. .. , Extension à une translation et un facteur d'échelle, p.68

A. Proposé and .. .. Résultats,

. .. Données,

F. .. Algorithme,

. .. Résultats,

. .. Masquage-des-yeux,

. .. Conclusion, , vol.73, p.48

. , INSA Lyon, tous droits réservés Itération de Gauss-Newton, 2017.

. .. Descente-de-gradient,

.. .. Exemple-synthétique,

. , Contrainte inter-images sur les points de contrôle

. .. Conclusion,

. .. Processus,

.. .. Recalage-rigide,

.. .. Mise-en-correspondance-déformable,

. .. Jeux-de-données,

. .. Images,

. .. Comparaison-avec-ants, 114 5.3.2 Mesure d'erreur sur les points de repère anatomique

.. .. Ants-corrélation-croisée,

, ANTs-Information mutuelle-sous-échantillonnage d'un facteur 2, p.116

, ANTs-Information mutuelle-sous-échantillonnage d'un facteur 4, p.117

F. .. Notre-approche,

. Résultats,

A. C. Résultats-:-jeu-de-données,

. Résultats,

. .. Comportement-de-fgdr-pour-différents-jeux-de-données,

. , 132 6.2 Vers la mise en correspondance de 10 000 images

. , Application à la

. , Analyse de la qualité de la mise en correspondance

, Si l'on poursuit notre objectif initial de traiter les données provenant du PACS d'un hôpital, il est nécessaire de pouvoir passer à l'échelle : de 100 à plus de 10 000 images. Pour cela, il est nécessaire de développer des méthodes permettant de dépasser les limites actuelles de l'algorithme. Dans un second temps, nous présentons ici deux applications de notre méthode

C. Kéchichian,

, Afin de pouvoir traiter plusieurs dizaines de milliers d'images, il est donc nécessaire de trouver une solution pour paralléliser notre méthode et de rendre sa complexité linéaire. Les techniques d'apprentissage artificiel sont soumises aux mêmes contraintes et ont trouvé une solution en développant l'utilisation du gradient stochastique. Nous allons développer les perspectives d, Introduction Notre approche nécessite actuellement quelques heures pour mettre en correspondance une centaine d'images 3D

, Gradient stochastique Le gradient stochastique est une méthode largement utilisée dans les approches pour l'apprentissage [BOTTOU, 2010.

, Cette méthode consiste à effectuer des pas d'optimisation en n'utilisant qu'une partie des données disponibles, choisie aléatoirement. Les méthodes d'apprentissage actuelles n'utilisent généralement qu'un exemple à la fois

, ou des petits sous-ensembles de données ("batch learning"). Cela permet aussi de paralléliser le calcul, TSITSIKLIS et collab, 1986.

. , L'optimisation consiste donc à modifier les valeurs des champs de déformation afin de déplacer chaque point d'intérêt vers la moyenne des points (centre de gravité) avec lesquels il est appairé. Pour une itération donnée, avec un grand nombre d'images, cette moyenne tend à se stabiliser à une certaine valeur même si nous ajoutons ou supprimons un couple. Il ne semble pas nécessaire d'utiliser toutes les images pour construire ces moyennes pour une itération donnée. 1.1 Jeu de données contenant 400 images, Observation Si nous observons le comportement de notre approche FGDR avec un grand nombre d'images (>100), nous constatons que chaque point d'intérêt est appairé avec de nombreux points appartenant aux autres images

.. .. Une-mosaïque-d'images,

. , Fusion de modalités sur des images satellites

. , Assemblage d'images pour un rendu HDR

. , Reconnaissance et suivi d'objets basés sur un modèle 3D

.. .. Recalages-intra-et-inter-patients,

). .. Splines-(historique,

. , Fonctions de base des B-splines cubiques uniformes

. .. Fonctions-de-base-des-b-splines-cubiques-uniformes, 18 2.10 Exemple d'approximation par fonctions de base radiales gaussienne, p.21

