Traitement et analyse d’images IRM de diffusion pour l’estimation de l'architecture locale des tissus

par Haz-Edine Assemlal

Thèse de doctorat en Informatique et applications

Sous la direction de Luc Brun.

Soutenue en 2010

à Caen .


  • Résumé

    Dans cette thèse, nous proposons une méthode qui tente de répondre à la problématique de l’estimation de caractéristiques variées du tissu cérébral à partir de l’aquisition d’un nombre réduit d’échantillons de signaux IRM de diffusion invivo. Ces caractéristiques doivent permettre l’étude de la structure locale du tissu cérébral, notamment dans la substance blanche. L’approche proposée est flexible quant à la caractéristique calculée et au nombre d’échantillons disponibles. Elle définit un formalisme générique qui d’une part, unifie de nombreux travaux précédents liés à l���estimation des fonctions de densité probabilité (PDF) de déplacement en IRM de diffusion, dont l’Imagerie du Tenseur de Diffusion (DTI) et le QBall Imaging (QBI). D’autre part, elle permet aussi de définir et d’estimer de nouvelles caractéristiques originales : « vraie » ODF, probabilité de non diffusion, taille moyenne des cellules, etc. Nous proposons deux formalismes : un rapide et un autre robuste au bruit des images IRM. Nous validons notre approche par des comparaisons de résultats avec des méthodes de la littérature, sur des données synthétiques ainsi que des données d’un cerveau humain acquises invivo dans un intervalle de temps modéré.

  • Titre traduit

    Diffusion MR image analysis for the estimation of tissues local architecture


  • Résumé

    We present a method which addresses the following challenging problem : given a highly reduced umber of samples from in vivo diffusion magnetic resonance imaging (dMRI), how to robustly estimate various features of the brain tissue ? The considered features enable to study the local microarchitecture of the brain tissue, with a special interest to the brain white matter. Our proposed approach is flexible as it enables to easily plug in a large set of features ; and thus unifies many previous works linked to the probability density functions (PDF) of displacement in dMRI such as the diffusion tensor imaging (DTI) and the Qball Imaging (QBI). It also enables to design new features : « true » ODF, probability of non diffusion, mean cells size. We propose two frameworks : one which is fast and another one which is robust to MR images noise. We validate our approach with several comparisons of results to other methods of the literature, on both synthetic phantom and MR human brain datasets acquired in an acceptable timeframe.

Consulter en bibliothèque

La version de soutenance existe sous forme papier

Informations

  • Détails : 1 vol. (XVI-197 p.)
  • Annexes : Bibliogr. p.179-197

Où se trouve cette thèse ?

  • Bibliothèque : Université de Caen Normandie. Bibliothèque universitaire Sciences - STAPS.
  • Non disponible pour le PEB
  • Cote : TCAS-2010-1
  • Bibliothèque : Université de Caen Normandie. Bibliothèque universitaire Sciences - STAPS.
  • Disponible pour le PEB
  • Cote : TCAS-2010-1bis
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.