L'imagerie simultanée IRM-TEP ouvre de nouvelles perspectives pour l'exploration in vivo des fonctions cérébrales. Pour une quantification du signal de tomographie par émission de positons, il est indispensable de corriger l'atténuation tissulaire des photons. En l'absence de mesure tomodensitométrique en IRM-TEP, les cartes de radiodensité ne sont pas disponibles. Il est nécessaire de trouver une méthode fiable et exacte pour générer une carte d'atténuation du sujet à partir des données disponibles TEP ou IRM. Nous avons développé une technique qui génère une carte d'atténuation propre à un sujet par une approche multi-atlas (MaxProb). Cette approche utilise uniquement l'image IRM T1 du sujet, couramment acquise dans les protocoles cliniques et de recherche, ainsi qu'une base de données d'atlas.L'évaluation de MaxProb montre de très bonnes performances, le biais de quantification de l'image TEP étant réduit à moins de 2%. Cette évaluation pratiquée sur une acquisition dynamique TEP a en outre montré qu'une carte d'atténuation imparfaite , combinée à une distribution spatiale inhomogène du traceur au cours du temps, peut produire un biais non-constant des cinétiques TEP. Cela impacte les paramètres biologiques estimés par modélisation sur les cinétiques TEP. La méthode MaxProb n'est cependant pas affectée par ce phénomène. MaxProb fournit une quantification fiable des paramètres physiologiques estimés par modélisation même lorsque le cervelet est utilisé comme région de référence. Notre évaluation a aussi porté sur la reproduction par simulation d'une étude réaliste d'imagerie TEP d'une décharge dynamique d'un neurotransmetteur. Par rapport à la méthode de correction d'atténuation standard (UTE), MaxProb améliore la sensibilité de détection des variations physiologiques, même faibles. Ceci ouvre la voie à de nouveaux protocoles d'imagerie dynamique et simultanée en IRM-TEP, augmentant la puissance de détection, et réduisant les nombres de sujets nécessaires à la mise en évidence d'un phénomène neurophysiologique ou d'un dysfonctionnement physiopathologique / Simultaneous PET-MR imaging brings new perspectives for understanding many aspects of brain function. To achieve PET-MR’s full potential, accurate brain attenuation correction (AC) is required for absolute PET quantification. In PET-MR scanners, radiodensity maps are not directly available unlike in PET/CT, and the attenuation map has to be derived from the MR data (MRAC methods). In this thesis, I have developed a multi-atlas procedure that produces a subject-specific µ-map for brain imaging (MaxProb) via multiple registrations of CT-MR atlas pairs to an MR target. The solution proposed only requires a T1-weighted MRI of the subject, commonly acquired in clinical and research protocols, and a CT-MR atlas database. The MaxProb method permits generating pseudo-CT images for brain MRAC with high accuracy. Results obtained show very good performance of the method and a bias in reconstructed PET of less than 2%. I have also demonstrated for the first time that an inaccurate attenuation correction map, combined with inhomogeneous spatial tracer distribution as is regularly encountered in dynamic brain PET, can lead to a non-constant bias of the activity measure across time, and this can distort kinetic parameter estimation. MaxProb AC is not affected by this phenomenon. Accurate quantification is also achieved with MaxProb on physiological parameters estimated from kinetic modelling, even when cerebellum (surrounded by bone) is used as reference region: In a simulation study, I have shown that compared to a standard approach (UTE), MaxProb multi-atlas MRAC enhances sensitivity to detect physiological variations in binding parameters, opening the way for new dynamic PET studies on simultaneous PET-MR systems

Des études cliniques sur les nouveau-nés prématurés montrent qu'une large proportion des grands prématurés (moins de 32 semaines d’aménorrhée) présentera des troubles cognitifs, moteurs ou comportementaux. Un objectif clinique est donc d’approfondir les études du développement cérébral et de détecter les anomalies chez les patients néonataux. Parmi les modalités d'imagerie, l'IRM peut fournir une information 3D morphologique, non-invasive, non ionisante et avec une résolution spatiale de l'ordre du millimètre, propriétés qui sont bien adaptées à cette problématique. En outre, la segmentation de ces images permet de fournir des informations quantitatives de l'anatomie, comme le volume ou la forme. Il existe de nombreuses méthodes pour l'IRM chez l'adulte. Néanmoins, la plupart d'entre elles ne peuvent pas s'appliquer directement chez le nouveau-né, où la maturation des tissus cérébraux induit des modifications de contraste dans l'image (dues, par exemple, à la non-myélinisation de la substance blanche). De plus, des détériorations visuelles, telles que les effets de volume partiels, se produisent par l'effet conjugué de la résolution des images et de la finesse des structures (par exemple, le cortex). Cette thèse se focalise sur la segmentation de la surface corticale des nouveau-nés en utilisant des images IRM, avec une précision satisfaisante pour des applications subséquentes (comme la génération de maillages surfaciques). Dans cette thèse, nous nous sommes intéressés dans un premier