.. .. Exemple-de-descente-de-gradient,

. Le-recalage-exhaustif and .. .. Le-recalage-en-Étoile,

. .. Recalage-en-Étoile,

. , Détection et mise en correspondance de points d'intérêt

. .. Pyramide-de-gaussienne,

, Approximation par bloc des dérivées secondes d'un noyau gaussien, p.37

. .. Ondelettes-de-haar,

. , Réponses des ondelettes de Haar au voisinage d'un point

. , Réponse du descripteur à différentes textures

.. .. Différents-m-estimateurs,

. , Exemple reconstruction 3D par ajustement de faisceaux

, Différence entre une distribution Gaussienne et une distribution à queue lourde, p.44

, Schéma du processus complet de l'extraction de points d'intérêt par SURF 3D, p.49

, Schéma de la localité utilisée pour la description d'un point d'intérêt SURF3D, p.53

. Schéma and F. .. De,

, Exemple d'extraction de points d'intérêt SURF sur une image médicale, p.55

. , Extraction des points d'intérêt de 2 images 3D

. .. , Exemple de mise en correspondance, avec paires de points d'intérêt, p.59

, Expérimentation FPR avec estimation uniquement de la translation, p.60

F. .. Autre-exemple-de-mises-en-correspondance, , p.61

. , Schéma d'extraction et d'appariement des points d'intérêt

. Recalage, sans référence" par graphe complet

. , Exemple de recalage rigide de groupes avec 3 images

, Positions reconstruites en utilisant notre approche sur le problème décrit figure 3.11, p.65

. .. , Exemple avec 27 images 3D obtenues par tomographie à rayon X, p.66

. .. , Exemple problématique de recalage avec 3 images hétérogènes, p.67

. , Exemple de la figure 3.13, en utilisant l'élagage du graphe

F. .. Schéma-de-l'approche,

. , Temps de calcul en fonction du nombre d'images

. , La même vue que la figure 1.1 après recalage

. , Masquage des yeux appliqués à des images CT

. , Exemple de parcimonie induite par l'ajustement de faisceaux

. , Différentes structures des champs de

.. .. Schéma-illustrant-l'erreur,

. , Distribution synthétique des vrais et faux positifs

, Comparaison des fonctions de pondération avec les mêmes données réelles, p.93

R. Courbe and E. .. Pondération,

. .. Exemple-de-dérive,

. .. Exemple-de-minimisation,

.. .. Exemple-de-données-de-synthèse,

. , Exemple de régularisation sur deux points de contrôle

. , 103 4.18 Positions finales avec une régularisation du déplacement des points de contrôle, p.104

. , Exemple de régularisation sur un couple apparié

. .. , 106 4.21 Positions finales avec une régularisation sur les couples appairés, Résultat de l'optimisation sur les couples appairés avec trois points d'intérêt

, Histogramme du nombre moyen d'appariements pour un point d'intérêt, p.107

. .. Contrôle, 107 4.24 Positions finales avec une contrainte inter-images sur les points de contrôle, Exemple de contrainte inter-images sur les points de, p.108

A. Illustration-des-jeux-de-données and C. .. ,

, Résultats des différentes approches pour les 20 images du jeu de données A, p.118

. Comparaison and . .. Ants,

. , Convergence du critère de minimisation et distance moyenne

. Points-de-repère-du and . .. Dans-le-même-repère, , p.120

, Squelettes extraits lors de la mise en correspondance des 20 images du groupe B, p.122

, Résultats des différentes approches pour les 20 images corps entiers du groupe B, p.123

, Images moyennes des différentes approches pour les 20 images du groupe A+C, p.125

, Image moyenne issue de notre approche BFGR avec les 103 images des groupes A+B+C 126

. .. , Deux exemples d'itérations de l'optimisation par sous-ensembles, p.133

. , Étapes de la segmentation multi-atlas

, Résultat de l'étape de recalage déformable dans le cadre de la segmentation multi-atlas, p.135

.. .. Image-moyenne,

.. .. Images-moyennes-dont-le-bassin-est-extrait, , vol.137, p.142

F. .. , 126 5.2 Nombre d'appariements par image et temps de calcul de notre algorithme, INSA Lyon, tous droits réservés Liste des tableaux 2.1 Classification

A. Insa-lyon, R. , S. Valette, L. Fanton, P. Croisille et al., «Hubless 3d medical image bundle registration», dans VISAPP 2016 11th Joint Conference on Computer Vision, vol.3, pp.265-272, 2016.

