Brain Magnetic Resonance Image Segmentation Segmentation d’images IRM cérébrales

This paper presents two segmentation methods, based on Markov Random Fields (MRF), to quantify automatically brain tissue volumes from Magnetic Resonance (MR) images. Anatomically, a human brain is considered as composed of three main tissues: gray matter, white matter and cerebrospinal fluid (CSF). Due to the resolution limitation of the image acquisition system, a voxel in MR image may be composed of a mixture of several tissue types. The voxel is called mixel in this case and the phenomenon is called partial volume effects. In order to accurately measure each tissue volume, we consider that in a brain image volume there are not only the three main types of brain tissue, called pure classes in term of image processing, but also mixtures of the brain tissues called mixclasses. Taking into account the problem of partial volume effects, we propos the first method which uses two steps: 1) segmentation of the brain into pure and mixclasses using a mixture model, 2) reclassification of the mixclasses into the pure classes using the knowledge about them obtained from the first step. Both steps use MRF models. In order to obtain a sub-voxel resolution, we propose the second method which aims at calculating fuzzy memberships in each voxel to indicate the partial volume degree. A fuzzy MRF is proposed to model the partial volume degree. The both proposed methods are performed and evaluated on simulated and real MR images. RÉSUMÉ. Cet article présente deux méthodes de segmentation, basées sur les champs aléatoires de Markov (MRF), afin de quantifier automatiquement les volumes des tissus cérébraux à partir d’images IRM. Anatomiquement, un cerveau humain est considéré comme la composition de trois principaux tissus: la matière grise, la matière blanche et le liquide Studia Informatica Universalis. IRM segmentation 129 céphalo rachidien. Due à la limite de la résolution du système d’acquisition d’images, un voxel dans une image IRM peut tre considéré comme un mélange de plusieurs types de tissus. Dans ce cas, le voxel est appelé mixel, et le phénomène est appelé effet de volume partiel. Afin de mesurer précisément chaque volume de tissu, nous considérons que dans un volume cérébral, il y a non seulement les trois principaux tissus, nommées classes pures en terme de traitement d’image, mais aussi le mélange des tissus appelé mixclasses. En considérant le problème de l’effet de volume partiel, nous proposons une première méthode qui utilise deux étapes : 1) segmentation d’un cerveau en classes pures en utilisant un modele de mixture, 2) reclassification des mixclasses en trois classes pures à partir des connaissances obtenues lors de la première étape. Les deux étapes utilisent les modèles MRF. Afin d’obtenir une résolution sous-voxel, nous proposons une seconde méthode qui permet de calculer les appartenances dans chaque voxel pour indiquer les degrés du volume partiel. Les champs de Markov flous sont proposés pour modéliser le phénomène de l’effet de volume partiel. Les deux méthodes proposées sont testées et évaluées sur les images IRM simulées et réelles.