Méthodes variationnelles pour la segmentation d'images à partir de modèles : applications en imagerie médicale

Variational methods for model-based image segmentation - applications in medical imaging

• Auteur / Autrice : Raphaël Prevost
• Direction : Laurent David Cohen
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques appliquées
• Date : Soutenance le 21/10/2013
• Etablissement(s) : Paris 9
• Ecole(s) doctorale(s) : Ecole doctorale SDOSE (Paris)
• Partenaire(s) de recherche : Laboratoire : Centre de recherche en mathématiques de la décision (Paris)
• Partenaire(s) de recherche : Entreprise : Philips France

Mots clés

Mots clés contrôlés

Calcul des variations

Algorithmes

Échocardiographie

Myocarde

Rein -- Échographie

Bases de données -- Interrogation

Imagerie médicale

Traitement d'images -- Techniques numériques

Mots clés libres

Segmentation d'image

Imagerie médicale

Méthodes basées modèles

Méthodes variationnelles

Apprentissage statistique

Rein

Myocarde

Échographie

Échographie de contraste

Image segmentation

Medical imaging

Model-based methods

Variational methods

Statistical learning

Kidney

Myocardium

Ultrasound

Contrast-enhanced ultrasound

Résumé

La segmentation d’images médicales est depuis longtemps un sujet de recherche actif. Cette thèse traite des méthodes de segmentation basées modèles, qui sont un bon compromis entre généricité et capacité d’utilisation d’informations a priori sur l’organe cible. Notre but est de construire un algorithme de segmentation pouvant tirer profit d’une grande variété d’informations extérieures telles que des bases de données annotées (via l’apprentissage statistique), d’autres images du même patient (via la co-segmentation) et des interactions de l’utilisateur. Ce travail est basé sur la déformation de modèle implicite, une méthode variationnelle reposant sur une représentation implicite des formes. Après avoir amélioré sa formulation mathématique, nous montrons son potentiel sur des problèmes cliniques difficiles. Nous introduisons ensuite différentes généralisations, indépendantes mais complémentaires, visant à enrichir le modèle de forme et d’apparence utilisé. La diversité des applications cliniques traitées prouve la généricité et l’efficacité de nos contributions.

Within the wide field of medical imaging research, image segmentation is one of the earliest but still open topics. This thesis focuses on model-based segmentation methods, which achieve a good trade-off between genericity and ability to carry prior information on the target organ. Our goal is to build an efficient segmentation framework that is able to leverage all kinds of external information, i.e. annotated databases via statistical learning, other images from the patient via co-segmentation and user input via live interactions. This work is based on the implicit template deformation framework, a variational method relying on an implicit representation of shapes. After improving the mathematical formulation of this approach, we show its potential on challenging clinical problems. Then, we introduce different generalizations, all independent but complementary, aimed at enriching both the shape and appearance model exploited. The diversity of the clinical applications addressed shows the genericity and the effectiveness of our contributions.