{"id":{"repo_id":"ets-quebec","oai_identifier":"oai:espace.etsmtl.ca:1685"},"canonical_url":"https://search.ndltd.org/etd/ets-quebec/oai:espace.etsmtl.ca:1685","repository":{"repo_id":"ets-quebec","name":"ETS (Quebec)","base_url":"https://espace.etsmtl.ca/cgi/oai2"},"display":{"title":"Segmentation des structures céphaliques à topologie complexe","abstract":"L’utilisation de l’imagerie médicale connaît un essor croissant dans la pratique de la médecine actuelle. Les acquisitions, qu’elles soient en deux ou trois dimensions, sont utilisées pour poser des gestes pré, per ou post-opératoires. Toutefois, la visualisation n’est pas toujours suffisante, il est souvent nécessaire de mesurer les volumétries précises des organes. Pour ce faire, il est impératif de délimiter avec précision les structures anatomiques d’intérêt à l’aide de méthodes de segmentation. Ce domaine de recherche connexe à l’imagerie médicale est en constante évolution et compte un grand nombre d’approches différentes. Certains systèmes utilisent des bases de données statistiques, d’autres n’utilisent que les données propres à l’image à traiter comme les Level-Sets. En fonction du type d’acquisition et/ou du type d’organe ciblé, certaines approches sont à préférer à d’autres. Toutefois, lorsque les structures d’intérêt présentent des surfaces à topologie complexe ou peuvent connaître une forte variation interindividuelle, les approches proposées dans la littérature peuvent être inefficaces. Les causes potentielles d’inefficacité peuvent être imputées, soit à un trop grand nombre de degrés de liberté (pas de connaissances a priori) ou à un trop grand nombre de contraintes (une connaissance a priori trop stricte). Dans les deux cas, le résultat de la segmentation risque d’être inexact et par conséquent inexploitable en clinique. Pour pallier ces limitations, la méthode proposée dans cette thèse utilise les données pour forger in-situ un modèle a priori fiable permettant une segmentation précise des organes ciblés. Le modèle généré permet de contraindre une segmentation par recherche de surface minimale 3D dans un espace plan restreint. La méthode développée est automatique, multimodalité et applicable à plusieurs types d’organes.","abstract_html":"L’utilisation de l’imagerie médicale connaît un essor croissant dans la pratique de la médecine actuelle. Les acquisitions, qu’elles soient en deux ou trois dimensions, sont utilisées pour poser des gestes pré, per ou post-opératoires. Toutefois, la visualisation n’est pas toujours suffisante, il est souvent nécessaire de mesurer les volumétries précises des organes. Pour ce faire, il est impératif de délimiter avec précision les structures anatomiques d’intérêt à l’aide de méthodes de segmentation. Ce domaine de recherche connexe à l’imagerie médicale est en constante évolution et compte un grand nombre d’approches différentes. Certains systèmes utilisent des bases de données statistiques, d’autres n’utilisent que les données propres à l’image à traiter comme les Level-Sets. En fonction du type d’acquisition et/ou du type d’organe ciblé, certaines approches sont à préférer à d’autres. Toutefois, lorsque les structures d’intérêt présentent des surfaces à topologie complexe ou peuvent connaître une forte variation interindividuelle, les approches proposées dans la littérature peuvent être inefficaces. Les causes potentielles d’inefficacité peuvent être imputées, soit à un trop grand nombre de degrés de liberté (pas de connaissances a priori) ou à un trop grand nombre de contraintes (une connaissance a priori trop stricte). Dans les deux cas, le résultat de la segmentation risque d’être inexact et par conséquent inexploitable en clinique. Pour pallier ces limitations, la méthode proposée dans cette thèse utilise les données pour forger in-situ un modèle a priori fiable permettant une segmentation précise des organes ciblés. Le modèle généré permet de contraindre une segmentation par recherche de surface minimale 3D dans un espace plan restreint. La méthode développée est automatique, multimodalité et applicable à plusieurs types d’organes.","abstract_has_math":false,"creators":["Chantrel, Steeve"],"institution":"École de technologie supérieure","degree_name":"Thèse de doctorat électronique","degree_level":"phd","degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2016,"date_issued":"2016-06-28","date_published":"2016-06-28","updated_at":"2026-11-18T22:07:07Z","subjects":["segmentation, structures céphaliques, complexe dento-maxillo-facial, IRM, CBCT"],"languages":["fr"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["INSERT-YOUR-LIBRARY-ID-HERE1685"],"render_values":[{"text":"INSERT-YOUR-LIBRARY-ID-HERE1685","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":null,"outbound_label":null,"outbound_source":null,"record_url":null,"record_label":null,"record_kind":null,"record_source":null,"download_url":"https://espace.etsmtl.ca/id/eprint/1685/1/CHANTREL_Steeve.pdf","download_label":"Download PDF","download_source":"dc:identifier","access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://espace.etsmtl.ca/cgi/oai2?verb=GetRecord&metadataPrefix=oai_etdms&identifier=oai%3Aespace.etsmtl.ca%3A1685","prefix":"oai_etdms"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Chantrel, Steeve"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2016-06-28"]},{"key":"dc:publisher","label":"Institution","values":["École de technologie supérieure"]},{"key":"dc:type","label":"Dc