Traitement d'images Présentée Par - MIV

Segmentation d’images IRMLe chapitre 3 décrit la méthodologie employée pour la segmentation des tissus. Cetteméthode prend en compte les principales imperfections pouvant apparaître sur les imagesIRM (bruit, biais et effets de volume partiel). Nous expliquons comment la notion devoisinage ainsi que de l’information a priori apportée par un atlas probabiliste sontintégrés dans le modèle. Ces différentes contributions sont ensuite validées dans le chapitre4 à la fois sur des bases d’images synthétiques et réelles.Le chapitre 5 décrit l’extension de la méthode pour la détection de lésions de scléroseen plaques en utilisant un estimateur robuste. Cette méthode est validée sur des imagessynthétiques et sur des données cliniques. Enfin le chapitre 6 présente une méthodede raffinement de la segmentation des lésions basée sur les contours actifs statistiques,permettant d’avoir une information plus précise sur le volume des lésions. Nous décrivonsdans un premier temps le modèle des contours actifs et grilles actives statistiques 2D,puis nous présentons l’extension au cas tridimensionnel que nous avons effectué.Références[R1] W. Pieczynski. Modèles de Markov en traitement d’images. Traitement du Signal,20(3) :255–277, 2003.[R2] F. Galland, N. Bertaux and Ph. Réfrégier. Minimum Description LengthSynthetic Aperture Radar image segmentation. IEEE Transactions on Image Processing,12(9) :995–1006, 2003.[R3] J. Ashburner and K.J. Friston. Unified Segmentation. NeuroImage, 26 :839–857,2005.[R4] K. Van Leemput, F. Maes, D. Vandermeulen, and P. Suetens. Automated Model-Based Tissue Classification of MR Images of the Brain. IEEE Transactions on MedicalImaging, 18(10) :897–908, Oct. 1999.Résumé de la thèse de doctorat, 18 mai 2008 4