Segmentation des structures cérébrales en IRM par la méthode de Chan-Vese
| dc.contributor.author | Tabti Amokrane | |
| dc.contributor.author | Aiboud Younes | |
| dc.contributor.other | Mazouzi Zohra Ép. Ameur | |
| dc.date.accessioned | 2019-11-12T10:53:18Z | |
| dc.date.available | 2019-11-12T10:53:18Z | |
| dc.date.issued | 2014 | |
| dc.description | 119 f. : ill. ; 30 cm. (+ CD-Rom) | en |
| dc.description.abstract | Au fil du temps, la médecine humaine a constamment évoqué le besoin toujours plus grandissant de pouvoir voir à l’intérieur du corps humain sans avoir à utiliser des techniques dites invasives, nécessitant des opérations parfois longues et complexes. Il existe aujourd’hui plusieurs méthodes d’imagerie médicale. Bien que toutes ces méthodes se distinguent par le fonctionnement de leurs capacités d’imagerie, elles ont toutes un point commun : elles produisent des images de tons de gris servant essentiellement au diagnostic. En effet, les niveaux de gris sont intimement liés aux caractéristiques physiques des tissus observés et peuvent également être reliés à des phénomènes physiologiques typiques (oedème, lésions…). De plus en plus, l’imagerie médicale est utilisée dans toutes les étapes de la pratique médicale, aussi bien lors du diagnostic ou de la planification de thérapie, qu’en contrôle de la thérapie. Bien entendu, les techniques actuelles ne sont pas sans failles, sans passer par les pour et les contres de chacune, il est possible de dresser une liste globale des besoins toujours grandissants en imagerie : . Meilleure qualité d’images (moins d’artéfacts et meilleur contraste). . Plus grande vitesse d’acquisition (imagerie en temps réel). . Meilleure résolution des images (images plus détaillées et plus volumineuses). Si les images scanner, IRM, TEP, etc. ont métamorphosé la pratique médicale, les mathématiques et l’informatique y sont pour beaucoup. Qu’il s’agisse de passer du signal brut issu des systèmes d’acquisition à des images numériques interprétables par le médecin, d’améliorer le contraste ou de diminuer le bruit de ces images, ou encore d’en extraire automatiquement des organes particuliers, des pathologies comme des tumeurs, toutes ces étapes exigent de concevoir des modèles mathématiques, de les rendre opérationnels dans des algorithmes de traitement et de faire mouliner de puissants ordinateurs. Ces thèmes de recherche, bien que déjà anciens, suscitent toujours beaucoup de travaux pour fournir des outils en adéquation avec les attentes des médecins. Celles-ci sont terriblement concrètes : comment quantifier un tissu malin ? comment quantifier sa dangerosité pour le patient ? il faut alors arriver à collecter des propriétés sur les images, qu’elles soient morphologiques (taille et forme d’une tumeur), densitométriques (opacité ou niveau de gris des tissus), etc., puis à les associer au sein de formulations mathématiques qui conduiront à des décisions raisonnées de la part des médecins. Tous les patients, donc tous leurs organes, étant différents, d’importants progrès ont été accomplis ces dernières années dans la modélisation de cette variabilité afin d’automatiser l’analyse des images, la segmentation en forme le point de départ. La segmentation des structures anatomiques cérébrales est un problème difficile et reste un sujet de recherche de forte actualité dans le domaine médical. La difficulté à segmenter une image cérébrale vient de la complexité structurelle des images IRM et du contraste souvent insuffisant pour extraire la structure d’intérêt, sans aucune connaissance à priori sur sa forme et sa localisation.L’objectif de ce travail est la segmentation des structures cérébrales de sujets sains et pathologiques à partir de séquences d’images d’IRM cérébrales. Le but recherché est la mise en oeuvre d’une technique automatique de segmentation de ces structures pour aider le médecin au diagnostic, cette segmentation doit naturellement être reproductible et fiable. Pour notre travail, nous présentons une méthode de segmentation d’images IRM basée sur le modèle de Chan et Vese. Ce modèle permet la segmentation de divers types d’images y compris celles qui sont difficiles à segmenter par seuillage ou par des méthodes basées régions. Ce modèle CV, performant, présente beaucoup d’avantages par rapport aux autres modèles (détection de contours intérieurs, position quelconque de la courbe initiale, détection des contours avec ou sans gradient, robustesse au bruit). | en |
| dc.identifier.citation | Electronique Biomédicale | |
| dc.identifier.other | MAST.ELN.28-14 | en |
| dc.identifier.uri | https://dspace.ummto.dz/handle/ummto/6323 | |
| dc.language.iso | fr | en |
| dc.publisher | Université Mouloud Mammeri | en |
| dc.subject | Segmentation | en |
| dc.subject | Structures Cérébrales | en |
| dc.subject | IRM | en |
| dc.subject | Contours actifs basés régions | en |
| dc.subject | Chan-Vese. | en |
| dc.title | Segmentation des structures cérébrales en IRM par la méthode de Chan-Vese | en |
| dc.type | Thesis | en |