Méthodes variationnelles pour la segmentation d'images à partir de modèles : applications en imagerie médicale

par Raphaël Prevost

Thèse de doctorat en Mathématiques appliquées

Sous la direction de Laurent David Cohen.

Soutenue le 21-10-2013

à Paris 9 , dans le cadre de Ecole doctorale de Dauphine (Paris) , en partenariat avec Centre de recherche en mathématiques de la décision (Paris) (laboratoire) et de Compagnie française Philips (entreprise) .


  • Résumé

    La segmentation d’images médicales est depuis longtemps un sujet de recherche actif. Cette thèse traite des méthodes de segmentation basées modèles, qui sont un bon compromis entre généricité et capacité d’utilisation d’informations a priori sur l’organe cible. Notre but est de construire un algorithme de segmentation pouvant tirer profit d’une grande variété d’informations extérieures telles que des bases de données annotées (via l’apprentissage statistique), d’autres images du même patient (via la co-segmentation) et des interactions de l’utilisateur. Ce travail est basé sur la déformation de modèle implicite, une méthode variationnelle reposant sur une représentation implicite des formes. Après avoir amélioré sa formulation mathématique, nous montrons son potentiel sur des problèmes cliniques difficiles. Nous introduisons ensuite différentes généralisations, indépendantes mais complémentaires, visant à enrichir le modèle de forme et d’apparence utilisé. La diversité des applications cliniques traitées prouve la généricité et l’efficacité de nos contributions.

  • Titre traduit

    Variational methods for model-based image segmentation - applications in medical imaging


  • Résumé

    Within the wide field of medical imaging research, image segmentation is one of the earliest but still open topics. This thesis focuses on model-based segmentation methods, which achieve a good trade-off between genericity and ability to carry prior information on the target organ. Our goal is to build an efficient segmentation framework that is able to leverage all kinds of external information, i.e. annotated databases via statistical learning, other images from the patient via co-segmentation and user input via live interactions. This work is based on the implicit template deformation framework, a variational method relying on an implicit representation of shapes. After improving the mathematical formulation of this approach, we show its potential on challenging clinical problems. Then, we introduce different generalizations, all independent but complementary, aimed at enriching both the shape and appearance model exploited. The diversity of the clinical applications addressed shows the genericity and the effectiveness of our contributions.


Il est disponible au sein de la bibliothèque de l'établissement de soutenance.

Consulter en bibliothèque

La version de soutenance existe

Informations

  • Détails : 1 vol. ( 213 p.)

Où se trouve cette thèse\u00a0?

  • Bibliothèque : Université Paris-Dauphine (Paris). Service commun de la documentation.
  • Non disponible pour le PEB
  • Bibliothèque : Université Paris-Dauphine (Paris). Service commun de la documentation.
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.