Sequential model-based segmentation and recognition of image structures driven by visual features and spatial relations Segmentation séquentielle et reconnaissance de structure dans des images guidées par un modèle, des caractéristiques visuelles et des relations spatiales

A sequential segmentation framework, where objects in an image are successively segmented, generally raises some questions about the “best” segmentation sequence to follow and/or how to avoid error propagation. In this work, we propose original approaches to answer these questions in the case where the objects to segment are represented by a model describing the spatial relations between objects. The process is guided by a criterion derived from visual attention, and more precisely from a saliency map, along with some spatial information to focus the attention. This criterion is used to optimize the segmentation sequence. Spatial knowledge is also used to ensure the consistency of the results and to allow backtracking on the segmentation order if needed. The proposed approach was applied for the segmentation of internal brain structures in magnetic resonance images. The results show the relevance of the optimization criteria and the interest of the backtracking procedure to guarantee good and consistent results. Résumé Le paradigme de la segmentation séquentielle permet de segmenter successivement les différents objets présents dans une image. Mais cette approche soulève des questions : quelle est la meilleure séquence de segmentation à effectuer ? et comment éviter la propagation d’erreurs ? Nous proposons ici des approches originales pour répondre à ces questions dans le cas où nous disposons d’un modèle décrivant l’agencement spatial entre les structures à segmenter dans l’image. Le processus est guidé par un critère inspiré des travaux sur la modélisation de l’attention visuelle et plus précisément d’une carte de saillance combinée à des informations spatiales permettant une focalisation de l’attention. Ce critère est utilisé pour optimiser la séquence de segmentation. L’information spatiale est également utilisée au cours du processus afin d’en garantir la cohérence et pour permettre au système de revenir en arrière dans la séquence de segmentation si besoin. L’approche proposée a été appliquée à la segmentation des structures internes du cerveau dans des images par résonance magnétique. Les résultats montrent la pertinence du critère d’optimisation et l’intérêt des retours en arrière au cours du processus afin de garantir des résultats cohérents.