Note ABES Probabilistic models for image processing : applications in vascular surgery Modèles probabilistes pour le traitement d'image : application à la chirurgie vasculaire Modèles graphiques probabilistes Modèles de Markov cachés Segmentation statistique d’images Imagerie médicale Probabilistic graphical models Hidden Markov models Statistical image segmentation Medical imaging 004 616.1 Traitement d'images -- Techniques numériques Modèles relationnels probabilistes Processus de Markov Imagerie médicale Chirurgie vasculaire Ces travaux de thèse portent sur la segmentation d’images médicales dans le domaine de la chirurgie vasculaire, où comme dans beaucoup d’autres disciplines médicales, les images révolutionnent la compréhension des maladies et leur traitement. Beaucoup de problématiques (images dégradées et peu disponibles, données de taille importante, ...) demeurent des verrous au développement de traitements chirurgicaux plus sûrs et propres à chaque patient. Des nouveaux modèles de chaîne de Markov cachée et de champ de Markov caché couple sont proposés, dans le but de modéliser des bruits fortement corrélés. Un modèle d’arbre de Markov triplet est développé afin d’enrichir les dépendances spatiales existantes dans le modèle classique. L’inférence et l’estimation des paramètres dans les nouveaux modèles sont spécifiquement abordées. Une application des modèles développés aux données réelles de chirurgie vasculaire est effectuée sur des images extraites des bases de données du laboratoire Geprovas. The work presented in this thesis deals with medical image segmentation in the field of vascular surgery, where like in most of the fields of medical research, the images deeply transform the medical knowledge and the treatments. Many issues (corrupted and scarce images, huge data to process, ...) are still barriers to the development of safer and patientspecific surgical treatments. New models of hidden Markov chain and pairwise hidden Markov field are proposed, in order to model highly correlated noises. A triplet Markov tree model is developed to enhance the spatial correlations in the classical Markov tree model. Inference and parameter estimation within the new models are specifically treated in our studies. The models are applied to real images from vascular surgery available at the Geprovas laboratory. Electronic Thesis or Dissertation Text en PDF 17602809 Université de Strasbourg Strasbourg 2022-12-31 https://theses.hal.science/tel-03638262 application/pdf 4423743 https://publication-theses.unistra.fr/public/theses_doctorat/2020/Gangloff_Hugo_2020_ED269.pdf http://www.theses.fr/2020STRAD042/abes https://theses.hal.science/tel-03638262 https://theses.hal.science/tel-03638262 https://theses.hal.science/tel-03638262 https://theses.hal.science/tel-03638262 Gangloff Hugo 1995-03-24 FR 261742027 https://theses.fr/2020STRAD042 2020STRAD042 https://doi.org/10.70675/db40a7e4z91b2z4e00zbf59z6f97ce7137e3 2020-12-15 Signal, image, automatique, robotique Strasbourg 131056549 Doctorat Docteur es non oui Collet Christophe MADS_DIRECTEUR_DE_THESE_1 057378738 Chakfé Nabil MADS_DIRECTEUR_DE_THESE_2 128038055 Pieczynski Wojciech MADS_PRESIDENT_DU_JURY 031505899 031505899 Monfrini Emmanuel MADS_MEMBRE_DU_JURY_1 08196756X Bloch Isabelle MADS_RAPPORTEUR_1 031277861 031277861 Richard Cédric MADS_RAPPORTEUR_2 082575193 École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) MADS_ECOLE_DOCTORALE_1 156504863 Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) MADS_PARTENAIRE_DE_RECHERCHE_1 176969721 260728 ddc:004 ddc:610 Collet Christophe Chakfé Nabil Pieczynski Wojciech Monfrini Emmanuel Bloch Isabelle Richard Cédric École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg) PDF 17602809