Télécharger La thèse :

Titre: Gestion de la synchronisation des atlas anatomiques pour la segmentation des images IRM cérébrale

Domaine: Mathématiques informatique (MI)

Filière: Informatique

Option: INFORMATIQUE

Auteur: OULD KRADDA Ali

Soutenu (e) le: 18/01/2022

Sous la direction de: GHOMARI Abdelghani, Professeur, Université Oran 1

Co-directeur:BINCZAK Stéphane, Professeur, Université Bourgogne

Le président du jury : HAMDADOU Djamila, Professeur, Université Oran 1

Examinateur1: BELMADANI Abderrahim, Professeur, USTO MB

Examinateur2: DEBBAT Fatima, Professeur, Université MASCARA

Examinateur3: SAYAH Mohammed, MCA, Université Oran 1

Mention: Très Honorables

Résumé:

Bien que la segmentation multi-atlas anatomiques (AMAS) a connu de nombreux succès dans le domaine de l'imagerie médicale, l’utilisation des méthodes de multi-atlas anatomiques s'est avérée être l'une des techniques les plus compétitives pour la segmentation d'images cérébrales. Le multi-atlas représente une base d’images segmentées et étiquetées par une communauté d’experts. La majorité des méthodes de (AMAS) reposent sur les critères de similarité et la ressemblance des images visuelles pour sélectionner un groupe d’atlas le plus représentatif avec l’image du patient à segmenter, cependant ce critère n’est pas obligatoirement lié aux performances de la segmentation. Notre contribution principale dans cette thèse consiste à proposer un nouveau concept de présélection d’un groupe d’atlas anatomique fondé sur l’apprentissage automatique à l’aide d’un descripteur local adapté pour choisir les meilleurs atlas qui permettent éventuellement de guider à une segmentation efficace et plus précise des tissus cérébraux (matière grise, matière blanche et le liquide céphalo-rachidien). Ainsi, l'extension de la contribution de cette thèse permet une segmentation rapide et fiable avec un recalage uniquement affine sans passer par certaines phases de prétraitement. La méthode proposée a été expérimentée sur des images cérébrales réelles de modalité IRM. Nous avons évalué l’efficacité et le rendement de notre approche proposée selon trois descripteurs locaux : SIFT, SURF et LTEMA. En outre, nous avons effectué une étude comparative avec une méthode de recalage, qui a montré l’amélioration et l’efficacité apportée par notre approche proposée. Les résultats obtenus sont satisfaisants et prometteurs et montrent une amélioration significative, ce qui rend ce descripteur recommandé pour les techniques de segmentation. D'autre part, le fonctionnement du système cérébral est à ce jour un mystère et n'est pas entièrement compris, aussi la segmentation des éléments qui le constituent est d'un grand intérêt médical. Ainsi, nous présentons, évaluons et mettons à disposition une approche (AMAS) pour la segmentation automatique de l'image (TEP) du cerveau humain en combinant à la fois les informations fournies par le volume (TEP) à segmenter et la connaissance préalable du volume (IRM) fournie sous forme de multi-anatomique. Les performances de cette méthode sont également comparables à celles de l'extraction d'un seul atlas, ainsi qu'aux méthodes multi-atlas pour améliorer la précision de la région d'intérêt. Ainsi, nous avons obtenu une amélioration significative après avoir incorporé l'approche (AMAS).


Mots clefs: Segmentation ; Multi Atlas Anatomique ; IRM Cérébrale ; Descripteur de Texture Locale ; LTSPM ; Apprentissage Automatique ; Mise en Correspondance ;Recalage ; TEP/IRM ; AMAS.