La segmentation d'organes abdominaux dans des images médicales volumiques est rendue difficile par le bruit et le faible contraste de ces images. Les techniques de segmentation classiques à base d'extraction de contours ou de seuillage donnent des résultats insuffisants. Dans ce rapport, nous utilisons des modèles déformables pour segmenter les images. En introduisant un modèle de l'organe voulu dans le processus de segmentation, nous bénéficions d'une connaissance a priori de la forme à retrouver. Nous utilisons des images de contour bruitées pour déformer localement le modèle. Les données de contours étant incomplètes, il est nécessaire de contraindre le modèle pour qu'il se déforme régulièrement. Nos maillages simplexes bénéficient d'un mécanisme de mémoire de forme agissant de façon régularisante sur les déformations. Nous utilisons des transformations globales pour disposer davantage de contraintes. Un modèle hybride fournit un compromis entre complexité de calcul des transformations globales et nombre de degrés de liberté du modèle. Nous étudions également l'utilisation d'un ensemble d'apprentissage pour construire un modèle plus robuste tirant parti de l'information statistique des déformations possibles. L'information statistique peut être utilisée pour contraindre d'avantage les déformations ou pour paramétrer de façon plus fine le processus de déformation.
| Identifer | oai:union.ndltd.org:CCSD/oai:tel.archives-ouvertes.fr:tel-00691915 |
| Date | 06 September 1996 |
| Creators | Montagnat, Johan |
| Publisher | École normale supérieure de Cachan - ENS Cachan, Université Paris Sud - Paris XI |
| Source Sets | CCSD theses-EN-ligne, France |
| Language | French |
| Detected Language | French |
| Type | PhD thesis |
Page generated in 0.0017 seconds