Understanding, Modeling and Detecting Brain Tumors: Graphical Models and Concurrent Segmentation/Registration methods

Résumé : L'objectif principal de cette thèse est la modélisation, compréhension et segmentation automatique de tumeurs diffuses et infiltrantes appelées Gliomes Diffus de Bas Grade. Deux approches exploitant des connaissances a priori de l'ordre spatial et anatomique ont été proposées. Dans un premier temps, la construction d'un atlas probabiliste qui illustre les positions préférentielles des tumeurs dans le cerveau est présentée. Cet atlas représente un excellent outil pour l'étude des mécanismes associés à la genèse des tumeurs et fournit des indications sur la position probable des tumeurs. Cette information est exploitée dans une méthode de segmentation basée sur des champs de Markov aléatoires, dans laquelle l'atlas guide la segmentation et caractérise la position préférentielle de la tumeur. Dans un second temps, nous présentons une méthode pour la segmentation de tumeur et le recalage avec absence de correspondances simultanés. Le recalage introduit des informations anatomiques qui améliorent les résultats de segmentation tandis que la détection progressive de la tumeur permet de surmonter l'absence de correspondances sans l'introduction d'un à priori. La méthode est modélisée comme un champ de Markov aléatoire hiérarchique et à base de grille sur laquelle les paramètres de segmentation et recalage sont estimés simultanément. Notre dernière contribution est une méthode d'échantillonnage adaptatif guidé par les incertitudes pour de tels modèles discrets. Ceci permet d'avoir une grande précision tout en maintenant la robustesse et rapidité de la méthode. Le potentiel des deux méthodes est démontré sur de grandes bases de données de gliomes diffus de bas grade hétérogènes. De par leur modularité, les méthodes proposées ne se limitent pas au contexte clinique présenté et pourraient facilement être adaptées à d'autres problèmes cliniques ou de vision par ordinateur.
Type de document :
Thèse
Engineering Sciences [physics]. Ecole Centrale Paris, 2013. English
Liste complète des métadonnées

Littérature citée [176 références]  Voir  Masquer  Télécharger

https://tel.archives-ouvertes.fr/tel-00944541
Contributeur : Sarah Parisot <>
Soumis le : lundi 24 février 2014 - 17:04:35
Dernière modification le : mardi 5 février 2019 - 13:52:14
Document(s) archivé(s) le : samedi 24 mai 2014 - 10:40:37

Identifiants

  • HAL Id : tel-00944541, version 2

Collections

Citation

Sarah Parisot. Understanding, Modeling and Detecting Brain Tumors: Graphical Models and Concurrent Segmentation/Registration methods. Engineering Sciences [physics]. Ecole Centrale Paris, 2013. English. 〈tel-00944541v2〉

Partager

Métriques

Consultations de la notice

431

Téléchargements de fichiers

944