Back to search

École de technologie supérieure

Segmentation automatique de la colonne vertébrale lombaire à partir d'images à résonance magnétique par combinaison de réseau de neurones convolutifs et coupe de graphe

Abstract

dc:description

Le mal de dos, le mal du siècle comme beaucoup de gens le décrivent, est un terme général pour une maladie potentiellement grave et l’un des problèmes médicaux les plus courants dans le monde. Il peut se produire à n’importe quel endroit au niveau de la colonne vertébrale. Pour identifier l’origine d’une douleur et déterminer si un traitement est nécessaire, les experts dans ce domaine se basent sur l’analyse des images médicales telles que l’IRM et CT-scan pour identifier les zones endommagées ou les anomalies. Un examen de radiologie classique est une tâche compliquée et coûteuse en temps précieux pour le malade et le médecin. De plus, dans certaines situations, l’identification de ces anomalies à l’oeil nu n’est pas toujours évidente, ce qui nécessite l’application de certaines techniques de traitement d’image afin de guider l’expert à réaliser un bon diagnostic. Parmi les techniques les plus employées dans ce domaine nous citons la segmentation d’images qui permet de délimiter et d’identifier les zones d’intérêt. Une segmentation précise et robuste des structures est une condition préalable au diagnostic assisté par ordinateur et à l’identification des anomalies. Elle peut également être utilisée pour la planification assistée par ordinateur et la simulation d’une chirurgie. Cependant, malgré les inventions technologiques dans ce domaine, les approches utilisées pour la segmentation des images médicales restent limitées de point de vue performance et nécessitent l’intervention d’un expert humain. Récemment, les réseaux de neurones convolutifs (RNC) ont montré des performances exceptionnelles surtout dans le domaine de traitement d’images médicales surpassant les approches de segmentation existantes dans la littérature. C’est dans ce contexte que s’inscrit ce travail, qui vise à proposer une nouvelle approche pour la segmentation des vertèbres et des disques intervertébraux de la partie lombaire de la colonne vertébrale basée sur la combinaison des réseaux de neurones convolutifs avec la segmentation par coupe de graphe appliquée sur des images IRM 3D. Au lieu d’appliquer directement les RNC pour obtenir une segmentation finale, la technique proposée utilise les cartes de probabilités générées par le réseau de neurones comme initialisation pour la méthode de coupe de graphe afin de raffiner la segmentation initiale. Afin d’améliorer les résultats dans le cas de la segmentation multi-classes, nous avons utilisé l’algorithme α −expansion qui constitue une extension de la coupe de graphe appliquée sur des images multi-classes. L’approche a été évaluée quantitativement sur deux bases de données différentes utilisées dans la compétition annuelle MICCAI pour la segmentation des vertèbres et des disques. Nous avons aussi évalué qualitativement notre méthode sur une nouvelle base de données de dix sujets qui contient des annotations manuelles multi-classes des deux structures ; vertèbres et disques. L’évaluation expérimentale, basée sur le coefficient de similarité de Dice et la distance de Hausdorff, montre que notre approche réalise de bonnes performances sur les trois bases de données.

Degree

thesis:*
Name thesis:degree_name
Mémoire de maîtrise électronique
Level thesis:degree_level
masters
Discipline thesis:degree_discipline
Mgpa
Grantor dc:publisher
École de technologie supérieure
Year dc:date
2019

Author and committee

dc:creator, dc:contributor.*
Author dc:creator
  • Ben Dhaou, Firas

Subjects

dc:subject × 1

Rights

Language dc:language
fr

Identifiers

dc:identifier.*
Identifier
INSERT-YOUR-LIBRARY-ID-HERE2398

Chain of custody

source
Harvested from
ETS (Quebec)
Base URL
espace.etsmtl.ca/cgi/oai2
Last updated
2026-11-18
Source record
OAI-PMH GetRecord
citation

Ben Dhaou, Firas. Segmentation automatique de la colonne vertébrale lombaire à partir d'images à résonance magnétique par combinaison de réseau de neurones convolutifs et coupe de graphe. masters thesis, École de technologie supérieure, 2019.