Trois principes de coopération pour la segmentation en imagerie de résonnance magnétique cérébrale

The goal of our work is the conception and implementation of a segmentation system for Magnetic Resonance Images of the brain. The aim is to combine complementary approaches in response to the complexity of the problem. Given the diversity of the approaches existing for segmentation (classification, deformable models,...) we demonstrate that it is possible to define a common framework to allow cooperation between heterogeneous approaches. The methodological framework we have defined is based on learning and adaptability. Learning allows for the introduction of a priori explicit knowledge about the context under the form of a statistical deformable model of the brain boundary. The resulting information is used to specialise locally agents of segmentation, and thus provides adaptability. We have designed three principles of cooperation to perform the combination of information : (i) cooperation through initialisation, that exploits the result of one method to initialise another method, (ii) cooperation through fusion of information, that allows to take advantage of the fusion of complementary sources of information to guide a stage of processing, (iii)cooperation through retroaction, that allows to retroact on the whole process of segmentation either to refine it or to transmit information between images. The whole work has been validated on synthetic data provided by the Montreal Neurological Institute and also illustrated on a set of real images.Le travail présenté dans ce document a pour but la mise en oeuvre d'un système de segmentation d'Images de Résonance Magnétique (IRM) cérébrales qui permette de tirer parti de plusieurs approches complémentaires en réponse à la complexité du problème posé. Face à la diversité des approches existant pour la segmentation (classification, modèles déformables,...) nous montrons que l'on peut définir un cadre de travail commun qui permette la mise en oeuvre de coopération entre des approches hétérogènes. Le cadre méthodologique que nous avons défini s'articule autour des notions d'apprentissage et d'adaptativité. L'apprentissage permet d'introduire des connaissances a priori, explicites, sur le contexte de travail sous la forme d'un modèle statistique déformable du contour du cerveau. L'information qui en résulte est exploitée pour spécialiser localement des agents de segmentation, ce qui confère au système son adaptativité. Nous avons mis en oeuvre trois grands principes de coopération pour réaliser la combinaison d'informations : (i) coopération par initialisation, qui exploite le résultat d'une méthode pour initialiser une seconde méthode, (ii) coopération par fusion d'informations, qui permet de tirer parti de la fusion de plusieurs sources d'informations complémentaires pour guider une phase de traitement, (iii)coopération par rétroaction, qui permet de revenir sur le processus complet de segmentation pour l'affiner ou encore pour transmettre des informations entre images. L'ensemble du travail a été validé sur des images synthétiques fournies par le Montreal Neurological Institute et illustré sur un ensemble d'images réelles