Segmentation 3D des organes à risque du tronc masculin à partir d'images anatomiques TDM et IRM à l'aide de méthodes hybrides

3D segmentation of organs at risk of the male trunk from anatomical TDM and MRI images by means of hybrid methods

• Auteur / Autrice : Maxime Guinin
• Direction : Isabelle Gardin, Su Ruan
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 18/05/2017
• Etablissement(s) : Normandie
• Ecole(s) doctorale(s) : École doctorale sciences physiques mathématiques et de l'information pour l'ingénieur (Saint-Etienne-du-Rouvray, Seine-Maritime ; ....-2016)
• Partenaire(s) de recherche : Equipe de recherche : Laboratoire d'informatique, de traitement de l'information et des systèmes (Saint-Etienne du Rouvray, Seine-Maritime ; 2006-...)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Informatique- du Traitement de l'Information et des Systèmes (LITIS) / LITIS
• Partenaire(s) de recherche : Etablissement de préparation de la thèse : Université de Rouen Normandie (1966-....)
• Jury : Président / Présidente : Bernard Dubray
• Jury : Rapporteurs / Rapporteuses : Pascal Haigron, Rachid Jennane

Mots clés

Mots clés contrôlés

Imagerie par résonance magnétique

Imagerie médicale

Cancer -- Radiothérapie

Traitement d'images -- Techniques numériques

Mots clés libres

Dir.sciences et technologies de l'information et de la communication

Segmentation

Organes à risque

Prostate

Radiothérapie

Superpixels

Multi-atlas

Parcimonie

Segmentation

Organ at risk

Prostate

Radiotherapy

Superpixels

Multi-atlas

Sparse

Résumé

Le cancer de la prostate est une cause majeure de décès dans le monde. La radiothérapie externe est une des techniques utilisée pour traiter ce cancer. Pour ce faire, la segmentation de la prostate et de ses organes à risque (OAR) associés (le rectum, la vessie et les têtes fémorales) est une étape majeure dans l’application du traitement. L’objectif de cette thèse est de fournir des outils afin de segmenter la prostate et les OAR de manière automatique ou semi-automatique. Plusieurs approches ont été proposées ces dernières années pour répondre à ces problématiques. Les OAR possédant un contraste relativement bon dans l’image, nous nous sommes orientés vers une approche semi-automatique de leur segmentation, consistant en une sur-segmentation de l’image en petites régions homogènes appelées superpixels. L’utilisateur de la méthode choisit ensuite de labelliser quelques superpixels dans les OAR comme des germes. Enfin, la méthode segmente les OAR grâce à une diffusion sur le graphe (à partir des germes) construit par des superpixels. Quant à la segmentation de la prostate, un sous-volume de l’image appelé VOI (Volume Of Interest), dans lequel se trouve la prostate, est tout d’abord défini. À l’intérieur de ce VOI, la segmentation de la prostate est réalisée. Un dictionnaire composé des caractéristiques de textures extraites sur chaque patch du VOI est d’abord construit. La sélection de caractéristiques du dictionnaire sous contraintes parcimonieuses permet ensuite de trouver celles qui sont le plus informatives. Enfin, basé sur ces caractéristiques sélectionnées, une propagation de label de patch sous contrainte parcimonieuse est appliquée pour segmenter la prostate à deux échelles, superpixels et pixels. Notre méthode a été évaluée sur des images TDM du Centre Henri Becquerel et IRM du challenge ISBI 2013 avec des résultats prometteurs.

Prostate cancer is a leading cause of death worldwide. External radiotherapy is one of the techniques used to this disease. In order to achieve this, the segmentation of the prostate and its associated organs at risk (OAR) (rectum, bladder and femoral heads) is a major step in the application of the treatment. The objective of this thesis is to provide tools to segment prostate and OAR automatically or semi-automatically. Several approaches have been proposed in recent years to address these issues. As OAR have a relatively good contrast in the image, we have focused on a semi-automatic approach to segment them, consisting of an over-segmentation of the image into small homogeneous regions called superpixels. Then, the user labels some superpixels in the OAR as germs. Finally, the OAR segmentation is performed by a graph diffusion (from germs) constructed by superpixels. Regarding the prostate segmentation, a sub-volume of the image called VOI (Volume Of Interest), in which the prostate is located, is first defined. The prostate segmentation is performed within this VOI. A dictionary composed of the texture characteristics extracted on each patch of the VOI is first constructed. Then, the selection of characteristics of the dictionary under parsimonious constraints allows to find the most informative ones. Finally, based on these selected characteristics, patch label propagation under parsimonious constraint is applied to segment the prostate at two scales, superpixels and pixels. Our method was evaluated with promising results on TDM images of the Henri Becquerel Center and IRM of the 2013 ISBI challenge.