Identification et classification automatique de régions d'intérêt dans des images tomographiques : Application aux kystes du rein

Automatic identification and classification of regions of interest in tomographic images : Kidney cysts application

• Auteur / Autrice : Wala Touhami
• Direction : Jean-Pierre Cocquerez
• Type : Thèse de doctorat
• Discipline(s) : Technologies de l'information et des systèmes
• Date : Soutenance en 2006
• Etablissement(s) : Compiègne

Mots clés

Mots clés contrôlés

Tomographie

Rayons X

Rein

Kystes (médecine)

Traitement d'images

Méthodes statistiques

Arbres de décision

Classification automatique

Indexation automatique

Identification automatique

Médecine -- Informatique

Mots clés libres

Modèle à priori

Approche statistique

Classification supervisée

Résumé

La fouille d'images par le contenu est devenue un axe de recherche d'une grande importance qui trouve des applications dans plusieurs domaines, en particulier le domaine médical. Les applications qui en découlent sont diverses tels que l'aide au diagnostic, la formation ou le suivi thérapeutique. Dans le cadre de cette thèse, nous nous intéressons, en un premier lieu, au problème d'identification des régions d'intérêt sur des images tomographiques 2D de l'abdomen, une phase primordiale dans un système de fouille. Pour cela, nous proposons une approche, originale et complètement automatique, permettant d'identifier et d'extraire automatiquement les reins. Cette approche est développée dans un cadre statistique, elle est constituée de deux étapes: une étape de localisation des reins suivie d'une étape de détection. L'étape de localisation est guidée, d'une part, par un modèle a priori spatial et d'autre part, par un modèle a priori sur les niveaux de gris, statistiquement appris. La seconde étape consiste à utiliser les résultats de localisation pour identifier les régions appartenant au rein en utilisant de règles si-alors. Dans un second temps, nous proposons une approche pour la classification supervisée des reins identifiés en deux catégories pathologique et non pathologique. Cette approche est basée sur deux méthodes d'indexation permettant de construire une signature pour chaque image qui va être utilisée par une technique de classification supervisée pour discriminer les deux catégories. Ces approches ont été testées sur des images cliniquement acquises et des résultats satisfaisants sont obtenus.

The availability of large and steadily growing amounts of digital images in hospitals underline the need for the development of efficient and effective access method, like content-based image retrieval. Ln general, such a system is composed of an off line indexing stage, depending on the images database nature. Then the index is used on line in the retrieval process. We focus in this work on the first stage, we proposed an original approach, in a statistical framework, for fully automatic kidneys detection in 2D abdominal computed tomography images. Our approach involves two steps : a kidney localization step followed by a whole kidney detection step. The localization step makes use of spatial and gray-Ievels prior models built using a set of training images. The detection step is based on a set of learned if-then rules. We also worked on the classification problem of the detected kidneys into two classes : pathological and non pathological. To this end, we propose two indexing methods to construct the signatures coding the relevant information. The index is then used in a supervised classification technique to discriminate the kidney images. These approaches are tested on clinically acquired images and promising results are obtained.