@InProceedings{2019_lapuyadelahorgue394,
	author = "Jérôme Lapuyade-lahorgue and Pierre Vera and Su Ruan",
	title = "Segmentation d'images d'IRM multi-paramétriques par champs aléatoires conditionnels",
	booktitle = "27° Colloque sur le traitement du signal et des images",
	year = "2019",
	publisher = "GRETSI - Groupe de Recherche en Traitement du Signal et des Images",
	number = "001-0163",
	pages = "p. 653-656",
	month = "Aout # 26--29",
	address = "Lille",
	doi = "",
	pdf = "2019_lapuyadelahorgue394.pdf",
	abstract = "Dans cet article, nous proposons une nouvelle méthode de segmentation de tumeurs cérébrales à partir d'images IRM multi-paramétriques. L'intérêt d'utiliser des images multi-sources est lié aux informations complémentaires que les différentes sources peuvent fournir. La question est de savoir comment fusionner efficacement les sources multiples qui sont statistiquement dépendantes les unes des autres. Pour y parvenir, nous proposons d'intégrer une copule gaussienne dans les champs conditionnels aléatoires (CCA) pour modéliser la dépendance entre les différentes sources. Contrairement aux champ de Markov cachés (CMC), dans les CCA, la dépendance spatiale des états cachés n'est pas nécessairement markovienne. Seul la dépendance des états cachés conditionnellement aux observations est markovienne. Ainsi, nous pouvons envisager des dépendances spatiales plus grandes dans les états cachés qu'un simple voisinage comme dans les CMC. Notre méthode est appliquée à la fois aux données simulées et aux données réelles provenant de BRATS 2012. De bons résultats sont obtenus par rapport aux autres méthodes existantes..pdf",
}