temps aux approches par atlas ou multi-atlas. Cette famille de méthodes est connue pour son efficacité en termes de segmentation cérébrale grâce à des a priori spatiaux intégrés au modèle, qui permettent de guider la segmentation. Néanmoins, le cortex étant une structure très fine, des erreurs topologiques peuvent se produire. Afin de résoudre ce problème, une étape de correction topologique multi échelle est mise en oeuvre. Les résultats montrent le potentiel de ces deux types d'approches pour l’analyse des données considérées. / Clinical studies for preterm infants (less than 32 weeks of gestation) emphasize the fact that an important part of the very or extreme preterm infants will present cognitive, motor or behavioral disorders. The clinical aim is to improve brain development studies and be able to detect and predict abnormalities in neonatal subjects. Among the medical imaging, MRI can provide non-invasive non-ionizing morphological 3D images with a spatial resolution of the order of a millimeter, properties that are well adapted to this issue. In addition, the segmentation of these images provides quantitative anatomical information, such as volume or shape. There are many existing methods for adult MRI that successfully segment brain subparts. However, these methods cannot be directly applied to the newborn, where the maturation of brain tissue modifies the contrasts in the image (for example, the non-myelination of the white matter). Moreover, factors related to the resolution together with structural fineness, especially in the cortex, induce partial volume effects in tissue boundaries. This thesis focuses on the segmentation of the cortical surface in neonatal infants using MR images, with satisfactory accuracy for further applications (such as the generation of surface meshes). In this thesis, we first focused on the so-called atlas or multi-atlas approaches. This family of methods is known for its effectiveness in brain segmentation, thanks to spatial priors that can be embedded in the model for guiding the segmentation. However, since the neonatal cortex is very thin, there are often discontinuities or wrong connections. In order to tackle this issue, a topological correction step is proposed to fill gaps and separate erroneous connections. The results emphasize the potential of these two types of approaches for this purpose.

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.

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.

L'objectif des travaux présentés dans ce document est de développer de nouvelles méthodes de traitement d'images pour améliorer la planification et le guidage d'une thérapie par voie transœsophagienne de la fibrillation auriculaire à l'aide d'Ultrason Focalisé Haute Intensité. Le document est divisé en deux parties : la planification du traitement et le guidage de la thérapie. Pour la planification de la thérapie, l'idée est d'exploiter l'information acquise au stade préopératoire par un scanner X ou IRM afin de retrouver l'anatomie spécifique du patient et à y définir le futur geste thérapeutique. Plus particulièrement, nos différentes contributions ont porté sur une approche multi-atlas de segmentation de l'oreillette gauche et des veines pulmonaires ; le tracé des lignes de lésions sur le volume initial ou segmenté ; et la reconstruction d'un volume adapté à la future navigation transœsophagienne. Pour le guidage de la thérapie, nous proposons une nouvelle approche de recalage qui permet d'aligner les images échographiques peropératoires 2D et l'information 3D CT préopératoire. Dans cette approche, dans un premier temps nous avons sélectionné la mesure de similarité la plus adaptée à notre problématique à l'aide d'une évaluation systématique puis nous avons tiré profit des contraintes imposées à la sonde transœsophagienne par l'anatomie du patient pour simplifier la procédure de recalage. Toutes ces méthodes ont été évaluées sur des fantômes numériques ou physiques et sur des données cliniques. / The work presented in this document aims at developing new image-processing methods to improve the planning and guidance of transesophageal HIFU atrial fibrillation therapy. This document is divided into two parts, namely therapy planning and therapy guidance. We first propose novel therapy planning methods that exploit high-resolution pre-operative CT or MRI information to extract patient-specific anatomical details and to define future therapeutic procedures. Our specific methodological contributions concern the following: an automatically-refined atlas-based segmentation approach to extract the left atrium and pulmonary veins; the delineation of the lesion lines on the original or segmented volume; and the reconstruction of a volume adapted to future intraoperative transesophageal navigation. Secondly, our proposal of a novel registration approach for use in therapy guidance aligns intraoperative 2D ultrasound with preoperative 3D CT information. This approach first carries out a systematic statistical evaluation to select the best similarity measure for our application and then takes advantage of the geometrical constraints of the transesophageal HIFU probe to simplify the registration process. Our proposed methods have been evaluated on digital and/or physical phantoms and on real clinical data.

