Une approche coop´ erative pour la segmentation en IRM c´ er´ ebrale Laurence GERMOND 1 , Michel DOJAT 2 , Chris TAYLOR 3 , Catherine GARBAY 1 1 TIMC-IMAG Institut A. Bonniot Facult´ e de M´ edecine, 38706 La Tronche, France 2 INSERM U438 “RMN” Bioclinique, CHU de Grenoble 3 Department of Medical Biophysics, University of Manchester Laurence.Germond@imag.fr, mdojat@ujf-grenoble.fr ctaylor@sv1.smb.man.ac.uk R´ esum´ e– La segmentation automatique en IRM c´ er´ ebrale est un probl` eme complexe tant du point de vue de la variabilit´ e du cerveau humain que du point de vue du traitement des images acquises par ce proc´ ed´ e. Nous proposons d’envisager le probl` eme sous un angle coop´ eratif en exploitant la compl´ ementarit´ e de deux types d’approches. Notre approche met en oeuvre une coop´ eration de type bas-niveau/haut-niveau entre un mod` ele statistique d´ eformable et un syst` eme multi-agents pour initialiser et contraindre des agents de segmentation r´ egion et permettre une segmentation adaptative des tissus. L’approche int` egre 2 types d’agents sp´ ecialis´ es (mati` ere grise et mati` ere blanche) dynamiquement et permet un ´ etiquetage automatique des tissus d´ etect´ es. Les r´ esultats sont ´ evalu´ es sur un fantˆ ome et pr´ esent´ es aussi pour des images r´ eelles. Abstract – Automatic segmentation of brain MRI is a complex problem mainly due to the high anatomical variability of the human brain and to the difficulty of the images acquired with that imaging technique. We propose to view the problem under a cooperative point of view, through the exploitation of complementary aspects of 2 methods. Our approach implements a high-level / low-level cooperation between a statistical deformable model and a multi-agent system, in order to initialize and constrain region segmentation agents. and also to provide an adaptative segmentation of the tissues. We use of 2 types of agents , type gray-matter and type white-matter, specialised at runtime. This allows for the automatic labelling of the tissues. The results are validated on a phantom and presented for real images. 1 Introduction La segmentation en IMR c´ er´ ebrale constitue une ´ etape de base indispensable ` a de nombreuses applications en neurolo- gie (analyse quantitative, planning op´ eratoire, imagerie fonc- tionnelle). Bien que tr` es pr´ ecises pour d´ ecrire les structures du cerveau, les images de r´ esonnance magn´ etique pr´ esentent de nombreuses difficult´ es (faibles contrastes, inhomog´ en´ eit´ es) et leur traitement ne peut se faire par des approches simples. De plus, le cerveau humain est un organe complexe et hautement variable en forme et apparence selon les individus. L’objectif de la m´ ethode de segmentation que nous propo- sons est de prendre automatiquement en compte l’ensemble des variabilit´ es possibles tant anatomiquement qu’au niveau de l’image. L’approche est fond´ ee sur les 3 aspects suivants : (i) L’utilisation de connaissance a priori essentiellement fond´ ee sur de la connaissance anatomique et de la mod´ elisation ; (ii) Un syst` eme multi-agent pour la segmentation r´ egion de bas-niveau. Chaque agent est sp´ ecialis´ e localement pour per- mettre une adaptabilit´ e locale et dynamique aux variations lo- cales d’intensit´ e; (iii) Une coop´ eration entre de la connaissance a priori et une segmentation de bas-niveau pour guider et contraindre le processus de segmentation. Les nombreuses approches propos´ ees pour la segmentation en imagerie de r´ esonance magn´ etique c´ er´ ebrale peuvent ˆ etre re- group´ ees en deux grandes classes. D’une part, les approches de type bas-niveau, n’utilisant pas de connaissance a priori pour guider la segmentation. C’est le cas des approches proc´ edant par classification bay´ esienne [1] [2] [3] [4], ou par seuillages [5] [6] [7]. D’autre part, les approches de type haut-niveau int´ egrant de la connaissance anatomique pour guider les processus de seg- mentation. La mod´ elisation de la mati` ere grise par un ruban d’´ epaisseur constante est exploit´ ee dans [8], [9]. Un mod` ele global du cerveau est utilis´ e dans [10] et [11] pour guider une mise en correspondance entre 2 cerveaux. Des graphes sont ´ egalement utilis´ es pour mod´ eliser le cerveau [12] [13] [14]. Notre approche propose d’exploiter la compl´ ementarit´ e des aspects haut-niveau et bas-niveau et de mettre en oeuvre un m´ ecanisme de coop´ eration pour effectuer la segmentation. Dix-septième colloque GRETSI, Vannes, 13-17 septembre 1999 1041