Segmentation d'IRM cérébrales multidimensionnelles par coupe de graphe

Segmentation of multidimensionnal brain MRI with graph cuts

• Auteur / Autrice : Jérémy Lecoeur
• Direction : Christian Barillot
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance en 2010
• Etablissement(s) : Rennes 1
• Ecole(s) doctorale(s) : École doctorale Mathématiques, télécommunications, informatique, signal, systèmes, électronique (Rennes)
• Partenaire(s) de recherche : Autre partenaire : Université européenne de Bretagne (2007-2016)

Mots clés

Mots clés contrôlés

Neurosciences

Traitement d'images -- Techniques numériques

Sclérose en plaques

Coupes (théorie des graphes)

Imagerie par résonance magnétique

Cerveau

Résumé

Cette thèse traite de la segmentation d'IRM cérébrales multimodales par des méthodes de coupe de graphe. Tout d'abord, nous proposons une méthode qui utilise conjointement trois modalités IRM. L'information de frontière, donnée par le gradient spectral, est mis en balance avec l'information de région, donnée par des graines sélectionnées par l'utilisateur. Ensuite, nous proposons trois variantes. La première consiste à trouver un espace spectral optimal car le gradient spectral est basé sur les images naturelles donc inadapté aux images médicales multimodales. Nous explorons ensuite l'automatisation de notre méthode. Ici, les informations de région sont déduites par un algorithme EM robuste. Enfin, nous intégrons l'utilisation d'atlas pour la segmentation automatique de structures profondes du cerveau. Nos différentes méthodes de segmentation se montrent meilleures que la plupart de celles actuellement utilisés, aussi bien en terme de temps de calcul qu'en précision de segmentation.

This thesis deals with the segmentation of multimodal brain MRIs by graph cut methods. First, we propose a method that utilizes three MRI modalities by merging them. The border information given by the spectral gradient is then challenged by a region information, given by the seeds selected by the user. Then, we propose three enhancements of this method. The first consists in finding an optimal spectral space because the spectral gradient is based on natural images and then inadequate for multimodal medical images. We then explore the automation of the graph cut method. Here, the various pieces of information usually given by the user are inferred from a robust EM algorithm. Finally, we integrate atlases for the automatic segmentation of deep brain structures. These three new techniques show the adaptability of our method to various problems. Our different segmentation methods are better than most of nowadays techniques, speaking of computation time or segmentation accuracy.