The aim of this thesis is to investigate the shape change in hippocampus due to the atrophy in Alzheimer's disease (AD). To this end, specific algorithms and methodologies were developed to segment the hippocampus from structural magnetic resonance (MR) images and model variations in its shape. We use a multi-atlas based segmentation propagation approach for the segmentation of hippocampus which has been shown to obtain accurate parcellation of brain structures. We developed a supervised method to build a population specific atlas database, by propagating the parcellations from a smaller generic atlas database. Well segmented images are inspected and added to the set of atlases, such that the segmentation capability of the atlas set may be enhanced. The population specific atlases are evaluated in terms of the agreement among the propagated labels when segmenting new cases. Compared with using generic atlases, the population specific atlases obtain a higher agreement when dealing with images from the target population. Atlas selection is used to improve segmentation accuracy. In addition to the conventional selection by image similarity ranking, atlas selection based on maximum marginal relevance (MMR) re-ranking and least angle regression (LAR) sequence are developed for atlas selection. By taking the redundancy among atlases into consideration, diversity criteria are shown to be more efficient in atlas selection which is applicable in the situation where the number of atlases to be fused is limited by the computational resources. Given the segmented hippocampal volumes, statistical shape models (SSMs) of hippocampi are built on the samples to model the shape variation among the population. The correspondence across the training samples of hippocampi is established by a groupwise optimization of the parameterized shape surfaces. The spherical parameterization of the hippocampal surfaces are flatten to facilitate the reparameterization and interpolation. The reparameterization is regularized by viscous fluid, which is solved by a fast implementation based on discrete sine transform. In order to use the hippocampal SSM to describe the shape of an unseen hippocampal surface, we developed a shape parameter estimator based on the expectationmaximization iterative closest points (EM-ICP) algorithm. A symmetric data term is included to achieve the inverse consistency of the transformation between the model and the shape, which gives more accurate reconstruction of the shape from the model. The shape prior modeled by the SSM is used in the maximum a posteriori estimation of the shape parameters, which is shown to enforce the smoothness and avoid the effect of over-fitting. In the study of the hippocampus in AD, we use the SSM to model the hippocampal shape change between the healthy control subjects and patients diagnosed with AD. We identify the regions affected by the atrophy in AD by assessing the spatial difference between the control and AD groups at each corresponding landmark. Localized shape analysis is performed on the regions exhibiting significant inter-group difference, which is shown to improve the discrimination ability of the principal component analysis (PCA) based SSM. The principal components describing the localized shape variability among the population are also shown to display stronger correlation with the decline of episodic memory scores linked to the pathology of hippocampus in AD.

