Fusion entre les données ultrasonores et les images de radioscopie ...

&KDSLWUH ,9 0RGpOLVDWLRQ GHV &RQQDLVVDQFHV HW IXVLRQ GHV GRQQpHV
__________________________________________________________________________________________
les coefficients d'appartenance à chaque région sont obtenues comme le rapport de la surface
du disque interceptant la région avec la surface totale du disque.
Paramètre β
S
R 3
R 2
R 1 R 4
S 1
µ R1 =S 1 /S
S 2
µ R2 =S 2 /S
S 4
µ R4 =S 4 /S
Paramètre α
Figure IV.19. : représentation de région de confiance quelconque dans un espace à deux
paramètres : les courbes noires sont les frontières des régions, les courbes pointillées
représentent les limites floues de ces frontières obtenues par balayage d'un disque de
voisinage. Pour chaque point de l'espace, l'intersection entre le disque et chaque région
représente le coefficient d'appartenance
Cette technique suppose néanmoins que l'on soit en mesure de définir les régions de l'espace
des paramètres dans lesquelles il existe un doute identique (ou une certitude). Pour déterminer
ces régions, il serait intéressant d’adapter l'une des méthodes d'apprentissage classiques tels
que l'analyse en composante principale, l'algorithme FCM en logique floue, les réseaux de
neurones, ou encore les arbres de décision. Chaque méthode fournit une classification des
objets en régions mais ne permet pas d'introduire directement la notion de doute liée par
exemple à un manque de données. Il pourrait s'agir alors d'affecter l'une des propositions que
nous avons définie précédemment pour chaque région en fonction des incertitudes sur la
classification elle-même et en fonction d'éventuelles présomptions sur les caractéristiques des
objets manquants dans la base de données.
III.3. Apprentissage du contrôle US
Comme pour le contrôle RX, la modélisation des connaissances du contrôle US s’effectue en
deux temps. La première étape consiste à attribuer une confiance sur la présence d’un vrai
3DJH