Clustering par Fusion Floue de Données Appliqué à la Segmentation d'Images IRM Cérébrales

Résumé. Dans cet article nous proposons une approche originale basée sur les techniques de data mining pour l’extraction des connaissances par fusion floue de données. Cette approche présente une nouvelle architecture de fusion de données basée sur la théorie possibiliste pour la segmentation d’une cible à partir de plusieurs sources d’images. Le processus de fusion est décomposé en trois phases fondamentales : nous modélisons tout d'abord les informations dans un cadre théorique commun, le formalisme retenu consiste à faire la coopération entre l’algorithme FCM (Fuzzy C-Means) dont la contrainte d’appartenance d’un individu à une classe est gérée d’une manière relative et l’algorithme possibiliste PCM (Possibilistic C-means) pour les points aberrants. Nous agrégeons ensuite ces différentes informations par un opérateur de fusion, celui-ci doit affirmer les redondances, gérer les complémentarités et prendre en compte les conflits soulignant souvent la présence d'une pathologie. Nous construisons enfin une information synthétique permettant d’exploiter les résultats de la fusion.