Dans cette thèse, nous abordons deux problèmes principaux, à savoir l'évaluation quantitative des algorithmes de segmentation de maillages ainsi que la segmentation de maillages par apprentissage en exploitant le facteur humain.Tout d'abord, nous proposons un benchmark dédié à l'évaluation des algorithmes de segmentation de maillages 3D. Le benchmark inclut un corpus de segmentation vérités-terrains réalisées par des volontaires ainsi qu'une nouvelle métrique de similarité pertinente qui quantifie la cohérence entre ces segmentations vérités-terrains et celles produites automatiquement par un algorithme donné sur les mêmes modèles. De plus, nous menons un ensemble d'expérimentations, y compris une expérimentation subjective, pour respectivement démontrer et valider la pertinence de notre benchmark. Nous proposons ensuite un algorithme de segmentation par apprentissage. Pour cela, l'apprentissage d'une fonction d'arête frontière est effectué, en utilisant plusieurs critères géométriques, à partir d'un ensemble de segmentations vérités-terrains. Cette fonction est ensuite utilisée, à travers à une chaîne de traitement pour segmenter le maillage en entrée. Nous montrons, à travers une série d'expérimentations s'appuyant sur différents benchmarks, les excellentes performances de notre algorithme par rapport à ceux de l'état de l'art. Enfin, nous proposons une application de notre algorithme de segmentation pour l'extraction de squelettes cinématiques pour les maillages 3D dynamiques, et présentons quelques résultats prometteurs. / In this thesis, we address two main problems namely the quantitative evaluation of mesh segmentation algorithms and learning mesh segmentation by exploiting the human factor. First, we propose a benchmark dedicated to the evaluation of mesh segmentation algorithms. The benchmark includes a human-made ground-truth segmentation corpus and a relevant similarity metric that quantifies the consistency between these ground-truth segmentations and automatic ones produced by a given algorithm on the same models. Additionally, we conduct extensive experiments including subjective ones to respectively demonstrate and validate the relevance of our benchmark. Then, we propose a new learning mesh segmentation algorithm. A boundary edge function is learned, using multiple geometric criteria, from a set of human segmented training meshes and then used, through a processing pipeline, to segment any input mesh. We show, through a set of experiments using different benchmarks, the performance superiority of our algorithm over the state-of-the-art. Finally, we propose an application of our segmentation algorithm for kinematic skeleton extraction of dynamic 3D-meshes, and present some early promising results.

La validation des algorithmes de tractographie et l’optimisation des paramètres choisis en référence à une vérité terrain, sont primordiales avant l’utilisation de ces méthodes en routine clinique. D’une part, nous présentons une méthode de comparaison quantitative de reconstructions issues de la tractographie à celles reconstruites depuis la dissection par un scanner laser. Cette comparaison permet d’évaluer les reconstructions de différents modèles et algorithmes de tractographie (déterministe, probabiliste) en les confrontant à une vérité terrain acquise par le scanner laser (surfaces triangulées). La transformation des données sous des formats communs était nécessaire avant leur comparaison quantitative. Deux méthodes de comparaison, surface-surface et volume-volume ont été proposées. D’autre part, nous présentons une méthode d’optimisation par algorithme génétique (AG), des paramètres de tractographie déterministe. L’AG est un algorithme itératif d’optimisation basé sur la sélection naturelle, il est capable d’optimiser des problèmes complexes ayant plusieurs paramètres. Etant donné la vérité terrain d’un faisceau, l’AG se propose de trouver le jeu de paramètres optimal donnant le meilleur résultat de tractographie. Les méthodes de comparaisons et d’optimisation ont été appliquées à un faisceau d’objet test puis à deux faisceaux disséqués à partir d’un cerveau humain post mortem après acquisitions IRM et scanner laser. / Tractography validation and optimization of tracking parameters against a ground truth are mandatory before a large clinical use. First, we present a method to quantitatively compare tractography reconstructions to a ground truth derived from laser scanner acquisitions of dissected specimens. This comparison allows evaluation of multiple models and tractography approaches (deterministic, probabilistic…). The ground truth used for this comparison was acquired from dissected specimens using a surface laser scanner, which produces triangulated surface meshes. Data transformation to a common format was necessary before quantitative comparisons. Two comparison methods were proposed, surface-to-surface and volume-to-volume. Second, we propose a method for automatic optimization of deterministic tractography parameters using a genetic algorithm (GA). The GA is an iterative optimization algorithm based on natural selection, which is able to optimize complex problems having several parameters. For a given ground truth fasciculus, the GA was expected to find the set of tractography parameters producing the best tractography result according to the ground truth. The comparison and optimization methods were applied to a synthetic bundle derived from a phantom and to two dissected white matter tracts of a human post mortem brain.