Segmentation d'images IRM anatomiques par inférence bayésienne multimodale et détection de lésions
Langue Français
Accéder à la thèseDroits d'accès : non autorisé

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

 
Auteur : Bricq, Stéphanie
Date de soutenance : 06-11-2008

Directeur(s) de thèse : Collet, Christophe - Armspach, Jean-Paul

Établissement de soutenance : Université Louis Pasteur (Strasbourg)
École doctorale : École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....)
 
Discipline : Télédétection et imagerie physique
Classification : Médecine et santé

Mots-clés libres : Traitement d'images
Mots-clés :
  • Traitement d'images - Thèses et écrits académiques
  • Traitement d'images - Thèses et écrits académiques
  • Statistique bayésienne - Thèses et écrits académiques
  • Markov, Processus de - Thèses et écrits académiques
  • Sclérose en plaques - Thèses et écrits académiques
Résumé : L'imagerie médicale fournit un nombre croissant de données. La segmentation automatique est devenue une étape fondamentale pour l'analyse quantitative de ces images dans de nombreuses pathologies cérébrales comme la sclérose en plaques (SEP). Nous avons focalisé notre étude sur la segmentation d'IRM cérébrales. Nous avons d'abord proposé une méthode de segmentation des tissus cérébraux basée sur le modèle des chaînes de Markov cachées, permettant d'inclure l'information a priori apportée par un atlas probabiliste et prenant en compte les principaux artefacts présents sur les images IRM. Nous avons ensuite étendu cette méthode à la détection de lésions SEP grâce à un estimateur robuste. Nous avons également développé une méthode de segmentation d'IRM 3D basée sur les contours actifs statistiques pour raffiner la segmentation des lésions. Les résultats obtenus ont été comparés avec d'autres méthodes de segmentation et avec des segmentations manuelles réalisées par des médecins.
 
Type de contenu : Text
 
Entrepôt d'origine : Ressource locale
Identifiant : ecrin-ori-298019
Type de ressource : Thèse