Segmentation d'images 3D avec des modèles hiérarchiques et parcimonieux : applications et Contributions en Imagerie Médicale

3D Knowledge-based Segmentation Using Sparse Hierarchical Models : contribution and Applications in Medical Imaging

• Auteur / Autrice : Salma Essafi
• Direction : Nikos Paragios
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques appliquées aux systèmes
• Date : Soutenance le 12/05/2010
• Etablissement(s) : Châtenay-Malabry, Ecole centrale de Paris
• Ecole(s) doctorale(s) : Sciences pour l'ingénieur
• Partenaire(s) de recherche : Laboratoire : Equipe de recherche Mathématiques Appliquées aux Systèmes
• Jury : Président / Présidente : Alain Rahmouni
• Jury : Examinateurs / Examinatrices : Nikos Paragios, Allen Robert Tannenbaum, Hervé Delingette, Daniel Rueckert, Gábor József Székely

Mots clés

Mots clés contrôlés

Imagerie tridimensionnelle en médecine

Traitement d'images -- Techniques numériques

Mots clés libres

Analyse de Formes

Modèles Parcimonieux

Ondelettes de diffusion

Imagerie par Résonnance Magnètique

Muscle squelettique

Shape Analysis

Sparsity

Diffusion Wavelet

Skeletal muscle

Résumé

CETTE thèse est consacrée à la conception d’un système d’aide au diagnostic dédiéau muscle squelettique humain. Au cours du premier volet de ce manuscrit nousproposons une nouvelle représentation basée sur les modèles parcimonieux dans le cadrede la segmentation d’Images de Résonances Magnétiques (IRM) T1 du muscle squelettiquedu mollet. Notre méthode Sparse Shape Model/ Modèle de Formes Parcimonieux(MFP), apprend un modèle statistique de formes et de textures locales annoté et réussità en tirer une représentation réduite afin de reconstruire le mécanisme musculaire sur unexemple test. Dans la seconde partie du manuscrit, nous présentons une approche baséesur des ondelettes de diffusion pour la segmentation du muscle squelettique. Contrairementaux méthodes de l’état de l’art, notre approche au cours de la phase d’apprentissagepermet à optimiser les coefficients des ondelettes, ainsi que leur nombres et leur positions.Le modèle prend en charge aussi bien les hiérarchies dans l’espace de recherche,que l’encodage des dépendances géométriques complexes et photométriques de la structured’intérêt. Notre modélisation offre ainsi l’avantage de traiter des topologies arbitraires.L’évaluation expérimentale a été effectué sur un ensemble de mollets acquisespar un scanner IRM, ainsi qu’un ensemble d’images tomodensitométriques du ventriculegauche.

THE thesis is dedicated to three dimensional shape analysis and the segmentation ofhuman skeletal muscles in the context of myopathies and their treatment. In particular,we study the local and global structural characteristics of muscles. The methodologicalfocus of the thesis is to devise methods for the segmentation of muscles, theconsistent localization of positions in the anatomy and the navigation within the muscledata across patients. Currently diagnosis and follow-up examinations during therapy ofmyopathies are typically performed by means of biopsy. This has several disadvantages:it is an invasive method, covers only a small muscle region, is mainly restricted to diagnosticpurpose and is not suitable for follow-up evaluation. We develop the followingmethods to make the use of non-invasive imaging modalities such as MRI for a virtualbiopsy possible: first, a novel approach to model shape variations that encodes sparsity,exploits geometric redundancy, and accounts for the different degrees of local variationand image support in data. It makes the modeling and localization of muscles possible,that exhibit sparsely distributed salient imaging features, and heterogeneous shapevariability. Second, we extend the shape representation of 3D structures using diffusionwavelets. The proposed method can represent shape variation and exploits continuousinter-dependencies of arbitrary topology in the shape data. We then explore several approachesfor the shape model search, and appearance representation based on boostingtechniques and canonical correlation analysis. Last we present a robust diffusion wavelettechnique that covers the integration of our two shape models approaches to finally getan enhanced sparse wavelet based method. We validate the approaches on two medicalimaging data sets that represent the properties tackled by the approaches: T1 weightedMRI data of full calf muscles and computed tomography data of the left heart ventricle.