N } , l'ensemble des hypothses. Les H i sont mutuellement exclusives. La probabilit a posteriori d'un vnement H i parmi les N hypothses connaissant linformation I j est donne par

P (H i \ I j ) =

P ( H i ). P ( I j /H i )

P (H ).P (I
N k =1 k

/H k )

(14)

o P ( H i ) est la probabilit a priori de lhypothse H i , et P ( I j /H i ) reprsente la probabilit dobserver linformation I j lorsque lhypothse H i est ralise.

3.2.2. Thorie des croyances


La thorie de lvidence fut historiquement introduite par Shafer [13]. Mais les origines de la thorie sont attribuables Dempster [14], [15]. partir du formalisme mathmatique dvelopp, Shafer [13] a montr lintrt des fonctions de croyance pour la modlisation de connaissances incertaines. N Soit X , un ensemble de N hypothses H i exclusives et exhaustives, 2 x dsigne l'ensemble des 2 sous-ensembles

A j de X .

6
Selon [16], une fonction de masse lmentaire, m, est dfinie de 2X sur [0,1] par :

m( ) = 0

(15) (16)

m(A ) = 1
2
N

J =1

Une fonction de crdibilit, Cr , peut galement tre dfinie sur les mmes ensembles par:

Cr ( ) = 0 Cr ( X ) = 1 Cr ( Ak ) = m(A j )
A j Ak

(17) (18) (19)

A partir de la notion de masse lmentaire, on peut galement introduire une fonction de plausibilit, Pl

Pl ( A k ) =

A j Ak =

m (A )
j

(20)

Cette fonction mesure quel point les informations donnes par une source ne contredisent pas Ak .

3.2.3 Thorie des possibilits


La thorie des possibilits a t introduite en 1978 par Zadeh [17] puis dveloppe par Dubois et Prade en France [18], [13]. De mme que la thorie des croyances, elle constitue un cadre permettant de traiter des donnes caractre imprcis et/ou incertain. Elle peut tre vue indpendamment de toute interprtation probabiliste comme une approche ordinale de lincertain dans [0,1], exploite laide des mesures de possibilit et de ncessit.

3.2.3.1 Mesure et distribution de possibilit


X (P ( X

Soit un ensemble de rfrence fini X . Une mesure de possibilit est dfinie sur l'ensemble des parties de )) et prend ses valeurs dans [0,1] telle que :

( ) = 0, ( X ) = 1 A1 P( X ), A2 P( X ), ... (i=1,2,... Ai ) = supi=1,2,... ( Ai )

(21)
(22)

On introduit une fonction appele distribution de possibilit, , qui associe tout vnement de X , un coefficient compris entre 0 et 1 refltant le degr avec lequel cet vnement est possible. Cette fonction doit vrifier la condition de normalisation suivante :

sup xX ( x ) = 1

(23)

Une distribution de possibilit est un ensemble flou qui peut tre associ la mesure de possibilit bijectivement, et l'on a :
x X

( x ) = ({x})

3.2.3.2 Mesure de ncessiter


Une mesure de possibilit fournit une information sur l'occurrence d'un vnement A relatif un ensemble de rfrence X, mais elle ne suffit pas pour dcrire l'incertitude existante sur cet vnement. Pour complter l'information sur A, on indique le degr avec lequel la ralisation de A est certaine par l'intermdiaire d'une mesure de ncessit. Une mesure de ncessit, N, est une fonction dfinie sur l'ensemble P( X ) des parties de X, valeurs dans [0,1], telle que :

N ( ) = 0, N ( X ) = 1
A1 P( X ), A2 P( X ),... N(i=1,2,... Ai ) = infi=1,2,... N( Ai )
c correspondante, par l'intermdiaire du complmentaire A de toute partie A de X :

(24) (25)

Sur un ensemble de rfrence X, une mesure de ncessiter N peut tre obtenue partir de la mesure de possibilit

A P ( X )

N ( A) = 1 A c

( )

(26)

4. Approche propose
La fusion d'images peut alors se dcomposer en trois grandes tapes : Modlisation des informations dans un cadre thorique commun. Fusion des informations issues de la modlisation prcdente. Prise de dcision.