A. , R. , S. Valette, L. Fanton, P. Croisille et al., «Recalage massif d'images 3d», dans GDR Madics, 2016.

A. , R. , S. Valette, R. Kéchichan, and R. P. , «Hubless 3d medical image bundle registration», soumis à IEEE Transactions on Image Processing, p.77, 2017.

A. , A. , R. Ortiz, and P. Vandergheynst, «Freak : Fast retina keypoint», dans Computer vision and pattern recognition (CVPR), vol.34, pp.510-517, 2012.

A. , S. , J. J. Kim, S. L. Breen, D. A. Jaffray et al., «Full orientation invariance and improved feature selectivity of 3d sift with application to medical image analysis», dans Computer Vision and Pattern Recognition Workshops, 2008. CVPRW'08, IEEE Computer Society Conference on, vol.45, p.49, 2008.

A. , D. , C. Dulong, D. Filip, C. Frueh et al., Computer, vol.43, p.33, 2010.

A. , N. , N. Dyn, D. Reisfeld, and Y. Yeshurun, «Image warping by radial basis functions : Application to facial expressions», vol.56, pp.161-172, 1994.

A. , J. Et, and K. J. Friston, Statistical parametric mapping : The analysis of functional brain images, «Rigid body registration», vol.14, pp.49-62, 2007.

A. , J. Et, and K. J. Friston, «Diffeomorphic registration using geodesic shooting and gauss-newton optimisation», vol.55, pp.954-967, 2011.

A. , B. , C. Epstein, M. Grossman, and J. Gee, «Symmetric diffeomorphic image registration with cross-correlation : Evaluating automated labeling of elderly and neurodegenerative brain», Medical Image Analysis, vol.12, issue.1, p.114, 2008.

B. , R. Et, and S. Kova?kova?, «Multiresolution elastic matching», Computer vision, graphics, and image processing, vol.46, pp.1-21, 1989.

B. , A. , D. Pizarro, and M. L. , «Stratified generalized procrustes analysis», International journal of computer vision, vol.101, issue.2, pp.227-253, 2013.

B. , H. , A. Ess, T. Tuytelaars, and L. Van-gool, «Speeded-up robust features (surf)», Computer vision and image understanding, vol.110, pp.346-359, 2008.

B. , H. , T. Tuytelaars, and L. Van-gool, «Surf : Speeded up robust features», dans Computer vision-ECCV, vol.34, p.55, 2006.

B. and J. L. , «Multidimensional binary search trees used for associative searching», Communications of the ACM, vol.18, issue.9, pp.509-517, 1975.

A. C. Berg, T. L. Berg, and J. M. , «Shape matching and object recognition using low distortion correspondences», dans Computer Vision and Pattern Recognition, IEEE Computer Society Conference on, vol.1, pp.26-33, 2005.

B. , P. J. , and N. D. Mckay, «Method for registration of 3-d shapes», dans Robotics-DL tentative, International Society for Optics and Photonics, pp.586-606, 1992.

B. and F. L. , «Principal warps : Thin-plate splines and the decomposition of deformations», IEEE Transactions, vol.11, issue.6, pp.567-585, 1989.

B. and F. L. , «Thin-plate splines and the atlas problem for biomedical images», dans Biennial International Conference on Information Processing in Medical Imaging, vol.20, pp.326-342, 1991.

B. and L. , «Large-scale machine learning with stochastic gradient descent», dans Proceedings of COMPSTAT'2010, vol.132, pp.177-186, 2010.

B. , M. Et, and C. G. , «Fast fluid registration of medical images», dans Visualization in Biomedical Computing, vol.15, pp.265-276, 1996.

