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 / Automated segmentation of macular layers in optical coherence tomography images and quantitative evaluation of performances in healthy and pathological subjects

La tomographie de cohérence optique (OCT) est une technique d'imagerie non invasive, fondée sur le principe de I'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 étre 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. / Optical coherence tomography (OCT) is a non-invasive imaging technique, based on the principle of interferometry. Thus, OCT is now a standard examination for the detection and the monitoring of retinal diseases including macular degeneration. In this context, the first objective of this thesis is to propose a new method for the segmentation of OCT images of healthy subjects. The proposed method exploits prior knowledge on the structure and the appearearance of the retinal layers. It is based on a combination of local and global segmentation algorithms, including active contours, k-means and Markov random fields. Thus, eight retinal layers can be detected, including the inner segments (IS) of photoreceptors. However, the slow evolution of this disease makes the evaluation of these therapies difficult. The second objective of this thesis is then to extend the scope of the method developed for healthy subjects to retinitis pigmentosa subjects. We have developed a new parametric deformable model that incorporates a priori information by adding a constraint of approximate parallelism, which is more robust in the presence of pathologies. In both healthy and pathological study cases, we performed a comprehensive qualitative and quantitative assessrnent of the proposed methods. We evaluated the accuracv of the segmentation of interfaces between layers, and, in the case of healthy subjects, the accuracy of the segmentation of interfaces between layers, and, in the case of healthy subjects, the precision of thickness measurements derived from the segmentation. This study was conducted on a large image database. These evaluations show a very good agreement anda strong correlation between automatic segmentation and segmentation done manually by an expert.

Identiferoai:union.ndltd.org:theses.fr/2012ENST0013
Date12 April 2012
CreatorsGhorbel, Itebeddine
ContributorsParis, ENST, Bloch, Isabelle, Rossant, Florence
Source SetsDépôt national des thèses électroniques françaises
LanguageFrench
Detected LanguageFrench
TypeElectronic Thesis or Dissertation, Text, StillImage

Page generated in 0.002 seconds