La spectroscopie par résonance magnétique (SRM) est une technique d'analyse noninvasive des informations biochimiques des tissus du corps humain. L'un des éléments essentiels des examens SRM in vivo est la quantification des données SRM, qui consiste à retrouver les amplitudes ou surfaces des pics de chacun des métabolites en présence.Toutefois, cette tâche est encore difficile en raison du recouvrement important entre les différents pics, de la présence d'un bruit de fond qui chevauche tous les pics et du faible rapport signal sur bruit des spectres observés.Dans cette thèse, nous proposons deux nouvelles méthodes de quantification SRM dans le domaine fréquentiel. A partir d'un dictionnaire construit selon des connaissances a priori sur le modèle mathématique des pics des métabolites, nos deux méthodes estiment correctement les pics d'intérêt, en utilisant les représentations parcimonieuses des signaux.Les expériences de simulation menées montrent les excellents résultats de nos méthodes par rapport à l'état de l'art actuel. De plus, les quantifications de spectres SRM in vivo du cerveau pour le suivi au cours du temps de tumeurs sur des patients, ainsi que de spectres SRM in vivo de la prostate, démontrent la pertinence de nos méthodes.Dans cette thèse, nous avons également étudié la fusion des signaux SRM et des images IRM (imagerie par résonance magnétique). Les spectres SRM délivrent des informations biochimiques sur les tissus humains, tandis que les images IRM donnent des informations anatomiques. Quelques publications ont démontré récemment que la combinaison des deux informations SRM et IRM peuvent améliorer de façon critique la détection des cancers de la prostate. Dans ce contexte, nous avons proposé d'utiliser une technique de fusion d'informations floues de données SRM et IRM, afin d'automatiser la localisation de tissus cancéreux de la prostate. Dans cette étude préliminaire, nous avons montré les résultats encourageants obtenus par notre technique. / MRS (magnetic resonance spectroscopy) has proved to be an important non invasive technique for analyzing biochemical information about the tissues of the human body. One oft he essential elements of an in vivo MRS examination is the quantification of MRS data,which concerns the calculation of the amplitude or areas of the spectral peaks of individual metabolites. However, it is a challenging problem, because of the strongly overlapping metabolites peaks, the presence of a broad background (baseline) which overlaps the metabolites peaks, and the low signal to noise ratio.In this thesis, we have proposed two new MRS quantification methods in the frequency domain. The proposed methods achieved the accurate estimations of the spectral peaks of interest by finding their sparse representations with respect to a dictionary constructed based on their mathematical models and some a priori knowledge about these model parameters.Simulation experiments show the superiority of the proposed methods for MRS quantifications, compared with other methods. Moreover, the quantifications of in vivo brain MR spectra from tumor patients in different stages of progression, as well as in vivo prostate MR spectra, demonstrate the effectiveness of the proposed methods.Another research in this thesis is the fusion of information about MRS spectra and MRI(magnetic resonance imaging) images. MRS spectra provide biochemical information about human tissues while MRI images provide anatomical information. Some clinical researches inthe literature have shown that the combination of the information of MRS spectra and MRI images can ameliorate significantly the detection of prostate tumors. In this context, we proposed a technique using fuzzy information fusion of MRS data and MRI data for the automatic localization of the cancerous tissues of the prostate. As a preliminary research, we have shown the encouraging results obtained with the proposed technique.
| Identifer | oai:union.ndltd.org:theses.fr/2011REIMS008 |
| Date | 05 April 2011 |
| Creators | Guo, Yu |
| Contributors | Reims, Ruan, Su |
| Source Sets | Dépôt national des thèses électroniques françaises |
| Language | French |
| Detected Language | French |
| Type | Electronic Thesis or Dissertation, Text |
Page generated in 0.002 seconds