B. and C. , «Optimal registration of deformed images», p.15, 1981.

L. G. Brown, «A survey of image registration techniques», ACM Comput. Surv, vol.24, pp.325-376, 1992.

B. and F. , Contributions to Parametric Image Registration and 3D Surface Reconstruction, thèse de doctorat, vol.15, p.18, 2010.

C. , P. Et, and X. P. , «3d non-rigid registration by gradient descent on a gaussian-windowed similarity measure using convolutions», dans, Mathematical Methods in Biomedical Image Analysis, vol.15, pp.182-189, 2000.

C. , M. , V. Lepetit, C. Strecha, and P. F. , «Brief : Binary robust independent elementary features», Computer Vision-ECCV 2010, vol.34, pp.778-792, 2010.

C. , R. , S. Lawrence, and L. G. , «Overfitting in neural nets : Backpropagation, conjugate gradient, and early stopping», dans NIPS, vol.120, pp.402-408, 2000.

C. , W. Et, and G. Hamarneh, «N-sift : N-dimensional scale invariant feature transform for matching medical images», dans Biomedical Imaging : From Nano to Macro, 4th IEEE International Symposium on, vol.45, p.49, 2007.

C. , Y. Et, and S. L. , «Injectivity conditions of 2d and 3d uniform cubic b-spline functions», Graphical models, vol.62, issue.6, pp.411-427, 2000.

C. , G. E. , S. C. Joshi, and M. I. Miller, «Volumetric transformation of brain anatomy», IEEE transactions on medical imaging, vol.16, issue.6, pp.864-877, 1997.

C. , G. E. , R. D. Rabbitt, and M. I. Miller, «Deformable templates using large deformation kinematics», IEEE transactions on image processing, vol.5, issue.10, pp.1435-1447, 1996.

. Insa-lyon, B. Tous-droits-réservés, D. Cohen-or, O. Et, and . Sorkine, «Encoding meshes in differential coordinates», dans SCCG06) Proceedings of the 22nd Spring Conference on Computer Graphics, vol.64, p.65, 2006.

C. , T. F. , C. J. Twining, V. S. Petrovic, K. O. Babalola et al., «Computing accurate correspondences across groups of images», IEEE transactions on pattern analysis and machine intelligence, vol.32, 1994.

C. , N. Et, and D. M. Hawkins, «Robust estimation of the variogram : I», Journal of the International Association for Mathematical Geology, vol.12, issue.2, p.41, 1980.

D. , R. , J. Li, and J. Z. Wang, «Content-based image retrieval : approaches and trends of the new age», dans Proceedings of the 7th ACM SIGMM international workshop on Multimedia information retrieval, vol.34, pp.253-262, 2005.

D. and C. , «Spatial transformation and registration of brain images using elastically deformable models», Computer Vision and Image Understanding, vol.66, issue.2, pp.207-222, 1997.

C. De-boor, A practical guide to splines, vol.27, p.15, 1978.

D. , O. , F. Bach, I. Kweon, and J. Ponce, «A tensor-based algorithm for high-order graph matching», IEEE transactions on pattern analysis and machine intelligence, vol.33, pp.2383-2395, 2011.

D. , P. , U. Grenander, and M. I. Miller, «Variational problems on flows of diffeomorphisms for image matching», Quarterly of applied mathematics, vol.15, pp.587-600, 1998.

D. , S. , X. Pennec, A. Trouvé, P. Thompson et al., «Inferring brain variability from diffeomorphic deformations of currents : an integrative approach», Medical image analysis, vol.12, issue.5, pp.626-637, 2008.

D. , H. , C. P. Cheung, and A. Godil, 2012, «Evaluation of 3d interest point detection techniques via human-generated ground truth», The Visual Computer, vol.28, issue.9, pp.901-917

E. , P. H. , and B. D. Marx, «Flexible smoothing with b-splines and penalties», Statistical science, vol.16, p.83, 1996.

F. , B. Et, and J. M. , «Curvature based image registration», Journal of Mathematical Imaging and Vision, vol.18, issue.1, pp.81-85, 2003.

F. , B. Et, and J. Modersitzki, «Ill-posed medicine-an introduction to image registration», Inverse Problems, vol.24, issue.3, p.10, 2008.

