Travaux antérieurs

Plusieurs travaux dans le domaine de la fusion d’informations sont développés et exploités dans la littérature. Un tour d’horizon sur quelques techniques est présenté dans cette section. Dans [Wal95], Waltz a présenté trois niveaux de base pour la fusion de données pour des images IRM : niveau pixel, niveau caractéristiques et niveau prise de décision qui correspond à trois architectures de traitement. I. Bloch, dans [Blo96b] a décrit quelques aspects de la théorie d'évidence de Dempster-Shafer qui peuvent être très utile en fusion d’images médicales pour des buts de segmentation ou de classification. Des exemples ont été fournis pour montrer sa capacité de tenir compte d'une grande variété de situations.

Des méthodes basées sur le recalage sont considérées comme des méthodes de fusion au niveaux pixel, par exemple la fusion IRM-PET (tomographie d’émission de positron) sont présentées en [Beh98]. Quelques techniques de segmentation basée sur la connaissance à priori peuvent être considérées comme fusion au niveau de caractéristiques telle que les méthodes proposées dans [Cla98]. Dans la référence [Lef00], les auteurs ont décrit une certaines fonctions de croyance, la théorie d'incertitude, la théorie de Dempster- Shafer qui sont souvent utilisées pour la fusion au niveau de décision.

Dans [Bar00a], V. Barra a présenté l’application des aspects de fusion de données à plusieurs études concernant le cerveau humain en tenant compte une grande variété d’informations (imagerie cérébrale fonctionnelle et anatomiques, connaissances expertes de neurochirurgiens, électroencéphalogramme, etc.). Les différentes étapes du processus de fusion sont appliquées dans le cadre de fusion des images IRM, la fusion anatomique et fonctionnelle et la fusion d’une image IRM et des informations symboliques. Ces concepts ensuite sont appliqués à quatre cas cliniques : la quantification des tissus cérébraux, l’étude de maladie de type Alzheimer et l’épilepsie et segmentation de noyau sous thalamique. Les résultats obtenus sont comparés aux ceux de la littérature.

Dans [Blo00], I. Bloch a proposé un cadre unifié de fusion d’informations dans le domaine médical basé sur les ensembles flous, et permettant de représenter et traiter aussi bien les informations numériques que symboliques, la théorie des ensembles flous est

Chapitre 4 : Système de Fusion Floue de Données Pour la Segmentation des Images IRM

appliquée à trois niveaux : au niveau bas, pour traiter l’information numérique de base contenue dans les images, aussi bien que la possible ambiguïté entre les classes; au niveau objet, pour représenter des objets ou des structures dans les images en tant qu’objets flous, sur la frontière des objets (flou dû par exemple à l’effet de volume partiel, ou à la résolution spatiale), ou sur la variabilité inter-individuelle des structures; au niveau plus élevé, pour prendre en compte l’information structurale et les rapports spatiaux entre les objets, comme la distance, la contiguïté, et la position relative entre les objets.

Vincent Barra et Jean Yves–Boire dans [Bar01b], ont décrit un cadre général de la fusion des images médicales anatomiques et fonctionnelles. Le but de leur travail est de fusionner les informations venant des images médicales anatomiques et fonctionnelles, le processus de fusion est basé sur la théorie de possibilités permettant la gestion de l'incertitude et de l'imprécision inhérentes aux images. Les auteurs ont concentré en particulier sur l'étape d'agrégation avec l'introduction d'une nouvelle classe des opérateurs basés sur la théorie de l'information et le processus entier est finalement illustré sur deux cas cliniques : l'étude de la maladie d'Alzheimer par fusion de MR/SPECT et l'étude de l'épilepsie avec la fusion MR/PET/SPECT. Les résultats obtenus ont été très encourageants. Vincent Barra et Jean-Yves Boire dans [Bar01c] ont proposé un schéma en trois étapes de fusion de l’information basé sur la logique floue permettant une segmentation entièrement automatisée des structures cérébrales internes. Les informations sont fournies par des images IRM et par la connaissance experte, et consistent en des données morphologiques, topologiques, et de constitution des tissus. Dans la première étape, toutes les informations ambiguës, complémentaires et redondantes sont modélisées en employant la logique floue, dans la deuxième étape, les modèles sont combinés en employant des opérateurs de combinaison afin de donner les correspondances et les conflits. Finalement, une décision est prise augmentant le niveau de certitude et la précision sur la position des structures subcorticales de cerveau. La fusion multimodale des images médicales est utilisée dans [Mar02].

Les auteurs dans [Dou07] ont présenté un cadre de fusion floue d’informations pour la segmentation automatique du cerveau humain notamment en présence de tumeurs à partir des images de résonance magnétique multispectrales. Dans cette approche trois modèles flous sont présentés pour représenter les caractéristiques du tumeur pour les différentes séquences d'image IRM. Ils permettent de créer l'espace flou correspondant aux caractéristiques du tumeur. L’opérateur de fusion retenu dans ce contexte est la moyenne géométrique et la technique de croissance de région est utilisée pour améliorer le résultat de la segmentation. Maria del C. et Al [Mar10] ont proposé une nouvelle technique de

Chapitre 4 : Système de Fusion Floue de Données Pour la Segmentation des Images IRM

fusion de données multispectrales pour la segmentation de lésion de la matière blanche des images médicales IRM, une comparaison des résultats obtenus avec la méthode de seuil sur des images de FLAIR est illustrée.