Return to search

Segmentation et quantification des couches rétiniennes dans des images de tomographie de cohérence optique, dans le cas de sujets sains et pathologiques

La tomographie de cohérence optique (OCT) est une technique d'imagerie non invasive, fondée sur le principe de l'interférométrie. Elle est maintenant un examen classique pour le dépistage et le suivi des affections rétiniennes, notamment des dégénérescences maculaires. C'est dans ce cadre que s'inscrit le premier objectif de ces travaux de thèse, où nous proposons une nouvelle méthode de segmentation des images OCT de sujets sains. Les principales difficultés sont liées au bruit des images, à la variabilité de la morphologie d'un patient à l'autre et aux interfaces mal définies entre les différentes couches. Notre nouvelle approche est fondée sur des algorithmes de segmentation plus globaux. Ainsi, huit couches rétiniennes peuvent être détectées, y compris les segments internes (IS) des photorécepteurs. L'évolution lente des maladies rétiniennes pose le problème de l'évaluation de ces thérapeutiques. C'est dans ce cadre que s'inscrit le second objectif de cette thèse, où nous étendons le champ d'application des méthodes développées pour les sujets sains aux sujets atteints de rétinopathie pigmentaire. Nous avons ainsi développé un nouveau modèle paramétrique déformable qui intègre les informations a priori en ajoutant une contrainte de parallélisme. Dans les cas sains et pathologiques, nous avons réalisé une évaluation exhaustive qualitative et quantitative. Les résultats de segmentation automatique ont été comparés avec les segmentations manuelles réalisées par différents experts. Ces évaluations montrent une très bonne concordance et une forte corrélation entre les segmentations automatiques et les segmentations faites manuellement par un expert.

Identiferoai:union.ndltd.org:CCSD/oai:tel.archives-ouvertes.fr:tel-00713918
Date12 April 2012
CreatorsGhorbel, Itebeddine
PublisherTelecom ParisTech
Source SetsCCSD theses-EN-ligne, France
Languagefra
Detected LanguageFrench
TypePhD thesis

Page generated in 0.0019 seconds