F. , M. A. , and R. C. Bolles, «Random sample consensus : a paradigm for model fitting with applications to image analysis and automated cartography», Communications of the ACM, vol.24, issue.6, p.29, 1981.

F. , B. Et, and J. M. , «Fast diffusion registration, ams contemporary mathematics : inverse problems'», vol.313, pp.117-129, 2002.

F. , J. , P. Fite-georgel, D. Gallup, T. Johnson et al., «Building rome on a cloudless day», dans Computer Vision-ECCV 2010, vol.43, pp.368-381, 2010.

F. , A. , R. Agier, R. Prost, R. Kéchichan et al., «Anatomie computationnelle : Quelles perspectives en anthropologie médico-légale ?», dans 50ème congrès international francophone de Médecine Légale, vol.136, p.138, 2017.

G. , R. , M. Farenzena, and A. Fusiello, «Improving the efficiency of hierarchical structure-and-motion», dans Computer Vision and Pattern Recognition (CVPR), 2010 IEEE Conference on, vol.43, pp.1594-1600, 2010.

G. , B. , N. Komodakis, N. Paragios, and N. N. , «Approximated curvature penalty in non-rigid registration using pairwise mrfs», dans International Symposium on Visual Computing, vol.15, pp.1101-1109, 2009.

G. and C. , «Procrustes methods in the statistical analysis of shape», Journal of the Royal Statistical Society. Series B, vol.22, pp.285-339, 1991.

G. , N. I. , and S. L. , «An introduction to algorithms for nonlinear optimization», dans Frontiers in numerical analysis, vol.27, pp.109-197, 2003.

G. and A. , «An introduction to wavelets», IEEE computational science and engineering, vol.2, issue.2, pp.50-61, 1995.

H. , W. W. , and H. Zhang, «A survey of nonlinear conjugate gradient methods», Pacific journal of Optimization, vol.2, issue.1, pp.35-58, 2006.

H. , J. , C. Davatzikos, and R. Verma, «Efficient large deformation registration via geodesics on a learned manifold of images», dans International Conference on Medical Image Computing and Computer-Assisted Intervention, vol.33, pp.680-687, 2009.

H. , C. Et, and M. Stephens, dans Alvey vision conference, vol.15, p.35, 1988.

H. , R. Et, and A. Zisserman, Multiple view geometry in computer vision, vol.8, p.14, 2003.

H. , D. L. , P. G. Batchelor, M. Holden, and D. J. Hawkes, «Medical image registration», vol.46, p.30, 2001.

H. , D. C. , F. Mosteller, and J. W. Tukey, Understanding robust and exploratory data analysis, vol.3, 1983.

H. , P. W. , and R. E. Welsch, «Robust regression using iteratively reweighted least-squares», Communications in Statistics-theory and Methods, vol.6, issue.9, p.97, 1977.

H. , B. , W. Wang, M. Bates, and X. Z. , «Three-dimensional super-resolution imaging by stochastic optical reconstruction microscopy», Science, vol.319, issue.10, pp.810-813, 2008.

H. and P. J. , Robust statistics, vol.41, p.86, 2011.

H. and P. J. , «Robust estimation of a location parameter», The Annals of Mathematical Statistics, vol.35, issue.1, pp.73-101, 1964.

I. , J. E. , and M. R. Sabuncu, «Multi-atlas segmentation of biomedical images : A survey», Medical Image Analysis, vol.24, issue.1, p.134, 2015.

J. , H. , R. Kéchichian, M. Desvignes, R. Prost et al., «A web interface for 3d visualization and interactive segmentation of medical images», dans 17th International Conference on 3D Web Technology, pp.51-58, 2012.

, INSA Lyon, tous droits réservés BIBLIOGRAPHIE JIAN, B. et B. C. VEMURI. 2011, «Robust point set registration using gaussian mixture models», IEEE Transactions on Pattern Analysis and Machine Intelligence, vol.33, issue.8, pp.1633-1645, 2017.

