Contexte générique bi-multirésolution basé ondelettes pour l'optimisation d'algorithmes de surfaces actives

par Alexandre Gouaillard

Thèse de doctorat en Images et systèmes

Sous la direction de Christophe Odet.

Soutenue en 2005

à Lyon, INSA .


  • Résumé

    Dans le cadre de l'analyse de données anatomiques, la segmentation est une étape indispensable. Certaines applications (criblage par imagerie de souris transgénique, par exemple) nécessitent impérativement de réaliser cette opération de manière rapide et robuste pour respecter les contraintes de débits d'acquisition et d'automatisation de l'analyse. La robustesse dans la segmentation des organes anatomiques est obtenue en s'appuyant sur des modèles maillés déformés par des techniques de type contours actifs. Cette stratégie de segmentation, déjà ancienne (Kass et al. , 1988 – Cohen, 1991) est pertinente et a fait ses preuves. Compte tenu de la taille des modèles utilisés (104 à 106 sommets), le temps de calcul pour la segmentation est très élevé. Des approches multi échelles et/ou multirésolution sur images ont déjà été utilisées avec succès pour améliorer la robustesse et la vitesse de convergence. Mais jusqu'ici, ce type d'approches n'avait pas été appliqué au modèle. L'objectif principal de la thèse est d'accélérer les méthodes de contours actifs / surfaces actives grâce à une décomposition multirésolution sur bases d'ondelettes des données et du modèle comme illustré par l'image précédente. Le résultat de la thèse est un environnement d'optimisation générique dans lequel n'importe quel algorithme de surface active discrète peut être plongé. Une modélisation mathématique de l'algorithme ainsi construit démontre un gain en complexité d'un facteur 3 dans le domaine d'utilisation envisagé. De plus, la convergence est encore accélérée par l'approche multirésolution, ce qui permet d'atteindre dans les cas réels des gains en vitesse de l'ordre de 100.

  • Titre traduit

    = Wavelet-based bi-multiresolution framework for active contour models


  • Résumé

    Segmentation is a crucial stage of anatomical data analyzis. Some applications among which screening of transgenic mice, require a robust and quick segmentation step to catch the high trhoughput rates. Robustness in segmentation is achived by means of a priori models represented as discrete surfaces and deformed by active contour algorithms. This segmentation technics, already exisiting (Kess et al. , 1988 - Cohen, 1991) is efficient and has been intensively used. Nowadays discrete model tend to increase in size (104 to 106 nodes) and so is the computational cost. Multi levels and/or multi resolution approaches on images have been used, succesfully, to yet improve the robustness and the speed. However, up to now, no multiresolution scheme has been applied on the model. The main goal of the work is to improve the speed and the robustness of active contour algorithms thanks to multiresolution approaches on both model and data. The result of this work is a bi-multiresolution framework within which any given active surface algorithm could be plugged. A mathematical study of the computational cost of the resultng algorithm shows that we can hope to speed up the algorithm by a factor 3. In real cases, gains of a factor 100 have been reached.

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 1 vol. (119 p.)
  • Notes : Publication autorisée par le jury
  • Annexes : Bibliogr. p. 87-99

Où se trouve cette thèse ?

  • Bibliothèque : Institut national des sciences appliquées (Villeurbanne, Rhône). Service Commun de la Documentation Doc'INSA.
  • Disponible pour le PEB
  • Cote : C.83(3032)
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.