L'imagerie médicale joue un rôle de plus en plus important avec le développement de nombreuses techniques d'acquisition. Il faut principalement pouvoir restaurer (débruiter) les images et en faire une segmentation. Ainsi toute l'information qualitative et quantitative sera disponible pour affiner les diagnostics. Dans cette thèse nous proposons une contribution à cette analyse dans un contexte 3D. Nous étudions deux grands types de méthodes : les méthodes variationnelles et les méthodes par ondelettes. Nous commençons par présenter les modèles variationnels du second ordre, qui s'avèrent plus performants que la classique méthode du premier ordre de Rudin-Osher-Fatemi. Nous l'utilisons pour débruiter et segmenter après avoir donné un bref état de l'art des procédés d'acquisition des images en médecine. Nous introduisons ensuite la transformée en ondelettes et présentons des algorithmes basés sur cette méthode. Les résultats numériques montrent que ces méthodes sont performantes et compétitives. Le coeur de notre travail est de développer des rerésentations 3D qui sont bien adaptées à des données médicales complexes comme des images IRM sous échantillonnées, peu contrastées (cervelets de souris) ou des images IRM d'angiographie (cerveaux de souris). Chaque technique a ses avantages et ses inconvénients. Aussi nous proposons un modèle variationnel mixte second ordre / seuillage par ondelettes. Ce modèle se comporte particulièrement bien : le bruit est correctement éliminé et les contours et textures préservés. Pour finir, nous adaptons plusieurs méthodes de fermeture de contours (hystérésis et distance de chanfrein) dans un contexte 3D. Le mémoire se termine par une synthèses des résultats et une présentation de futures directions de recherche.
| Identifer | oai:union.ndltd.org:CCSD/oai:tel.archives-ouvertes.fr:tel-00772308 |
| Date | 28 September 2012 |
| Creators | Tran, Minh-Phuong |
| Publisher | Université d'Orléans |
| Source Sets | CCSD theses-EN-ligne, France |
| Language | English |
| Detected Language | French |
| Type | PhD thesis |
Page generated in 0.0018 seconds