Documentation Documentation
Identifiant IdRef : 226612139
Notice de type Rameau

Point d'accès autorisé

Informations

Langue d'expression : Francais
Date de naissance :  2003
Note publique d''information : 
Nous proposons avec cette thèse un système de segmentation et de recalage automatique pour les images cérébrales. Nous avons mis l'accent sur la conception d'une méthodologie qui s'appuie au maximum sur l'expertise médicale a priori.Nous appréhendons le problème de la recherche des contours de structures cibles sous l'angle du processus d'appariement d'un groupe de patrons déformables aux frontières des structures. Ces patrons évoluent en parallèle, sous la supervision d'un ensemble de règles dérivées à la fois de l'analyse de la dynamique des patrons et de l'expertise médicale. Ils sont soumis à une variété de contraintes, conçues à partir d'informations a priori sur la texture et la forme des structures.L'information texturale est extraite par un classificateur non-linéaire qui prend la forme d'un réseau de neurones à 2 étages. Cette architecture hybride, liée à une phase d'apprentissage dynamique, permet de produire de meilleures cartes de classification et donc de meilleures contraintes.Une approche originale, par apprentissage, du problème de l'appariement dense d'objets n-D permet l'introduction de connaissances a priori dans l'élaboration des modèles de forme des structures cibles. Nous présentons également un nouveau descripteur de forme, le descripteur "observed transport", dont la robustesse au bruit et le pouvoir de discrémination accru en font un bon candidat pour notre stratégie d'appariement.Enfin, un modèle plus fidèle des transformations induites par les processus histologiques, l'approche affine par morceau, permet la conception d'un algorithme de recalage biomédical mieux adapté à la reconstruction de volumes histologiques 3-D.

Note publique d''information : 
We propose in this thesis an automated segmentation and registration system for medical images. We have focused on devisinga methodology where maximum use is made of the available a priori medical expertise.We approach the issue of boundary finding as a process of fitting a group of deformable templates to the contours of the target structures. Those templates evolve in parallel under the supervision of a series of rules derived from the analysis of both the template's dynamics and medical experience. We subject the templates to a variety of constraints also designed based on prior medical knowledge about the textural and shape properties of the target structures.Textural information is extracted by a non-linear classifier in the form of a 2-stage neural network whose hybrid architecture and dynamic learning phase help produce a better classification map.An original learning approach to the dense matching of n-D objects enables the introduction of prior knowledge in the computation of shape models for the target structures. We also introduce a novel shape descriptor, the observed transport descriptor, whose noise robustness and enhanced discriminating power make it a good candidate for our matching strategy.Finally, a more faithful model of the transformations induced by histological processes, the piecewise affine approach, allows the design of a biomedical registration algorithm better suited to the reconstruction of 3-D histological volumes, a first step towards hybrid combined MRI/histology atlases.

Notices d'autorité liées

Autres identifiants

Utilisation dans Rameau

Le point d'accès peut être employé dans un point d'accès sujet

... Références liées : ...