J. , S. , B. Davis, M. Jomier, and G. G. , NeuroImage, vol.23, p.31, 2004.

K. , N. , E. Di, J. Bernardo, L. Ostrowski et al., «The vslam algorithm for robust localization and mapping», dans Robotics and Automation, 2005. ICRA 2005. Proceedings of the 2005 IEEE International Conference on, vol.33, p.43, 2005.

K. , P. J. , S. Joshi, S. S. Vedam, J. V. Siebers et al., «Fourdimensional radiotherapy planning for dmlc-based respiratory motion tracking», Medical physics, vol.32, issue.4, pp.942-951, 2005.

K. , R. , S. Valette, and M. D. , «Automatic multiorgan segmentation using hierarchically registered probabilistic atlases», dans Cloud-Based Benchmarking of Medical Image Analysis, vol.132, p.135, 2017.

K. , R. , S. Valette, M. Sdika, and M. D. , «Automatic 3d multiorgan segmentation via clustering and graph cut using spatial relations and hierarchically-registered atlases», dans Medical Computer Vision : Algorithms for Big Data, Lecture Notes in Computer Science, vol.34, p.77, 2014.

K. , S. , M. Staring, and J. P. Pluim, «Evaluation of optimization methods for nonrigid medical image registration using mutual information and b-splines», IEEE transactions on image processing, vol.16, p.26, 2007.

K. , N. , N. Paragios, and G. T. , «Mrf energy minimization and beyond via dual decomposition», IEEE transactions on pattern analysis and machine intelligence, vol.33, pp.531-552, 2011.

K. , J. Et, and M. U. , «Fast parametric elastic image registration», IEEE transactions on image processing, vol.12, issue.11, pp.1427-1442, 2003.

L. , G. , A. Hanbury, B. Menze, and H. M. , «Visceral : Towards large data in medical imaging-challenges and directions», dans Proceedings of the Third MICCAI International Conference on Medical Content-Based Retrieval for Clinical Decision Support, vol.12, p.111, 2013.

L. , A. M. , F. Lumbreras, J. Serrat, and J. J. Villanueva, «Evaluation of methods for ridge and valley detection», IEEE Transactions on Pattern Analysis and Machine Intelligence, vol.21, issue.4, pp.327-335, 1999.

L. , J. M. , R. Wolz, J. R. Koikkalainen, L. Thurfjell et al., «Fast and robust multi-atlas segmentation of brain magnetic resonance images», vol.49, pp.2352-2365, 2010.

L. and D. G. , «Object recognition from local scale-invariant features», dans Computer vision, The proceedings of the seventh IEEE international conference on, vol.2, p.38, 1999.

M. , F. , A. Collignon, D. Vandermeulen, G. Marchal et al., «Multimodality image registration by maximization of mutual information», IEEE transactions on medical imaging, vol.16, issue.2, pp.187-198, 1997.

M. , J. A. , and M. A. Viergever, «A survey of medical image registration», Medical image analysis, vol.2, issue.1, pp.1-36, 1998.

M. , S. , V. Daanen, and J. Troccaz, «Atlas-based prostate segmentation using an hybrid registration», International Journal of Computer Assisted Radiology and Surgery, vol.3, issue.6, pp.485-492, 2008.

M. , R. S. , J. G. Carbonell, and T. M. Mitchell, Machine learning : An artificial intelligence approach, p.30, 2013.

M. , K. Et, and C. Schmid, «A performance evaluation of local descriptors», IEEE transactions on pattern analysis and machine intelligence, vol.27, p.55, 2005.

M. and T. K. , «The expectation-maximization algorithm», IEEE Signal processing magazine, vol.13, issue.6, pp.47-60, 1996.

M. and J. J. , «The levenberg-marquardt algorithm : implementation and theory», dans Numerical analysis, vol.26, pp.105-116, 1978.

M. , P. , J. Bruzek, F. Houët, and E. Cunha, «Dsp : a tool for probabilistic sex diagnosis using worldwide variability in hip-bone measurements», Bulletins et Mémoires de la Société d, vol.136, pp.167-176, 2005.