4.1 Modlisation
Ltape de modlisation consiste en la reprsentation de linformation dans un cadre mathmatique li une thorie particulire. Notre but ici n'est pas de dterminer la meilleure mthode, mais la mthode la plus adapte dans le contexte de la fusion des tissus crbraux

4.1.1 Choix des algorithmes utiliss


Nous devons, tout dabord, prciser si lalgorithme doit tre supervis ou non. Lemploi dun algorithme supervis ncessite, comme nous lavons vu prcdemment, une base dapprentissage pour chaque classe et pour chaque patient. Cela constitue un premier inconvnient de ce type de mthodes. De plus, la littrature rapporte que les mthodes supervises en segmentation dimages mdicales peuvent tre trs dpendantes de la base dapprentissage [4]. Pour toutes ces raisons, nous avons opt pour une mthode non supervise.

4.1.1.1 C-moyennes Floues ou Algorithme Possibiliste ?


Nous indiquant ici les raisons qui nous ont amen effectuer une coopration entre lalgorithme flou FCM et lalgorithme possibiliste PCM. Cela a pour but de rendre lalgorithme de classification plus robuste face aux imprcisions et aux donnes aberrantes. Le PCM peut tre utilis dans un deuxime passage pour les points aberrants, aprs lapplication dun autre algorithme de regroupement, tel que les FCM, qui fournit une partition initiale pour les PCM. Ce dernier amliore cette partition obtenue suite la premire tape. FCM et degrs dappartenance relatifs [2] La contrainte de normalisation (5) Utilise pour la minimisation de la fonctionnelle (6) est source derreur dans linterprtation des degrs dappartenance issus du FCM. Krishnapuram et Keller [9] donnent une srie dexemples simples qui illustrent les problmes associs cette contrainte, que nous rsumons dans la figure 1. Cette figure prsente deux nuages de points avec deux points aberrants A et B. Lalgorithme des C-moyennes floues appliqu deux classes (C=2) avec m=2 et une distance euclidienne calcule les centres O1 et O2. Les degrs dappartenance de chaque point aux deux classes sont prsents dans le tableau 1. Les points A et B, rsultant, par exemple, dune erreur de mesure ou dun bruit, ne doivent pas avoir des degrs dappartenance significatifs aux deux classes. De plus, les degrs dappartenance de B doivent tre plus faibles que ceux de A, ce point tant encore plus loign des classes. Nanmoins, en dpit de ces considrations intuitives, la contrainte (5) impose aux degrs dappartenance de A et B aux deux classes d'tre approximativement gaux 0.5.

Fig. 1. Dmonstration de la mauvaise interprtation des degrs dappartenance du FCM [2].


Les degrs dappartenance des points C et D, tels quils sont calculs par FCM, sont significativement diffrents alors que ces deux points sont approximativement la mme distance du centre de la classe de gauche. Cela est encore une fois d la contrainte de normalisation (5) qui force C partager un peu de son appartenance la classe de droite, dont il est plus proche que D ne lest.

Table 1. Comparaison des degrs dappartenance gnrs par FCM et PCM [2]. Points
uij ( FCM ) uij ( PCM )

A
0.53 0.26 0.47 0.52 0.18 0.09

B
0.48 0.06

C 0.62 0.38 0.77 0.13

D
0.82 0.76 0.18 0.07

PCM et degrs dappartenance absolus [2]

La valeur de uij dans (11) ne dpend maintenant que de la distance du vecteur x j la classe i, contrairement (6). Les degrs dappartenance gnrs par PCM ne sont ainsi plus des degrs relatifs ou de partage, ils deviennent des valeurs absolues refltant la force avec laquelle chaque vecteur appartient toutes les classes. Les degrs dappartenance gnrs par PCM refltent de manire plus exacte la ralit de la distribution des points (A et B) se voient affecter des degrs dappartenance faibles aux deux classes, (C et D) ont un degr dappartenance la premire classe quasi identique. Les images IRM sont affectes, comme on la dj mentionn, par des artefacts que lalgorithme PCM les gre mieux. Pour toutes ces raisons, nous nous sommes orients vers lalgorithme de classification possibiliste pour caractriser les tissus