Type","values":["Electronic Thesis or Dissertation"]},{"key":"thesis:degree_level","label":"Degree Level","values":["phd"]},{"key":"thesis:degree_name","label":"Degree Name","values":["Thèse de doctorat électronique"]},{"key":"thesis:institution_name","label":"Thesis Institution Name","values":["École de technologie supérieure"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["segmentation, structures céphaliques, complexe dento-maxillo-facial, IRM, CBCT"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["fr"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["INSERT-YOUR-LIBRARY-ID-HERE1685","https://espace.etsmtl.ca/id/eprint/1685/1/CHANTREL_Steeve.pdf","https://espace.etsmtl.ca/id/eprint/1685/2/CHANTREL_Steeve-web.pdf"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["L’utilisation de l’imagerie médicale connaît un essor croissant dans la pratique de la médecine actuelle. Les acquisitions, qu’elles soient en deux ou trois dimensions, sont utilisées pour poser des gestes pré, per ou post-opératoires. Toutefois, la visualisation n’est pas toujours suffisante, il est souvent nécessaire de mesurer les volumétries précises des organes. Pour ce faire, il est impératif de délimiter avec précision les structures anatomiques d’intérêt à l’aide de méthodes de segmentation. Ce domaine de recherche connexe à l’imagerie médicale est en constante évolution et compte un grand nombre d’approches différentes. Certains systèmes utilisent des bases de données statistiques, d’autres n’utilisent que les données propres à l’image à traiter comme les Level-Sets. En fonction du type d’acquisition et/ou du type d’organe ciblé, certaines approches sont à préférer à d’autres. Toutefois, lorsque les structures d’intérêt présentent des surfaces à topologie complexe ou peuvent connaître une forte variation interindividuelle, les approches proposées dans la littérature peuvent être inefficaces. Les causes potentielles d’inefficacité peuvent être imputées, soit à un trop grand nombre de degrés de liberté (pas de connaissances a priori) ou à un trop grand nombre de contraintes (une connaissance a priori trop stricte). Dans les deux cas, le résultat de la segmentation risque d’être inexact et par conséquent inexploitable en clinique. Pour pallier ces limitations, la méthode proposée dans cette thèse utilise les données pour forger in-situ un modèle a priori fiable permettant une segmentation précise des organes ciblés. Le modèle généré permet de contraindre une segmentation par recherche de surface minimale 3D dans un espace plan restreint. La méthode développée est automatique, multimodalité et applicable à plusieurs types d’organes."]},{"key":"dc:format","label":"Dc Format","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["Segmentation des structures céphaliques à topologie complexe"]}]}],"canonical_facts":{"dc:creator":["Chantrel, Steeve"],"dc:date":["2016-06-28"],"dc:description":["L’utilisation de l’imagerie médicale connaît un essor croissant dans la pratique de la médecine actuelle. Les acquisitions, qu’elles soient en deux ou trois dimensions, sont utilisées pour poser des gestes pré, per ou post-opératoires. Toutefois, la visualisation n’est pas toujours suffisante, il est souvent nécessaire de mesurer les volumétries précises des organes. Pour ce faire, il est impératif de délimiter avec précision les structures anatomiques d’intérêt à l’aide de méthodes de segmentation. Ce domaine de recherche connexe à l’imagerie médicale est en constante évolution et compte un grand nombre d’approches différentes. Certains systèmes utilisent des bases de données statistiques, d’autres n’utilisent que les données propres à l’image à traiter comme les Level-Sets. En fonction du type d’acquisition et/ou du type d’organe ciblé, certaines approches sont à préférer à d’autres. Toutefois, lorsque les structures d’intérêt présentent des surfaces à topologie complexe ou peuvent connaître une forte variation interindividuelle, les approches proposées dans la littérature peuvent être inefficaces. Les causes potentielles d’inefficacité peuvent être imputées, soit à un trop grand nombre de degrés de liberté (pas de connaissances a priori) ou à un trop grand nombre de contraintes (une connaissance a priori trop stricte). Dans les deux cas, le résultat de la segmentation risque d’être inexact et par conséquent inexploitable en clinique. Pour pallier ces limitations, la méthode proposée dans cette thèse utilise les données pour forger in-situ un modèle a priori fiable permettant une segmentation précise des organes ciblés. Le modèle généré permet de contraindre une segmentation par recherche de surface minimale 3D dans un espace plan restreint. La méthode développée est automatique, multimodalité et applicable à plusieurs types d’organes."],"dc:format":["application/pdf"],"dc:identifier":["INSERT-YOUR-LIBRARY-ID-HERE1685","https://espace.etsmtl.ca/id/eprint/1685/1/CHANTREL_Steeve.pdf","https://espace.etsmtl.ca/id/eprint/1685/2/CHANTREL_Steeve-web.pdf"],"dc:language":["fr"],"dc:publisher":["École de technologie supérieure"],"dc:subject":["segmentation, structures céphaliques, complexe dento-maxillo-facial, IRM, CBCT"],"dc:title":["Segmentation des structures céphaliques à topologie complexe"],"dc:type":["Electronic Thesis or Dissertation"],"thesis:degree_level":["phd"],"thesis:degree_name":["Thèse de doctorat électronique"],"thesis:institution_name":["École de technologie supérieure"]},"updated_at":"2026-11-18T22:07:07Z"}