Segmentation Markovienne distribuée et coopérative des tissus et des structures présents dans des IRM cérébrales
Résumé
La segmentation précise des tissus et des structures présents dans des IRM anatomique est indispensable à de nombreuses applications. Les approches les plus performantes reposent sur une modélisation markovienne de corrélation spatiale entre voxels et nécessitent donc l'estimation des paramètres du modèle sous-jacent (modèle de Potts). Des raffinements dans les algorithmes d'estimation n'étant pas suffisant pour la segmentation des structures, nous proposons d'introduire des connaissances anatomiques a priori exprimées par des relations spatiales imprécises entre structures. L'information acquise par la segmentation des structures est intégrée à son tour dans le processus markovien de segmentation des tissus, permettant aux différents processus de segmentation de s'enrichir mutuellement. Nous nous plaçons dans un environnement multi-agents où des entités autonomes distribuées dans l'image coopèrent à la mise en place de modèles markoviens locaux. Nous montrons alors sur des images fantômes et des images réelles acquises à 3 Tesla l'intérêt d'une modélisation markovienne distribuée et coopérative intégrant des connaissances anatomiques pour la segmentation des IRM.