4.1.1.2 Initialisation de lalgorithme


Les rsultats de lalgorithme PCM vont videmment dpendre de ltape dinitialisation [1]. Ainsi, linitialisation, si elle doit exister, ne doit pas tre aussi prcise que dans dautres algorithmes comme FCM. Tout algorithme (flou ou non) peut donc tre utilis, et lalgorithme FCM constitue une manire adquate dinitialiser les donnes [19], puisquil donne accs une premire estimation de U et de B.

4.1.1.3 Dtermination du nombre de classes


Notre objectif consiste segmenter lencphale, ce qui nous pousse fixer 3 le nombre de classe identifier (C=3) correspondant aux trois tissus crbraux prsents dans lencphale savoir la matire blanche (MB), la matire grise (MG) et le liquide cphalo-rachidien(LCR).

4.1.1.4 Choix des vecteurs forme


Le choix des vecteurs forme est fondamental puisque leur pertinence va permettre de discriminer les pixels entre eux. Ce choix est dfini suivant le type de modalit. Limage anatomique que nous utilisons est une IRM. Limagerie par rsonance magntique est une modalit dimagerie multispectrale (multimodale) donnant accs un grand nombre

9
de paramtres et donc de vecteurs forme. La premire caractristique qui peut tre exploite est le signal lui-mme, principalement par lintermdiaire dimages pondres en T1 , T2 et en densit de protons. Le vecteur forme x j dun pixel j est alors form des niveaux de gris de ce pixel dans toutes les modalits. Cette information est trs largement utilise en segmentation dimages [7].

4.2 Fusion
De nombreux auteurs ont compar les thories des probabilits, des possibilits et des croyances, et ont dtaill les transformations permettant de passer dun formalisme lautre.

4.2.1 Limitations de la fusion probabiliste


Notre choix ici est exclusivement orient vers le domaine de limagerie. La fusion quant elle est ralise laide de la rgle de Bayes, et la dcision est prise en fonction du maximum de vraisemblance. Cependant, cette thorie prsente certains inconvnients qui limitent son utilisation dans le cas qui nous intresse. Ces limites sont rsumes ci-dessous : dans les images traites dans la partie suivante, les informations sont la fois incertaines et imprcises. Or la thorie des probabilits ne peut pas bien prendre en compte limprcision des donnes, le formalisme, notamment introduit dans la rgle de Bayes, requiert des connaissances a priori sur loccurrence de chaque phnomne par lintermdiaire des probabilits conditionnelles et des probabilits a priori des vnements. Des modles peuvent reprsenter ces connaissances mais imposent alors des hypothses fortes sur les tapes de modlisation et de fusion.

4.2.2 Vers la thorie des possibilits


Nous avons compar les thories des croyances et des possibilits par rapport au problme spcifique de la fusion dimages mdicales, cette comparaison permet de se rendre compte que des diffrences importantes existent, ces diffrences sont : La thorie de lvidence prend en compte les ensembles composs de plusieurs classes, ce qui permet de considrer le doute entre les classes. Ltape de combinaison en thorie des croyances se rsume la plupart du temps lapplication de loprateur orthogonal, dans le cas o toutes les ambiguts peuvent tre introduites ltape de modlisation. Au contraire, la thorie des possibilits offre une grande varit doprateurs ayant des comportements diffrents suivant la situation prsente. Le fait de prendre en compte dans la combinaison le conflit et la fiabilit des sources nous a paru fondamental, en particulier pour prserver linformation pertinente pour le diagnostic [1]. Nous nous sommes donc plutt orients vers la construction doprateurs dpendants du contexte (CDC) et avons ainsi privilgi la reprsentation possibiliste des donnes. Lanalyse des ces modles pour les fusions envisages a rvl tout dabord que la thorie des probabilits tait mal adapte, principalement en raison des effectifs dexprimentation faibles dont nous disposons. La relative simplicit des informations extraire dans les images et la pauvret des modes de combinaison en thorie des croyances ont t ensuite pour nous des lments dcisifs dans le choix dun cadre formel et nous ont fait prfrer lapproche possibiliste la thorie des croyances.

