S'abonner

Segmentation des IRM cérébrales par une variante bootstrapée du HMRF-EM : étude préliminaire sur fantômes - 18/02/12

Segmentation of MRI brain with a bootstrapped version of the HMRF-EM algorithm: Preliminary study on phantoms

Doi : 10.1016/j.irbm.2011.12.005 
S. M’hiri , S. Mabrouk , F. Ghorbel
Groupe de recherche images et formes de Tunisie (GRIFT), laboratoire CRISTAL, école nationale des sciences de l’informatique, campus universitaire de la Manouba, université de la Manouba, 2010 Manouba, Tunisie 

Auteur correspondant.

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

pages 9
Iconographies 14
Vidéos 0
Autres 0

Résumé

Ce 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.

Le texte complet de cet article est disponible en PDF.

Abstract

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.

Le texte complet de cet article est disponible en PDF.

Plan


© 2012  Elsevier Masson SAS. Tous droits réservés.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 33 - N° 1

P. 2-10 - février 2012 Retour au numéro
Article précédent Article précédent
  • Éditorial
  • P. Dubois
| Article suivant Article suivant
  • Pré-traitement d’un volume IRM par filtrage anisotrope robuste pour la segmentation de l’épaule
  • R. Ragoubi Hor, V. Burdin, T. Jerbi, O. Rémy-Néris

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’achat d’article à l’unité est indisponible à l’heure actuelle.

Déjà abonné à cette revue ?

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.