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. <strong>Traitement</strong> 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
Segmentation d’images IRMPublicationsChapitre de livres[1] Ch. Collet, A. Jalobeanu, F. Flitti, S. Bricq, “Fusion et imagerie multimodale”,Chapitre 13 du livre ”Problèmes Inverses en Imagerie et en Vision”, ouvrage collectifcoordonné par Ali Mohammad-Djafari, Editor, Ed Hermes, Traité IC2, A paraître.Revue internationale[2] S. Bricq, Ch. Collet, J.-P. Armspach, “Unifying framework for Multimodal Brain MRISegmentation based on Hidden Markov Chains”, Medical Image Analysis, Ed. Elsevier,to appear, 2008.Conférences internationales[3] S. Bricq, Ch. Collet, J.-P. Armspach, “Triplet Markov Chain for 3D MRI BrainSegmentation Using a Probabilistic Atlas”, IEEE 2006 International Symposium onBiomedical Imaging, April 6-9, ISBI’06, 2006.[4] S. Bricq, Ch. Collet, J.-P. Armspach, “3D brain MRI segmentation based on robustHidden Markov Chain”, IEEE International Conference on Acoustics, Speech and SignalProcessing, ICASSP’08, March 30 - April 4, 2008, Las Vegas, Nevada, USA.[5] S. Bricq, Ch. Collet, J.-P. Armspach, “Lesions detection on 3D brain MRI based onRobust Hidden Markov Chain”, ISMRM 2008 Annual Meeting, Toronto, Canada.[6] S. Bricq, Ch. Collet, J.-P. Armspach, “Lesions detection on 3D brain MRI usingtrimmed likelihood estimator and probabilistic atlas”, IEEE 2008 InternationalSymposium on Biomedical Imaging, ISBI’08, <strong>Par</strong>is, France.[7] S. Bricq, Ch. Collet, J.-P. Armspach, “Markovian Segmentation of 3D Brain MRIto detect Multiple Sclerosis Lesions”, IEEE 2008 International Conference on ImageProcessing, ICIP’08, October 1215, 2008, San Diego, California, U.S.A.Conférences nationales[8] S. Bricq, Ch. Collet, J.-P. Armspach, “Segmentation multimodale d’IRM cérébralesavec effet de volume partiel par Chaînes de Markov Cachées”, Onzième congrèsfrancophone des jeunes chercheurs en vision par ordinateur, Obernai, ORASIS’O7,France, 4-8 juin 2007.[9] S. Bricq, Ch. Collet, J.-P. Armspach, “Segmentation de lésions de Sclérose en Plaquesen IRM cérébrale multimodale par Chaînes de Markov Cachées”, 12ème congrès duGRAMM, Lyon, 26-28 Mars 2008.Autres communications[10] S. Bricq, Ch. Collet, J.-P. Armspach, ”Segmentation d’IRM anatomiquesmultimodales couplant inférence markovienne et atlas probabiliste”, journée du GDR–Résumé de la thèse de doctorat, 18 mai 2008 5