Dans cette these nous nous interessons a l'utilisation des méthodes de chemins minimaux et des méthodes de contours actifs par Ensembles de Niveaux, pour l'extraction de courbes et de surfaces dans des images medicales 3D. Dans un premier temps, nous nous sommes attaches a proposer un éventail varié de techniques d'extraction de chemins minimaux dans des images 2D et 3D, basees sur la résolution de l'équation Eikonal par l'algorithme du Fast Marching. Nous avons montre des resultats de ces techniques appliquees a des problèmes d'imagerie médicale concrets, notamment en construction de trajectoires 3D pour l'endoscopie virtuelle, et en segmentation interactive, avec possibilité d'apprentissage. Dans un deuxieme temps, nous nous sommes interessés a l'extraction de surfaces. Nous avons developpé un algorithme rapide de pré-segmentation, sur la base du formalisme des chemins minimaux. Nous avons étudié en détail la mise en place d'une collaboration entre cette méthode et celle des Ensembles de Niveaux, dont un des avantages communs est de ne pas avoir d'a priori sur la topologie de l'objet a segmenter. Cette méthode collaborative a ensuite ete testée sur des problèmes de segmentation et de visualisation de pathologies telles que les anevrismes cerebraux et les polypes du colon. Dans un troisième temps nous avons fusionné les résultats des deux premières parties pour obtenir l'extraction de surfaces, et des squelettes d'objets anatomiques tubulaires. Les squelettes des surfaces fournissent des trajectoires que nous utilisons pour déplacer des cameras virtuelles, et nous servent a definir les sections des objets lorsque nous voulons mesurer l'étendue d'une pathologie. La dernière partie regroupe des applications de ces méthodes a l'extraction de structures arborescentes. Nous étudions le cas des arbres vasculaires dans des images médicales 3D de produit de contraste, ainsi que le problème plus difficile de l'extraction de l'arbre bronchique sur des images scanners des poumons.

Les relations spatiales telles que l'adjacence, les distances, les directions ou encore les symétries <br />constituent un élément essentiel des descriptions d'agencement spatial entre les objets d'une scène et sont donc utiles à un grand nombre de tâches d'interprétation d'images. La reconnaissance de structures cérébrales constitue notre cadre d'application. Le cerveau est en effet une scène structurée dans <br /> laquelle les objets partagent une grand nombre de relations<br /> spatiales pertinentes. <br /> <br />Notre travail de thèse est articulé autour des questions suivantes. <br />Comment représenter des relations spatiales ? Comment les utiliser pour <br />formaliser la description d'une scène, en l'occurrence la description de <br />structures neuroanatomiques ? Comment les utiliser à des fins de segmentation <br />d'images et de reconnaissance de formes, en particulier dans le cadre des structures cérébrales ?<br />Dans un premier temps, nous nous intéressons à un type de relation particulier : <br />les symétries planes, qui sont importantes dans le cadre de l'imagerie <br />cérébrale et ont été l'objet de moins d'attention que d'autres types de relations.<br /> Nous proposons une méthode pour quantifier le degré de<br /> symétrie dans les objets flous et les images via une mesure de symétrie ainsi qu'un algorithme pour<br />localiser le plan de symétrie d'un objet donné. L'application de cette méthode au plan de symétrie du cerveau est précise et robuste comme l'a montré l'évaluation menée sur des images synthétiques et réelles.<br />Puis nous montrons comment la description des structures cérébrales peut se faire<br /> à l'aide d'un ensemble de relations spatiales et comment une telle description <br />peut être formalisée par un graphe hiérarchique synthétique. Cette description est <br />comparée avec celle obtenue à partir d'un atlas iconique, grâce à une structure appelée graphe hiérarchique exemple. <br />Enfin, les deux dernières parties traitent de l'utilisation des relations spatiales <br />en segmentation d'images. Une méthode pour intégrer de telles connaissances à un <br />modèle déformable via la construction d'une force externe est proposée. Elle se distingue nettement des autres approches disponibles puisque les relations sont directement introduites pour la recherche des contours des objets. Nous<br /> présentons ensuite une procédure complète de segmentation de structures cérébrales internes fondée <br />sur la description précédente et sur un modèle déformable. Les premiers résultats obtenus, évalués visuellement, sont prometteurs.

Le but de ces travaux est de proposer une contribution au recalage d'images TDM-TEP dans les régions thoraciques et abdominales. Notre méthodologie est fondée sur l'introduction de contraintes anatomiques au recalage non linéaire appliqué sur les intensités. Cette introduction est faite d'une manière explicite, en divisant la procédure en une phase d'initialisation recalant les structures segmentées dans les deux images, et une deuxième phase de recalage à niveaux de gris, raffinant l'étape précédente de l'algorithme. Les transformations sont modélisées dans les deux étapes à partir de Free Form Deformations (FFD). La segmentation est réalisée selon une procédure hiérarchique de reconnaissance de formes. La mesure fournie par le protocole d'évaluation que nous avons développé indique une erreur inférieure à 1cm pour les structures les plus significatives (poumons, foie, reins, coeur), sauf pour le stomach (erreur d'1.5cm).