4.3

Dcision

La dernire tape consiste prendre la dcision quant lappartenance dun voxel de limage I une classe Ci. La rgle de dcision adopte consiste prendre une coupe de la carte de fusion en choisissant un seuil dtiquetage.

v I , v Ci Si Fusionn (v ) seuil

10

5 Rsultats
Afin de prouver lefficacit de lapproche dveloppe, nous avons implment les algorithmes FCM, PCM et lapproche dveloppe. Il sagit dimages pondres en T1, T2 et en densit de proton (Dp) pour des patients de diffrents ges (taille pixel =1mm, taille de matrice 512 X 512). Les images sont en format DICOM (Digital Imaging and Communications in Medecine).

5.1 Analyse des rsultats


La figure 2 illustre les rsultats obtenus aprs segmentation des diffrents tissus crbraux dimages (a) et (b) pondres en T1 et en T2 sur des coupes axiales. Les images (c), (d), (e) et (f) sont les rsultats de la segmentation par FCM et PCM successivement.
Images originales

(a) Image en T1
Segmentation par FCM

(b) Image en T2

(c)
Segmentation par PCM

(d)

(e)

(f)

Segmentation par lapproche propose

(g)

(h) Fig. 2. Rsultats de segmentation.

11
Table 2. Comparaison des taux de recouvrement obtenus par diffrents algorithmes.
FCM MG MB LCR 0,85 0,9 0,63 PCM 0,64 0,52 0,65

Approche propose 0,90 0,92 0,91

Les rsultats du tableau 2 confirment lintrt de lapproche de fusion par rapport aux approches prises indpendamment.

6 Conclusion
Dans cet article nous avons dmontr limportance et les difficults de ces travaux de segmentation dimages IRM. Deux raisons expliquent ces difficults : La premire est quil existe une trs grande varit de tissus anormaux qui diffrent par leur taille, leur forme, leur position et leur composition. La seconde raison vient de ce que la donne issue de lacquisition IRM est sensible au bruit de fond et lchantillonnage. Nous avons tout d'abord dcompos le processus de fusion de donnes en trois phases fondamentales. En premier lieu, nous avons modlis des informations, numriques ou symboliques, dans un cadre commun permettant de prendre en compte les ambiguts, les imprcisions et les incertitudes. Nous nous sommes pour cela placs dans le cadre de la coopration entre lalgorithme flou FCM et lalgorithme possibiliste PCM afin de rendre lalgorithme plus robuste face aux imprcisions et aux donnes aberrantes. En second lieu, nous avons fusionn diffrentes donnes. Cette agrgation a t ralise par des oprateurs de fusion qui modlisent l'analyse quotidienne du mdecin confront des donnes cliniques htrognes. Nous avons explicit l'oprateur qui nous a sembl le plus adapt, en fonction de proprits mathmatiques souhaites, de considrations intuitives sur la nature des donnes et de tests exprimentaux. En dernier lieu, nous avons prsent ces informations fusionnes au clinicien. Ici encore, nous avons propos pour chaque type de fusion une solution. Nous avons prsent les rsultats de notre travail qui consiste utiliser plus dun algorithme pour segmenter des images mdicales en vue damliorer la qualit de la segmentation. La bonne qualit de nos solutions tient au fait que : 1. Cest une mthode totalement automatique grce aux modlisations des connaissances a priori des experts neuroradiologues. Elle ne dpend pas dchantillons obligatoirement utiliss dans les mthodes dapprentissage. La thorie floue est importante pour modliser les connaissances humaines en utilisant les fonctions mathmatiques et pour solutionner leffet de volume partiel dIRM. Elle satisfait aux contraintes de lapplication grce lautomaticit et aux diffrents rsultats finaux pouvant tre fournis par la reconstruction 3D floue. Elle est robuste en prsence des points aberrants. Sa performance est meilleure que celle de la mthode supervise. Cest un systme base de la thorie floue et possibiliste. Elle est efficace sur au moins 2 types de tissus.

