Une Approche SMA pour la Segmentation Markovienne des Tissus et Structures Présents dans les IRM Cérébrales

La segmentation précise des tissus et des structures présents dans des IRM anatomique est indispensable à de nombreuses applications. La plupart des approches considèrent d’abord la segmentation des tissus puis ensuite celle des structures de manière indépendante. Nous proposons dans cet article une approche markovienne coopérative qui se fonde sur le raffinement mutuel des segmentations en tissus et en structures. La connaissance a priori nécessaire à la segmentation des structures est apportée par une description floue de l’anatomie cérébrale. Elle est intégrée dans le cadre markovien via l’expression d’un champ externe. La segmentation des tissus intègre dynamiquement l’information structure via un autre champ externe, permettant de raffiner l’estimation des modèles d’intensités. Cette approche markovienne dynamique et coopérative est implémentée dans un environnement multiagents : des entités autonomes distribuées dans l’image estiment des modèles markoviens locaux et coopèrent pour assurer leur cohérence. L’évaluation est réalisée à la fois sur des images fantômes et sur des images réelles acquises à 3 Tesla. Mots Clefs – Imagerie Médicale, Champ de Markov, Systèmes Multi-Agents, Segmentation tissus et structures. Abstract—Many applications in medicine are strongly dependent on accurate tissue and structure segmentation. Most approaches focus first on tissue segmentation and consider structure segmentation afterwards. Our main contribution is to propose Markov models that enable us to carry out both tissue and structure segmentation procedures as combined and cooperative processes that mutually improve. A priori knowledge required by structure segmentation is provided by a fuzzy description of brain anatomy integrated in the MRF framework. Tissue segmentation dynamically takes into account the structure information while structure segmentation integrates estimated tissue intensity models. This dynamic and fully cooperative unified approach is implemented into a multi-agent framework. Autonomous entities distributed into the image estimate local Markov fields and cooperate to ensure consistency. The evaluation is performed using phantoms and real images acquired on a 3T scanner.Many applications in medicine are strongly dependent on accurate tissue and structure segmentation. Most approaches focus first on tissue segmentation and consider structure segmentation afterwards. Our main contribution is to propose Markov models that enable us to carry out both tissue and structure segmentation procedures as combined and cooperative processes that mutually improve. A priori knowledge required by structure segmentation is provided by a fuzzy description of brain anatomy integrated in the MRF framework. Tissue segmentation dynamically takes into account the structure information while structure segmentation integrates estimated tissue intensity models. This dynamic and fully cooperative unified approach is implemented into a multi-agent framework. Autonomous entities distributed into the image estimate local Markov fields and cooperate to ensure consistency. The evaluation is performed using phantoms and real images acquired on a 3T scanner.