L’objectif de cette thèse est l’étude des changements de la forme de l’hippocampe due à l’atrophie causée par la maladie d’Alzheimer. Pour ce faire, des algorithmes et des méthodes ont été développés pour segmenter l’hippocampe à partir d’imagerie structurelle par résonance magnétique (IRM) et pour modéliser les variations dans sa forme. Nous avons utilisé une méthode de segmentation par propagation de multiple atlas pour la segmentation de l’hippocampe, méthode qui a été démontrée comme étant robuste dans la segmentation des structures cérébrales. Nous avons développé une méthode supervisée pour construire une base de données d’atlas spécifique à la population d’intérêt en propageant les parcellations d’une base de données génériques d’atlas. Les images correctement segmentées sont inspectées et ajoutées à la base de données d’atlas, de manière à améliorer sa capacité à segmenter de nouvelles images. Ces atlas sont évalués en termes de leur accord lors de la segmentation de nouvelles images. Comparé aux atlas génériques, les atlas spécifiques à la population d’intérêt obtiennent une plus grande concordance lors de la segmentation des des images provenant de cette population. La sélection d’atlas est utilisée pour améliorer la précision de la segmentation. La méthode classique de sélection basée sur la similarité des images est ici étendue pour prendre en compte la pertinence marginale maximale (MMR) et la régression des moindres angles (LAR). En prenant en considération la redondance parmi les atlas, des critères de diversité se montrent être plus efficace dans la sélection des atlas dans le cas où seul un nombre limité d’atlas peut-être fusionné. A partir des hippocampes segmentés, des modèles statistiques de la forme (SSM) sont construits afin de modéliser les variations de la forme de l’hippocampe dans la population. La correspondance entre les hippocampes est établie par une optimisation d’ensemble des surfaces paramétriques. Les paramétrages sphériques des surfaces sont aplatis pour faciliter la reparamétrisation et l’interpolation. Le reparamétrage est régularisé par une contrainte de type fluide visqueux, qui est effectué à l’aide d’une implémentation basée sur la transformées en sinus discrète. Afin d’utiliser le SSM pour décrire la forme d’une nouvelle surface hippocampique, nous avons développé un estimateur des paramètres du model de la forme basée sur l’espérance-maximisation de l’algorithme du plus proche voisin itéré (EM-ICP). Un terme de symétrie est inclus pour forcer une consistance entre la transformée directe et inverse entre le modèle et la forme, ce qui permet une reconstruction plus précise de la forme à partir du modèle. La connaissance a priori sur la forme modélisé par le SSM est utilisée dans l’estimation du maximum a posteriori des paramètres de forme. Cette méthode permet de forcer la continuité spatiale et éviter l’effet de sur-apprentissage. Dans l’étude de l’hippocampe dans la maladie d’Alzheimer, nous utilisons le SSM pour modéliser le changement de forme de l’hippocampe entre les sujets sains et des patients souffrant d’Alzheimer. Nous identifions les régions touchées par l’atrophie dans la maladie d’Alzheimer en évaluant la différence entre les groupes de contrôle et ceux d’Alzheimer sur chaque point correspondant sur la surface. L’analyse des changements de la forme est restreinte aux régions présentant des différences significatives entre les groupes, ce qui a pour effet d’améliorer la discrimination basée sur l’analyse en composantes principales (ACP) du SSM. Les composantes principales décrivant la variabilité de la forme à l’intérieur des régions discriminantes ont une corrélation plus fortes avec le déclin des scores de mémoire épisodique liée à la pathologie de l’hippocampe dans la maladie d’Alzheimer. / The aim of this thesis is to investigate the shape change in hippocampus due to the atrophy in Alzheimer’s disease (AD). To this end, specific algorithms and methodologies were developed to segment the hippocampus from structural magnetic resonance (MR) images and model variations in its shape. We use a multi-atlas based segmentation propagation approach for the segmentation of hippocampus which has been shown to obtain accurate parcellation of brain structures. We developed a supervised method to build a population specific atlas database, by propagating the parcellations from a smaller generic atlas database. Well segmented images are inspected and added to the set of atlases, such that the segmentation capability of the atlas set may be enhanced. The population specific atlases are evaluated in terms of the agreement among the propagated labels when segmenting new cases. Compared with using generic atlases, the population specific atlases obtain a higher agreement when dealing with images from the target population. Atlas selection is used to improve segmentation accuracy. In addition to the conventional selection by image similarity ranking, atlas selection based on maximum marginal relevance (MMR) re-ranking and least angle regression (LAR) sequence are developed for atlas selection. By taking the redundancy among atlases into consideration, diversity criteria are shown to be more efficient in atlas selection which is applicable in the situation where the number of atlases to be fused is limited by the computational resources. Given the segmented hippocampal volumes, statistical shape models (SSMs) of hippocampi are built on the samples to model the shape variation among the population. The correspondence across the training samples of hippocampi is established by a groupwise optimization of the parameterized shape surfaces. The spherical parameterization of the hippocampal surfaces are flatten to facilitate the reparameterization and interpolation. The reparameterization is regularized by viscous fluid, which is solved by a fast implementation based on discrete sine transform. In order to use the hippocampal SSM to describe the shape of an unseen hippocampal surface, we developed a shape parameter estimator based on the expectationmaximization iterative closest points (EM-ICP) algorithm. A symmetric data term is included to achieve the inverse consistency of the transformation between the model and the shape, which gives more accurate reconstruction of the shape from the model. The shape prior modeled by the SSM is used in the maximum a posteriori estimation of the shape parameters, which is shown to enforce the smoothness and avoid the effect of over-fitting. In the study of the hippocampus in AD, we use the SSM to model the hippocampal shape change between the healthy control subjects and patients diagnosed with AD. We identify the regions affected by the atrophy in AD by assessing the spatial difference between the control and AD groups at each corresponding landmark. Localized shape analysis is performed on the regions exhibiting significant inter-group difference, which is shown to improve the discrimination ability of the principal component analysis (PCA) based SSM. The principal components describing the localized shape variability among the population are also shown to display stronger correlation with the decline of episodic memory scores linked to the pathology of hippocampus in AD.

