Show simple item record

dc.contributor.advisorCohen, Laurent David
dc.contributor.authorPrevost, Raphaël
dc.date.accessioned2014-02-11T09:43:12Z
dc.date.available2014-02-11T09:43:12Z
dc.date.issued2013-10
dc.identifierhttp://basepub.dauphine.fr/theses/2013PA090029
dc.identifier
dc.identifierhttp://tel.archives-ouvertes.fr/tel-00932995
dc.identifierhttp://www.theses.fr/2013PA090029
dc.identifier2013PA090029
dc.identifier.urihttps://basepub.dauphine.fr/handle/123456789/12616
dc.description.abstractfrLa segmentation d’images médicales est depuis longtemps un sujet de recherche actif. Cette thèse traite des méthodes de segmentation basées modèles, qui sont un bon compromis entre généricité et capacité d’utilisation d’informations a priori sur l’organe cible. Notre but est de construire un algorithme de segmentation pouvant tirer profit d’une grande variété d’informations extérieures telles que des bases de données annotées (via l’apprentissage statistique), d’autres images du même patient (via la co-segmentation) et des interactions de l’utilisateur. Ce travail est basé sur la déformation de modèle implicite, une méthode variationnelle reposant sur une représentation implicite des formes. Après avoir amélioré sa formulation mathématique, nous montrons son potentiel sur des problèmes cliniques difficiles. Nous introduisons ensuite différentes généralisations, indépendantes mais complémentaires, visant à enrichir le modèle de forme et d’apparence utilisé. La diversité des applications cliniques traitées prouve la généricité et l’efficacité de nos contributions.en
dc.languagefr
dc.language.isofren
dc.subjectSegmentation d'imageen
dc.subjectImagerie médicaleen
dc.subjectMéthodes basées modèlesen
dc.subjectMéthodes variationnellesen
dc.subjectApprentissage statistiqueen
dc.subjectReinen
dc.subjectMyocardeen
dc.subjectÉchographieen
dc.subjectÉchographie de contrasteen
dc.subjectImage segmentationen
dc.subjectMedical imagingen
dc.subjectModel-based methodsen
dc.subjectVariational methodsen
dc.subjectStatistical learningen
dc.subjectKidneyen
dc.subjectMyocardiumen
dc.subjectUltrasounden
dc.subjectContrast-enhanced ultrasounden
dc.subject.ddc519en
dc.titleMéthodes variationnelles pour la segmentation d'images à partir de modèles : applications en imagerie médicaleen
dc.title.alternativeVariational methods for model-based image segmentation - applications in medical imagingen
dc.typeThèseen
dc.subject.classificationrameauTraitement d'images
dc.subject.classificationrameauImagerie médicale
dc.subject.classificationrameauMyocarde
dc.subject.classificationrameauÉchocardiographie
dc.subject.classificationrameauAlgorithmes
dc.subject.classificationrameauCalcul des variations
dc.description.abstractenWithin the wide field of medical imaging research, image segmentation is one of the earliest but still open topics. This thesis focuses on model-based segmentation methods, which achieve a good trade-off between genericity and ability to carry prior information on the target organ. Our goal is to build an efficient segmentation framework that is able to leverage all kinds of external information, i.e. annotated databases via statistical learning, other images from the patient via co-segmentation and user input via live interactions. This work is based on the implicit template deformation framework, a variational method relying on an implicit representation of shapes. After improving the mathematical formulation of this approach, we show its potential on challenging clinical problems. Then, we introduce different generalizations, all independent but complementary, aimed at enriching both the shape and appearance model exploited. The diversity of the clinical applications addressed shows the genericity and the effectiveness of our contributions.en
dc.identifier.citationpages213en
dc.identifier.theseid2013PA090029en
dc.subject.ddclabelProbabilités et mathématiques appliquées
dc.rights.intranetnonen


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record