2. 3. 4. 5. 6.

7 Rfrences
1. Semchedine, M., Toumi, L., Moussaoui, A. :Nouvelle Approche de Classification Multimodale Hybride dImages IRM dans un SMA :. Journes internationales sur linformatique graphique .Tbessa 2006 2. Barra, V. : Fusion dImages 3D du Cerveau : Etude de Modles et Applications :, Ph.D. Thesis, Universit d'Auvergne, Clermont-Ferrand (France), 2000. 3. Dou, W. : Segmentation d'images multi spectrales base sur la fusion dinformations : application aux images IRM :, Thse doctorat de luniversit de Caen, Spcialit : Traitement du Signal et des Images, 2006 4. Bezdek, J., Hall, L., Clarke, L.: Review of MR Image Segmentation Techniques using Pattern Recognition:, Medical Physics, 20:1033-1048, 1993.

12
5. Held, K., Rota Kops, E., Krause, B., Wells, W.: Markov Random Field Segmentation of Brain MR Images: IEEE Transactions on Medical Imaging, 16:878-886. 1997 6. Raff, U., Scherzinger, A., Vargas, P., Simon, J.: quantitation of grey matter, white matter and cerebrospinal fluid from spinecho magnetic resonance images using an artificial neural network: Technique, Medical Physics, 1994 7. Barra, V. : Segmentation floue des tissus crbraux en IRM 3D: une approche possibiliste versus autres mthodes :. Thse doctorat. Universite Blaise Pascal 1999. 8. Semchedine, M., Toumi, L., Moussaoui, A.: Systme Coopratif de Classification Floue Possibiliste avec Rejet dAmbigut Application la segmentation dimages IRM : 4th International Conference on Computer Integrated Manufacturing CIP2007 9. Krishna, R.: The Possibilistic C-Means Algorithm: Insights and Recommendations:. IEEE transactions on Fuzzy Systems 1996 10. Zadeh, L.: Fuzzy Sets as a Basis for Theory of Possibility:, International Journal of Fuzzy Sets and Systems, 1:3-28. 1978 11. Bloch, I. : Fusion de Donnes en traitement dimages : modles dinformation et dcision :. Traitement du signal, 1994,vol.11, n6, pp 435 - 446 12. Bloch, I.: Information Combination Operators for Data Fusion: A Comparative Review with Classification:, IEEE Transactions on Systems, Man, and Cybernetics, 1:52-67, 1996 13. Dubois, D., Prade, H.: Possibility Theory, an approach to the omputerized processing of uncertainty:, Plenum Press, 1988 14. Shafer, G.: A Mathematical Theory of Evidence, Princeton University Press:, 1976 15. Dempster, A. P.: Upper and lower probability function in a context of uncertainty:, Annals of math. Statistics, vol 38, pp. 325-339, 1967 16. Dempster, A. P.: A generalization of bayesian inference, Jour. of the Royal Statistical Society, vol 30, pp. 205- 247, 1968. 17. Zadeh, L.:, Fuzzy Sets as a Basis for Theory of Possibility:, International Journal of Fuzzy Sets and Systems, 1:3-28, 1978 18. Dubois, D., Prade, H.: Fuzzy Sets and Systems: Theory and applications:, Academic press, New york, 1980. 19. Mnard, M.: The fuzzy c+2 means: Solving The Extended Ambiguity Reject in Clustering:. In IEEE Transactions on fuzzy systems, vol. 1, N .2, pages 195-203. 1998 20. Moussaoui, A.: Aneuro-fazzy image segmentation :. International journal of soft computing 1(3):232-238 Medwell Online. 2006 21. Shufelt, J.A.: Performance Evaluation and Analysis of Monocular Building Extraction from Aerial Imagery:. IEEE Transactions on Pattern Analysis and Machine Intelligence, 21(4), pp. 311326. 1999

Vous aimerez peut-être aussi