Abstrait

Combinaison d'algorithmes évolutifs et de règles de métriques de chevauchement moyen pour la segmentation d'images médicales

MA Abdallah, Ashraf Afifi, E. A. Zanaty

Dans cet article, nous explorons un nouvel algorithme basé sur des algorithmes évolutionnaires et des concepts de fusion pour améliorer la segmentation d'images médicales. L'approche proposée commence par trouver des graines qui couvrent l'image à l'aide d'un algorithme génétique (GA). Cette partition initiale est utilisée comme graine pour une méthode de croissance de région efficace sur le plan informatique pour produire les régions fermées. La métrique de chevauchement moyen (AOM) est utilisée pour classer ces régions en groupes en fonction du critère de similarité. Les modules de fusion sont appliqués à chaque groupe pour trouver les points qui étiquettent les valeurs d'appartenance à la suite. Les différentes règles de fusion seront appliquées à ces groupes pour produire un ensemble de chromosomes afin de sélectionner les meilleures données dans chaque chromosome pour représenter le segment final. Pour prouver l'efficacité de l'algorithme proposé, celui-ci sera appliqué à des applications difficiles : ensembles de données IRM, IRM simulées en 3D et segmentations de matière grise/matière blanche du cerveau.