Système Coopératif de Classification Floue Possibiliste avec Rejet d'Ambiguïté « Application à la segmentation d'images IRM »

ResumeCet article concerne le probleme de la segmentation des images IRM (imagerie par resonance magnetique) cerebrales. Il s’agit precisement de cooperer plusieurs classifieurs automatiques pour tirer parti des complementarites entre differentes methodes ou operateurs et augmenter ainsi la robustesse du processus de segmentation. Tout l’enjeu de cette cooperation reside dans la definition de modes de combinaison adaptes a differentes sources d’informations, pour pouvoir exploiter au mieux leurs complementarites et extraire une information utile et pertinente pour la segmentation. Notre approche coopere entre l’algorithme FCM (Fuzzy CMeans) dont la somme des degres d’appartenance d’un individu donne a toutes les classes possibles etant egale a 1, et l’algorithme possibiliste PCM (Possibilistic C-means) qui consiste a chercher des partitions qui sont basees sur l’idee de typicalite. Afin de rendre l’algorithme plus robuste face aux imprecisions et aux donnees ambigues qui peuvent influencer considerablement sur les centres de classes, nous introduisons la notion de rejet d’ambiguite qui concerne les individus situes entre les frontieres des differentes classes.