Segmentation des images cérébrales par IRM à travers un champ aléatoire de Markov caché et un algorithme métaheuristique hybride

La segmentation d'image est l'une des tâches les plus critiques dans l'analyse des images par résonance magnétique (IRM). Étant donné que la performance de la plupart des méthodes de segmentation d'image actuelles est affectée par le bruit et l'artéfact d'inuniformité d'intensité (INU), une méthode précise et résistante aux artéfacts est souhaitée. Dans ce travail, nous proposons une nouvelle méthode de segmentation combinant un nouveau modèle de champ aléatoire de Markov caché (HMRF) et une nouvelle méthode métaheuristique hybride basée sur la recherche de Coucou (CS) et les algorithmes d'optimisation par essaim de particules (PSO). Le nouveau modèle utilise des paramètres adaptatifs pour permettre un équilibre entre les composants segmentés du modèle. De plus, pour améliorer la qualité de la recherche de solutions dans l'estimation du maximum a posteriori (MAP) du modèle HMRF, l'algorithme métaheuristique hybride est introduit. Cet algorithme prend en compte à la fois les avantages des algorithmes CS et PSO en matière de capacité de recherche en les coopérant avec la même population de manière parallèle et avec un mécanisme de sélection de solutions. Comme CS et PSO effectuent respectivement l'exploration et l'exploitation dans l'espace de recherche, les hybrider de manière intelligente peut fournir de meilleures solutions en termes de qualité. En outre, l'initialisation de la population est soigneusement prise en compte pour améliorer la performance de la méthode proposée. L'ensemble de l'algorithme est évalué sur des images de référence, y compris des images cérébrales IRM simulées et réelles. Les résultats expérimentaux montrent que la méthode proposée peut atteindre une performance satisfaisante pour des images avec bruit et inhomogénéité d'intensité, et fournit de meilleurs résultats que ses concurrents considérés.