Traitement d'images Présentée Par - MIV

Segmentation d’images IRML’objectif de ce travail de thèse est de coupler les méthodes dites de « bas niveaux » auxapproches plus modernes qui s’appuient sur des modèles a priori. Nous avons donc associédes modèles statistiques markoviens [R1] à des modèles a priori de haut niveau de typeatlas statistiques. La difficulté à segmenter une image est due à la complexité structurelledes images IRM et du contraste souvent insuffisant pour extraire la structure d’intérêt,sans aucune connaissance a priori sur sa forme et sa localisation. Les connaissances apriori apportées par les atlas probabilistes permettront donc de mieux différencier lesstructures anatomiques proches par le contraste et la localisation spatiale.La méthode que nous avons proposée est basée sur la modélisation par Chaînes deMarkov Cachées permettant de prendre en compte la notion de voisinage. De plus elleinclut l’information a priori apportée par un atlas statistique dérivant d’images recaléesentre elles, segmentées puis moyennées [1, 3] . Enfin cette méthode prend en considérationles inhomogénéités d’intensité présentes sur les images IRM ainsi que les effets de volumepartiel en proposant une segmentation en cartes de tissus contenant les proportions dechaque tissu en chaque voxel [8].Cette méthode a été appliquée à la segmentation des tissus cérébraux [2] puis étendueen utilisant un estimateur robuste à la localisation et la détection des lésions de SclérosesEn Plaques (SEP) observées en IRM [4]. Grâce à cet estimateur robuste et à l’informationa priori apportée par l’atlas probabiliste, les lésions SEP vont être détectées commedes données atypiques (”outliers”) par rapport à un modèle statistique de cerveau nonpathologique [5, 6, 7].Enfin nous avons développé une méthode 3D de segmentation basée sur les contoursactifs statistiques et le principe de la minimisation de la complexité stochastique [R2],pour raffiner la segmentation des lésions en ayant une information plus précise sur levolume et la forme des lésions, permettant ainsi de mieux quantifier leur évolution.L’ensemble des méthodes développées a été validée à la fois sur des donnéessynthétiques et réelles. Les résultats obtenus ont été comparés avec d’autresméthodes classiques de segmentation couramment utilisées en IRM, en particulierSPM5 1 (Statistical Parametric Mapping) [R3] et EMS 2 (Expectation-MaximizationSegmentation) [R4], ainsi qu’avec des segmentations manuelles réalisées par des experts.Structure du mémoireLe manuscrit est organisé en six chapitres présentant les contributions essentielles dutravail doctoral. Dans le premier chapitre nous décrivons le principe de l’imagerie parrésonance magnétique et les artefacts associés à l’acquisition des images. Les principalesméthodes de segmentation en imagerie cérébrale sont ensuite abordées. Le deuxièmechapitre débute par le rappel de la théorie bayésienne et enchaîne sur la présentationdes modèles markoviens en imagerie, en détaillant plus particulièrement le modèle deschaînes de Markov cachées qui sera utilisé pour la segmentation des tissus cérébraux.1 http ://www.fil.ion.ucl.ac.uk/spm2 http ://www.medicalimagecomputing.com/EMS/Résumé de la thèse de doctorat, 18 mai 2008 3