Image segmentation and level set method (application to anatomical head model creation)
Jérôme Piovano, PAPADOPOULO, Théodore · OpenGrey (Institut de l'Information Scientifique et Technique) · 2009
L'apparition des techniques d'imagerie par résonance magnétique (IRM) à la fin du XXe siècle a révolutionné le monde de la médecine moderne, en permettant de visualiser avec précision l'intérieur de structures anatomiques de manière non invasive. Cette technique d'imagerie a fortement contribué à l'étude du cerveau humain, en permettant de discerner avec précision les différentes structures anatomique de la tête, notament le cortex cérébral. Le discernement de structures anatomiques de la tête porte le nom segmentation, et consiste à extraire'' des régions dans les IRMs. Plusieurs méthodes de segmentation existent, et cette thèse portent sur les méthodes à base d'évolution d'hyper-surfaces: une hyper-surface (surface en 3D) est progressivement déformée pour finalement épouser les frontières de la region à segmenter. Un modèle de tête correspond au partitionnement de la tête en plusieurs structures anatomiques préalablement segmentées. Un modèle de tête classique comprends en général 5 structures anatomiques (peau, crane , liquide céphalo rachidien, matière grise, matière blanche), imbriquées les unes dans les autres à la manière de poupée russes''. Néanmoins de par la complexité de leurs formes, segmenter ces structures manuellement s'avère pénible et extrêmement difficile. Cette thèse se consacre à la mise en place de nouveaux modèles de segmentation robustes aux altérations d'IRMs, et à l'application de ces modèles pour la création automatique de modèles anatomiques de la tête. Apres avoir brièvement survolé un état de l'art des differentes méthodes de segmentation d'image, deux contributions à la segmentation par évolution d'hypersurface sont proposées. La première constitue une nouvelle représentation et un nouveau schémas numérique pour la méthode des ensembles de niveaux, en utilisant des éléments finis quadrilateraux. Cette representation vise à améliorer la qualité et la robustesse du modèle. La seconde contribution constitue un nouveau modèle de segmentation basé sur des statistiques locales, robuste aux altérations présentes dans les IRMs. Ce nouveau modèle vise à unifier plusieurs modèles état de l'art'' en segmentation d'image. Enfin, un cadre pour la création automatique de modèle de tête est proposé, utilisant princpalement le precédent modèle de segmentation par statistiques locales.