Méthodes variationnelles pour la segmentation d'images à partir de modèles : applications en imagerie médicale

• Main Author: Prevost, Raphaël
• Language: fra
• Published: Université Paris Dauphine - Paris IX 2013
• Subjects: [INFO:INFO_IM] Computer Science/Medical Imaging; [INFO:INFO_IM] Informatique/Imagerie médicale; [INFO:INFO_TI] Computer Science/Image Processing; [INFO:INFO_TI] Informatique/Traitement des images; [INFO:INFO_LG] Computer Science/Machine Learning; [INFO:INFO_LG] Informatique/Apprentissage; [INFO:INFO_TS] Computer Science/Signal and Image Processing; [INFO:INFO_TS] Informatique/Traitement du signal et de l'image; [SPI:SIGNAL] Engineering Sciences/Signal and Image processing; [SPI:SIGNAL] Sciences de l'ingénieur/Traitement du signal et de l'image; [INFO:INFO_CV] Computer Science/Computer Vision and Pattern Recognition; [INFO:INFO_CV] Informatique/Vision par ordinateur et reconnaissance de formes; Segmentation d'image; Imagerie médicale; Méthodes basées modèles; Méthodes variationnelles; Apprentissage statistique; Rein; Myocarde; Échographie; Échographie de contraste
• Online Access: http://tel.archives-ouvertes.fr/tel-00932995; http://tel.archives-ouvertes.fr/docs/00/94/10/76/PDF/Prevost_These.pdf

La segmentation d'images médicales est depuis longtemps un sujet de recherche actif. Cette thèse traite des méthodes de segmentation basées modèles, qui sont un bon compromis entre généricité et capacité d'utilisation d'informations a priori sur l'organe cible. Notre but est de construire un algorithme de segmentation pouvant tirer profit d'une grande variété d'informations extérieures telles que des bases de données annotées (via l'apprentissage statistique), d'autres images du même patient (via la co-segmentation) et des interactions de l'utilisateur. Ce travail est basé sur la déformation de modèle implicite, une méthode variationnelle reposant sur une représentation implicite des formes. Après avoir amélioré sa formulation mathématique, nous montrons son potentiel sur des problèmes cliniques difficiles. Nous introduisons ensuite différentes généralisations, indépendantes mais complémentaires, visant à enrichir le modèle de forme et d'apparence utilisé. La diversité des applications cliniques traitées prouve la généricité et l'efficacité de nos contributions.