Dans cette thèse, nous présentons une méthode de segmentation d’images radiographiques des membres inférieurs en régions d’intérêt (ROIs), une méthode de recalage rigide tridimensionnel (3D) / bidimensionnel (2D) des prothèses du genou sur les deux images biplanaires radiographiques calibrées et une méthode de reconstruction 3D des membres inférieurs à partir de deux images biplanaires radiographiques calibrées. Le premier article présente une méthode de segmentation de rotule, astragale et bassin des images radiographiques en régions d’intérêt basée sur la fusion de multi-atlas et superpixels. Cette méthode utilise l’apprentissage d’une base de données d’images radiographiques de ces os segmentées manuellement et recalées entre elles pour estimer un ensemble de superpixels permettant de tenir compte de toute la variabilité locale et non linéaire existante dans la base, puis la propagation d’étiquettes basée sur le concept d’entropie pour raffiner la carte de segmentations en régions internes afin d’obtenir le résultat final. Le deuxième article présente une méthode de recalage rigide 3D / 2D des composants tibiaux et fémoraux de prothèse du genou sur deux images biplanaires radiographiques calibrées. Cette méthode utilise une mesure de similarité hybride basée sur les notions de contours et régions puis un algorithme d’optimisation stochastique pour estimer la position des composants. La similarité basée sur les régions est stable et robuste contre les bruits. Cependant, cette mesure n’est pas précise car le nombre de pixels aux contours est inférieur au celui à l’intérieur de la région. Au contraire, la similarité basée sur les contours est précise mais plus sensible au bruit ou à d’autres artefacts existant dans les images. C’est pourquoi la combinaison de ces deux similarités fournit une méthode de recalage robuste et précise. Le troisième article représente une méthode statistique biplanaire de reconstruction 3D de rotule, astragale et bassin. Cette méthode utilise un algorithme de réduction de dimensionnalité pour définir un modèle déformable paramétrique qui contient toutes les déformations statistiques admissibles apprises à partir d’une base de données des structures osseuses. Puis un algorithme d’optimisation stochastique est utilisé pour minimiser la différence entre la projection des contours / régions des modèles surfaciques osseux avec ceux segmentés sur les deux images radiographiques. / In this thesis, we present a segmentation method of lower limbs of X-ray images into regions of interest (ROIs), a three-dimensional (3D) / two-dimensional (2D) rigid registration method of knee implant components to biplanar X-ray images, and a 3D reconstruction method of the lower limbs using biplanar X-ray images. The first paper presents a superpixel and multi-atlas-based segmentation method of the patella, talus, and pelvis into regions of interest. This method uses a training dataset of pre-segmented and co-registered X-ray images of these bones to estimate a collection of superpixels allowing to take into account all the nonlinear and local variability existing in the dataset, then a propagation of label based on the entropy concept for refining the segmentation map into internal regions to the final result. The second paper presents a 3D / 2D rigid registration method of tibial and femoral components of knee implants to calibrated biplanar X-ray images. This method uses a hybrid edge- and region-based similarity measure then a stochastic optimization algorithm to estimate the component position. The region-based similarity is stable and robust to noise. However, this measure is not precise because the number of pixels in the border is fewer than the number of pixels inside the region. On the contrary, the edge-based similarity is accurate but more sensitive to noise or other artifacts existing in the images. That’s why the combination of these two similarity types provides a robust and accurate registration method. The third paper presents a statistical biplanar 3D reconstruction method of the patella, talus, and pelvis. This method uses a dimensionality reduction algorithm to define a deformable parametric model which contains all admissible statistical deformations learned from the bone structure dataset. Then a stochastic optimization algorithm is used to minimize the difference between the contour / region projection of bone models and the contours / regions in two segmented X-ray images.