Modèles probabilistes pour le traitement d'image : application à la chirurgie vasculaire
Langue Anglais
Accéder au document

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

 
Auteur : Gangloff, Hugo
Date de soutenance : 15-12-2020

Directeur(s) de thèse : Collet, Christophe - Chakfé, Nabil

Établissement de soutenance : Strasbourg
Laboratoire : Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....)
École doctorale : École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....)
 
Discipline : Signal, image, automatique, robotique
Classification : Informatique, Médecine et santé

Mots-clés libres : Modèles graphiques probabilistes, Modèles de Markov cachés, Segmentation statistique d’images, Imagerie médicale
Mots-clés :
  • Traitement d'images -- Techniques numériques
  • Modèles relationnels probabilistes
  • Markov, Processus de
  • Imagerie médicale - Chirurgie vasculaire
Résumé : 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.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2020STRAD042
Type de ressource : Thèse