N. , V. , C. Heinrich, F. Heitz, and J. Armspach, 2012, «An efficient incremental strategy for constrained groupwise registration based on symmetric pairwise registration», Pattern Recognition Letters, vol.33, issue.3, p.31

O. and S. M. , «Five balltree construction algorithms», cahier de recherche, vol.80, 1989.

P. , X. , N. Ayache, and J. Thirion, «Landmark-based registration using features identified through differential geometry», p.33, 2000.

P. , J. , O. Chum, M. Isard, J. Sivic et al., «Object retrieval with large vocabularies and fast spatial matching», dans Computer Vision and Pattern Recognition, pp.1-8, 2007.

P. and L. , «Automatic early stopping using cross validation : quantifying the criteria», Neural Networks, vol.11, issue.4, pp.761-767, 1998.

P. , W. H. , S. A. Teukolsky, W. T. Vetterling, and B. P. Flannery, Numerical recipes in C, vol.2, p.25, 1982.

R. , J. , N. Chen, and L. Chen, «True orthophoto generation of built-up areas using multiview images», Photogrammetric Engineering and Remote Sensing, vol.68, issue.6, pp.581-588, 2002.

R. , A. , G. Malandain, and N. A. , Unifying maximum likelihood approaches in medical image registration, 1999.
URL : https://hal.archives-ouvertes.fr/inria-00072923

R. , T. , R. Brandt, R. Menzel, and C. R. Maurer, «Evaluation of atlas selection strategies for atlas-based image segmentation with application to confocal microscopy images of bee brains», NeuroImage, vol.21, issue.4, pp.1428-1442, 2004.

R. , E. , V. Rabaud, K. Konolige, and G. Bradski, «Orb : An efficient alternative to sift or surf», dans Computer Vision (ICCV), 2011 IEEE international conference on, pp.2564-2571, 2011.

R. , S. Et, and M. L. , «Efficient variants of the icp algorithm», dans 3-D Digital Imaging and Modeling, pp.145-152, 2001.

S. , R. I. , C. Frost, R. Jenkins, J. L. Whitwell et al., «A longitudinal study of brain volume changes in normal aging using serial registered magnetic resonance imaging», Archives of neurology, vol.60, issue.7, pp.989-994, 2003.

S. and D. F. , «Conditioning of quasi-newton methods for function minimization», Mathematics of computation, vol.24, issue.111, pp.647-656, 1970.

S. , A. , C. Davatzikos, and N. P. , «Deformable medical image registration : A survey», IEEE Transactions on, vol.32, issue.7, pp.1153-1190, 2013.

S. U. , L. , B. P. Vagvolgyi, R. Agarwal, C. E. Reiley et al., «Augmented reality during robot-assisted laparoscopic partial nephrectomy : toward real-time 3d-ct to stereoscopic video registration», vol.73, pp.896-900, 2009.

S. , I. , J. Martens, G. Dahl, and G. Hinton, «On the importance of initialization and momentum in deep learning», dans International conference on machine learning, vol.27, p.132, 2013.

T. and J. , «The extremal mesh and the understanding of 3d surfaces», International Journal of Computer Vision, vol.19, issue.2, pp.115-128, 1996.

T. and J. , «Image matching as a diffusion process : an analogy with maxwell's demons», Medical image analysis, vol.2, issue.3, pp.243-260, 1998.

T. , P. M. , D. Macdonald, M. S. Mega, C. J. Holmes et al., TOGA. 1997, «Detection and mapping of abnormal brain structure with a probabilistic atlas of cortical surfaces», Journal of computer assisted tomography, vol.21, issue.4, pp.567-581

T. , B. , P. F. Mclauchlan, R. I. Hartley, and A. W. Fitzgibbon, «Bundle adjustmenta modern synthesis», dans Vision algorithms : theory and practice, vol.10, p.44, 2000.

T. , J. , D. Bertsekas, and M. A. , «Distributed asynchronous deterministic and stochastic gradient optimization algorithms», IEEE transactions on automatic control, vol.31, issue.9, pp.803-812, 1986.

U. , J. Et, and A. Conci, «Measuring similarity in medical registration», dans IWSSIP 17th International Conference on Systems, Signals and Image Processing, vol.21, 2010.

