10.07.2015 Views

th`ese de doctorat - Neurosciences Cognitives & Imagerie Cérébrale ...

th`ese de doctorat - Neurosciences Cognitives & Imagerie Cérébrale ...

th`ese de doctorat - Neurosciences Cognitives & Imagerie Cérébrale ...

SHOW MORE
SHOW LESS

Create successful ePaper yourself

Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.

Chapitre 5. Recalage diéomorphique <strong>de</strong>s empreintes sulcalesbasée sur les mesures sera gran<strong>de</strong> quelque soit la forme respective <strong>de</strong>s <strong>de</strong>ux primitives.Au contraire, les variations dans les arêtes à une échelle très inférieure à σ I ne sont pasprises en compte. Nous reviendrons sur le réglage <strong>de</strong> ce paramètre au chapitre 6.L'équation (5.1) peut alors être ré-écrite <strong>de</strong> la façon suivante :avec le terme <strong>de</strong> régularité Reg déni ci-<strong>de</strong>ssous.Jµ,ν sulc (φ) = γReg(φ) + ||φ(µ) − ν|| 2 I∗. (5.6)5.2 Large Deformation Dieomorphic Metric MappingComme on l'a vu dans l'état <strong>de</strong> l'art, il existe <strong>de</strong> nombreuses stratégies pour contraindrela régularité <strong>de</strong> la transformation (section 2.2 p.65). Notre objectif est <strong>de</strong> gui<strong>de</strong>r les gran<strong>de</strong>sdéformations nécessaires au recalage interindividuel avec les primitives géométriques quesont les empreintes sulcales. La régularisation est particulièrement cruciale dans les métho<strong>de</strong>sgéométriques où les primitives doivent concentrer un maximum d'informations enun minimum <strong>de</strong> points : dans la majorité <strong>de</strong> l'espace, la transformation résultera <strong>de</strong> l'interpolation<strong>de</strong>s contraintes à partir <strong>de</strong>s primitives au travers du terme <strong>de</strong> régularité. Nousavons choisi le cadre théorique reposant sur le modèle <strong>de</strong>s gran<strong>de</strong>s déformations diéomorphiques,plus connu sous le nom <strong>de</strong> Large Deformation Dieomorphic Metric Mapping[106, 150, 151, 71, 72] car il permet d'obtenir <strong>de</strong>s déformations très régulières.Le modèle <strong>de</strong>s gran<strong>de</strong>s déformations a été construit à partir <strong>de</strong> la théorie fondatrice<strong>de</strong>s splines <strong>de</strong> Bookstein [22]. Initialement, Bookstein a proposé d'écrire la transformationψ(x) = x+v(x) où v est le champ <strong>de</strong> déplacement correspondant aux contraintes donnéespar le terme <strong>de</strong> similarité, dont on peut évaluer le coût énergétique au travers d'une normeHilbertienne |v| V . Cette formulation du problème donne <strong>de</strong>s algorithmes peu coûteux encalcul mais ne garantit que ψ est un diéomorphisme que si le déplacement v reste petit,c'est à dire si ψ reste proche <strong>de</strong> la transformation i<strong>de</strong>ntité. La régularisation géodésiquedu modèle LDDMM permet d'obtenir une transformation correspondant à <strong>de</strong> grandsdéplacements tout en restant diéomorphique : en composant susamment <strong>de</strong> petitsdéplacements ψ i (x) = x + v i (x), on construit la transformation ψ par composition φ =ψ m ◦ ...ψ 1 <strong>de</strong> m diéomorphismes. φ est alors un diéomorphisme qui peut être loin <strong>de</strong>l'i<strong>de</strong>ntité et dont le coût est égal à ∑ mi=1 |v i| VEn passant à la limite, on obtient que la transformation φ est un diéomorphisme si98

Hooray! Your file is uploaded and ready to be published.

Saved successfully!

Ooh no, something went wrong!