Segmentation de tumeur cérébrale à partir d'IRM multi-séquences par apprentissage de noyaux multiples
Résumé
Doctors use several types of MRI images (Magnetic resonance imaging) to diagnose brain tumours and estimate their volumes. To bring a help to the doctors, we treat here the fusion of the various information sources to segment the tumor. We propose a segmentation method based on the classication allowing to take into account the various features of each type of image. This method is based on a multiple kernel learning SVM algorithm which selects the most relevant features by associating a kernel for each extracted feature. The weight of the kernel reects the relevance of the corresponding feature. The feature selection and the selection of the regularization parameter of the SVM are made by a fully automatic way. The method has been tested on 7 real patients. We show in this article a comparison with another recent method which was compared with various methods to show its superiority [ 2 ]. Our study of comparison shows a better performance of our method.
Plusieurs types d'image IRM (Imagerie par Résonance Magnétique) peuvent être utilisées par les médecins pour faire un diagnostic sur les tumeurs cérébrales et estimer leurs volumes. La fusion de ces différentes sources fournit une aide pour la segmentation de la tumeur et in extenso l'estimation de son volume. Nous proposons une méthode de segmentation basée sur la classification permettant de prendre en compte les différentes caractéristiques de chaque type d'image. Cette méthode est basée sur un algorithme SVM multi-noyaux qui sélectionne les caractéristiques les plus pertinentes en associant un noyau pour chaque caractéristique extraite. Le poids du noyau reflète la pertinence de la caractéristique correspondante. La sélection des caractéristiques et le réglage du paramètre de régularisation du SVM se font d'une manière automatique. La méthode a été appliquée sur 7 patients. Nous effectuons dans cet article une comparaison avec une méthode récente de la littérature qui a été elle-même comparée avec différentes méthodes pour montrer sa compétitivité [2]. Nos expérimentations montre une meilleure performance de notre méthode.
Domaines
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|---|
| Licence |