U. and S. , «Least-squares estimation of transformation parameters between two point patterns», IEEE Transactions, vol.13, issue.4, pp.376-380, 1991.

M. Vaillant and J. G. Et, «Surface matching via currents», dans Information processing in medical imaging, pp.1-5, 2005.

W. and G. , Spline models for observational data, 1990.

W. and R. W. , «Quasi-likelihood functions, generalized linear models, and the gauss-newton method», Biometrika, vol.61, issue.3, p.97, 1974.

. Insa-lyon, W. M. Wells, P. Viola, H. Atsumi, S. Nakajima et al., «Multi-modal volume registration by maximization of mutual information», Medical image analysis, vol.1, issue.1, pp.35-51, 1996.

W. and A. , «Scale-space filtering : A new approach to multi-scale description», dans Acoustics, Speech, and Signal Processing, vol.9, pp.150-153, 1984.

W. U. , G. , H. Jia, Q. Wang, and D. Shen, «Sharpmean : groupwise registration guided by sharp mean image and tree-based registration», NeuroImage, vol.56, issue.4, p.33, 2011.

W. U. , G. , Q. Wang, H. Jia, and D. Shen, «Feature-based groupwise registration by hierarchical anatomical correspondence detection», Human brain mapping, vol.33, issue.2, p.105, 2012.

W. , H. , D. Stricker, and J. Herder, «Tracking of industrial objects by using cad models», Journal of Virtual Reality and Broadcasting, vol.4, issue.1, p.9, 2007.

X. U. , Z. , C. P. Lee, M. P. Heinrich, M. Modat et al., «Evaluation of six registration methods for the human abdomen on clinically acquired ct», IEEE Transactions on Biomedical Engineering, vol.63, issue.8, p.77, 2016.

Y. U. , T. , O. J. Woodford, and R. Cipolla, «A performance evaluation of volumetric 3d interest point detectors», International journal of computer vision, vol.45, pp.1-18, 2013.

Z. , L. Et, and A. G. , «A comparative study of transformation functions for nonrigid image registration», IEEE transactions on image processing, vol.15, issue.3, p.82, 2006.

Z. , L. , E. Learned-miller, E. Grimson, and W. W. , «Efficient population registration of 3d data», dans International Workshop on Computer Vision for Biomedical Image Applications, vol.2, p.30, 2005.

Z. , K. H. , S. K. Warfield, A. Bharatha, C. M. Tempany et al., «Statistical validation of image segmentation quality based on a spatial overlap index 1 : Scientific reports», Academic radiology, vol.11, issue.2, pp.178-189, 2004.

F. .. Administratif,

T. .. ,

S. .. ,

D. .. ,

L. .. ,

N. .. ,

D. .. ,

. .. Sciences,

A. .. ,

D. .. ,

L. Soutenance,

, Prénom : Rémi TITRE : Recalage de groupes d'images médicales 3D par extraction de points d'intérêt, NATURE : Doctorat Numéro, pp.2017-093

, Une première contribution effectue le recalage rigide de groupes d'images. La première étape calcule les recalages de toutes les paires d'images. En s'appuyant sur le graphe complet de ces recalages, nous formulons le problème global en utilisant l'opérateur laplacien. Des expérimentations avec 400 images scanner CT 3D hétérogènes illustrent la robustesse de notre méthode et sa vitesse d'exécution. Une seconde contribution calcule le recalage déformable de groupes d'images. Nous utilisons des demi-transformations, paramétrées par des pyramides de B-splines, entre chaque image et un espace commun. Des comparaisons sur un jeu de données de référence montrent que notre approche est compétitive avec la littérature tout en étant beaucoup plus rapide. Ces résultats montrent le potentiel des approches basées sur des points d, Les imageurs des hôpitaux produisent de plus en plus d'images 3D et il y a un nombre croissant d'études de cohortes. Afin d'ouvrir la voie à des méthodes utilisant de larges bases de données, il est nécessaire de développer des approches permettant de rendre ces bases cohérentes en recalant les images