RECALAGE NON RIGIDE EN IMAGERIE CEREBRALE : METHODES ET VALIDATION / PIERRE HELLIER ; SOUS LA DIR. DE PIERRE BARILLOT

Date :

Editeur / Publisher : [S.l.] : [s.n.] , 2000

Format : 244 p.

Type : Livre / Book

Type : Thèse / Thesis

Langue / Language : français / French

Barillot, Christian (1959-2020) (Directeur de thèse / thesis advisor)

Université de Rennes 1 (1969-2022) (Organisme de soutenance / degree-grantor)

Relation : RECALAGE NON RIGIDE EN IMAGERIE CEREBRALE : METHODES ET VALIDATION / PIERRE HELLIER / Villeurbanne : [CCSD] , 2010

Résumé / Abstract : DANS LE CONTEXTE DE LA FUSION DE DONNEES EN IMAGERIE MEDICALE, CETTE THESE S'INTERESSE AUX PROBLEMES DE RECALAGE NON-RIGIDE EN IMAGERIE CEREBRALE, MONOMODALITE ET MULTIMODALITE. DANS UN PREMIER TEMPS, NOUS AVONS DEVELOPPE UNE APPROCHE ORIGINALE POUR ESTIMER UNE TRANSFORMATION 3D DENSE ENTRE DEUX VOLUMES IRM DE DEUX SUJETS DIFFERENTS. CETTE METHODE EST BASEE SUR UNE ESTIMATION DU FLOT OPTIQUE, EXPRIME DANS UN CADRE STATISTIQUE ROBUSTE. NOUS AVONS EGALEMENT PROPOSE UN SCHEMA DE MINIMISATION EFFICACE, A LA FOIS MULTIRESOLUTION ET MULTIGRILLE, S'APPUYANT SUR DES CONTRAINTES ANATOMIQUES. NOUS AVONS VALIDE CETTE METHODE SUR DES DONNEES SYNTHETIQUES, PUIS SUR UNE BASE DE DONNEE DE 18 SUJETS. DANS UN DEUXIEME TEMPS, NOUS NOUS SOMMES INTERESSES AU PROBLEME DU RECALAGE NON-RIGIDE MULTIMODALITE. LES IMAGES FONCTIONNELLES IRMF, EN ACQUISITION EPI, PRESENTENT DES DEFORMATIONS GEOMETRIQUES QUI GENENT L'INTERPRETATION DES DONNEES FONCTIONNELLES. NOUS AVONS PROPOSE UN ALGORITHME DE RECALAGE NON-RIGIDE MULTIMODALITE A L'AIDE D'UNE MESURE DE SIMILARITE ADAPTEE, DANS UN CADRE DE MINIMISATION MULTIGRILLE. DANS UN TROISIEME TEMPS, NOUS AVONS PROPOSE UN CADRE DE VALIDATION DE METHODES DE RECALAGE NON-RIGIDES. 5 METHODES DIFFERENTES, PARMI LESQUELLES DES APPROCHES CLASSIQUES ET DES APPROCHES PLUS RECENTES, ONT ETE EVALUEES SUR LA BASE DE CRITERES GLOBAUX (VOLUME MOYEN, CORRELATION DES LVV, RECOUVREMENT DES TISSUS ANATOMIQUES) ET DE CRITERES LOCAUX (RECALAGE DES SILLONS CORTICAUX). ENFIN, NOUS AVONS ETUDIE DES APPROCHES COOPERATIVES UTILISANT LES PROCESSUS DE SEGMENTATION ET DE RECALAGE. BASEE SUR UNE METHODE DE TYPE ENSEMBLE DE NIVEAUX, LA SEGMENTATION DE STRUCTURES ANATOMIQUES PEUT ETRE GUIDEE PAR UN CHAMP GROSSIER DE DEFORMATION. LE RECALAGE PERMET D'INITIALISER CORRECTEMENT LES MODELES DEFORMABLES, ENTRAINANT UNE SEGMENTATION AUTOMATIQUE, PLUS ROBUSTE, PLUS PRECISE ET CONSIDERABLEMENT PLUS RAPIDE. D'AUTRE PART, LA SEGMENTATION DE STRUCTURES ANATOMIQUES D'INTERET COMME LES SILLONS CORTICAUX PERMET DE CONTRAINDRE LE PROCESSUS DE RECALAGE PRESENTE DANS LA PREMIERE PARTIE. EN PARTICULIER, LE CADRE STATISTIQUE PERMET D'INTEGRER CETTE CONTRAINTE LOCALE ET EPARSE DE MANIERE NATURELLE. SUR LA BASE DE 18 SUJETS, NOUS AVONS MONTRE L'APPORT DE CETTE CONTRAINTE ANATOMIQUE.