Traitement d'images Présentée Par - MIV

Segmentation d’images IRMContexte du travailL’imagerie médicale, en constante évolution ces dernières années, fournit un nombrecroissant de données. Ce volume important d’images doit ensuite être analysé.Les méthodes automatiques de traitement et d’analyse d’images se sont récemmentmultipliées pour assister l’expert dans l’analyse qualitative et quantitative de ces imageset faciliter son interprétation. Ces méthodes doivent prendre en considération d’une partla quantité des données à analyser et d’autre part, la complexité structurelle des imagesIRM. Une segmentation fiable et précise des images 3D anatomiques multimodales,normales ou pathologiques, reste un objectif premier en analyse d’images médicalescar elle constitue un préalable incontournable pour l’étude de l’atrophie/hypotrophiecérébrale en utilisant les méthodes d’analyse de type Voxel Based Morphometry (VBM),la mesure de la charge lésionnelle dans la pathologie de la Sclérose En Plaques ou encorela visualisation surfacique 3D.Ce travail de thèse a été mené au sein du Laboratoire des Sciences de l’Image, del’Informatique et de la Télédétection (LSIIT, UMR 7005) et du Laboratoire d’Imagerie etde Neurosciences Cognitives (LINC, UMR 7191) dans le cadre du consortium de rechercheImagerie et Robotique Médicale et Chirurgicale (IRMC).Mots-clés : segmentation, IRM, détection de lésions, traitement statistique des images,inférence avec a priori markovien, chaîne de Markov, estimateur robuste, grilles activesstatistiques.Présentation du travail de thèse - ObjectifsDans cette thèse nous focalisons notre étude sur des images IRM cérébrales et nousproposons des méthodes automatiques de segmentation. Un grand nombre de méthodesde segmentation ont été proposées depuis plusieurs années et on distingue deux grandesapproches :– celles dites de « bas niveau » qui s’appuient classiquement sur la réunion de voxelssimilaires (au sens des « niveaux de gris », de la « couleur » ou de la « texture »)dans les régions 3D ou sur la détection des surfaces frontières entre les différentesstructures d’intérêt. Bien qu’elles offrent généralement une bonne précision dansla localisation des frontières, ces méthodes ne donnent des résultats satisfaisantsque si les contrastes entre les structures d’intérêt sont suffisamment marqués, si lesrapports signal à bruit sont suffisamment élevés et si l’image est exempte d’artefacts.Ces conditions sont rarement réunies en pratique, et les méthodes de bas niveaurequièrent donc le plus souvent une correction manuelle des erreurs de segmentation.Il va sans dire que ces corrections peuvent s’avérer délicates dans le cas de structuresspatiales tridimensionnelles.– celles qui s’appuient au contraire sur des modèles a priori, de nature déterministeou probabiliste, qui de plus en plus prennent la forme de modèles déformables oud’atlas numériques.Résumé de la thèse de doctorat, 18 mai 2008 2