La modélisation géométrique a été l'un des sujets les plus étudiés pour la représentation des structures anatomiques dans le domaine médical. Aujourd'hui, il n'y a toujours pas de méthode bien établie pour modéliser la forme d'un organe. Cependant, il y a plusieurs types d'approches disponibles et chaque approche a ses forces et ses faiblesses. La plupart des méthodes de pointe utilisent uniquement l'information surfacique mais un besoin croissant de modéliser l'information volumique des objets apparaît. En plus de la description géométrique, il faut pouvoir différencier les objets d'une population selon leur forme. Cela nécessite de disposer des statistiques sur la forme dans organe dans une population donné. Dans ce travail de thèse, on utilise une représentation capable de modéliser les caractéristiques surfaciques et internes d'un objet. La représentation choisie (s-rep) a en plus l'avantage de permettre de déterminer les statistiques de forme pour une population d'objets. En s'appuyant sur cette représentation, une procédure pour modéliser le cortex cérébral humain est proposée. Cette nouvelle modélisation offre de nouvelles possibilités pour analyser les lésions corticales et calculer des statistiques de forme sur le cortex. La deuxième partie de ce travail propose une méthodologie pour décrire de manière paramétrique l'intérieur d'un objet. La méthode est flexible et peut améliorer l'aspect visuel ou la description des propriétés physiques d'un objet. La modélisation géométrique enrichie avec des paramètres physiques volumiques est utilisée pour la simulation d'image par résonance magnétique pour produire des simulations plus réalistes. Cette approche de simulation d'images est validée en analysant le comportement et les performances des méthodes de segmentations classiquement utilisées pour traiter des images réelles du cerveau. / Geometric modeling has been one of the most researched areas in the medical domain. Today, there is not a well established methodology to model the shape of an organ. There are many approaches available and each one of them have different strengths and weaknesses. Most state of the art methods to model shape use surface information only. There is an increasing need for techniques to support volumetric information. Besides shape characterization, a technique to differentiate objects by shape is needed. This requires computing statistics on shape. The current challenge of research in life sciences is to create models to represent the surface, the interior of an object, and give statistical differences based on shape. In this work, we use a technique for shape modeling that is able to model surface and internal features, and is suited to compute shape statistics. Using this technique (s-rep), a procedure to model the human cerebral cortex is proposed. This novel representation offers new possibilities to analyze cortical lesions and compute shape statistics on the cortex. The second part of this work proposes a methodology to parameterize the interior of an object. The method is flexible and can enhance the visual aspect or the description of physical properties of an object. The geometric modeling enhanced with physical parameters is used to produce simulated magnetic resonance images. This image simulation approach is validated by analyzing the behavior and performance of classic segmentation algorithms for real images.

Cette thèse s'intéresse au développement de méthodes automatiques pour la segmentation et la synthèse d'images par résonance magnétique de tumeurs cérébrales. La principale perspective clinique de la segmentation des gliomes est le suivi de la vitesse d'expansion diamétrique dans le but d'adapter les solutions thérapeutiques. A cette fin, la thèse formalise au moyen de modèles graphiques probabilistes des approches de segmentation multi-atlas fondées sur l'appariement de blocs de voxels. Un premier modèle probabiliste prolonge à la segmentation automatique de régions cérébrales pathologiques les approches multi-atlas classiques de segmentation de structures anatomiques. Une approximation de l'étape de marginalisation remplace la notion de fenêtre de recherche locale par un tamisage par atlas et par étiquette. Un modèle de détection de gliomes fondé sur un a priori spatial et des critères de pré-sélection de blocs de voxels permettent d'obtenir des temps de calcul compétitifs malgré un appariement non local. Ce travail est validé et comparé à l'état de l'art sur des bases de données publiques. Un second modèle probabiliste, symétrique au modèle de segmentation, simule des images par résonance magnétique de cas pathologiques, à partir d'une unique segmentation. Une heuristique permet d'estimer le maximum a posteriori et l'incertitude du modèle de synthèse d'image. Un appariement itératif des blocs de voxels renforce la cohérence spatiale des images simulées. Le réalisme des images simulées est évalué avec de vraies IRM et des simulations de l'état de l'art. Le raccordement d'un modèle de croissance de tumeur permet de créer des bases d'images annotées synthétiques. / This thesis focuses on the development of automatic methods for the segmentation and synthesis of brain tumor Magnetic Resonance images. The main clinical perspective of glioma segmentation is growth velocity monitoring for patient therapy management. To this end, the thesis builds on the formalization of multi-atlas patch-based segmentation with probabilistic graphical models. A probabilistic model first extends classical multi-atlas approaches used for the segmentation of healthy brains structures to the automatic segmentation of pathological cerebral regions. An approximation of the marginalization step replaces the concept of local search windows with a stratification with respect to both atlases and labels. A glioma detection model based on a spatially-varying prior and patch pre-selection criteria are introduced to obtain competitive running times despite patch matching being non local. This work is validated and compared to state-of-the-art algorithms on publicly available datasets. A second probabilistic model mirrors the segmentation model in order to synthesize realistic MRI of pathological cases, based on a single label map. A heuristic method allows to solve for the maximum a posteriori and to estimate uncertainty of the image synthesis model. Iterating patch matching reinforces the spatial coherence of synthetic images. The realism of our synthetic images is assessed against real MRI, and against outputs of the state-of-the-art method. The junction of a tumor growth model to the proposed synthesis approach allows to generate databases of annotated synthetic cases.