Segmentation des IRM cérébrales par une variante bootstrapée du HMRF-EM : étude préliminaire sur fantômes

RésuméCe papier s’inscrit dans le cadre des méthodes de segmentation stochastique des images à résonance magnétique (IRM) cérébrale qui se basent conjointement sur la modélisation markovienne et la famille d’algorithmes d’identification de mélange de type Estimation-Maximisation (EM) (Hidden Markov Random Field [HMRF-EM]) et faisant appel à l’échantillonnage Bootstrap. Lequel permet, d’une part, une réduction de la complexité algorithmique et, d’autre part, la mise des données dans de meilleures conditions d’indépendance. Dans ce sens, nous proposons ici une amélioration de cet algorithme en introduisant une phase de Bootstrapping dans l’étape de classification. Cela amène non seulement à une flexibilité dans le contrôle des temps d’exécution, mais aussi une amélioration de la qualité de classification relativement aux performances montrées par une version antérieure du HMRF-EM bootstrapé.

This paper deals with global statistical unsupervised magnetic resonance image (MRI) segmentation based on a Markovian model combined with the family of mixture identification algorithms EM (Hidden Markov Random Field [HMRF-EM]) and using the Bootstrap sampling, which allows a greater respect to the data independence assumption and a reduction of algorithmic complexity. This leads not only to a flexibility in the control of running time but also an improvement in the classification quality relatively to the performance shown by an earlier version of the bootstrapped HMRF-EM.