Modèles structurels flous et propagation de contraintes pour la segmentation et la reconnaissance d'objets dans les images (application aux structures normales et pathologiques du cerveau en IRM)

Le cerveau présente une structure complexe. La segmentation et la reconnaissance automatique de ses sous-structures dans des IRM cérébrales est délicate et nécessite donc l'utilisation d'un modèle de l'anatomie. L'utilisation d'atlas iconiques est efficace pour traiter les données de sujets sains mais son adaptation au traitement de cas pathologiques reste problématique. Dans cette thèse nous utilisons un modèle symbolique de l'anatomie proche des descriptions linguistiques qui comprend les principales structures cérébrales. L'agencement spatial de ces structures y est représenté sous forme de relations spatiales et leur apparence est caractérisée par des relations sur leur contraste. Réaliser la reconnaissance grâce à ce modèle structurel consiste à obtenir pour chaque structure une région de l'image vérifiant les relations et caractéristiques portées par le modèle. Nous formulons ce problème comme un réseau de contraintes dont les variables sont les régions recherchées représentées sous forme d'ensembles flous. Les contraintes sont déduites du modèle en tirant parti de modélisations floues. Une contribution nouvelle porte sur la contrainte de connexité et la proposition de définitions et algorithmes adaptés au cas flou présentant de bonnes propriétés. Nous mettons alors en œuvre un algorithme de propagation de contraintes qui itérativement réduit l'espace de solutions. Enfin nous obtenons un résultat pour certaines structures d'intérêt par l'extraction d'une surface minimale relativement aux résultats de l'algorithme de propagation. Nous appliquons cette approche aux structures internes du cerveau chez des sujets sains. Finalement nous étendons ce processus au traitement de données de patients présentant une tumeur. Le modèle générique ne correspondant plus aux données à reconnaître, nous proposons un algorithme de propagation recherchant à la fois le modèle spécifique au patient et les structures anatomiques.The anatomy of brain is complex. Therefore the fully automatic segmentation and recognition of its relevant subparts in brain MRI is a challenging task. It is usually done using a model of anatomy. In this thesis we use a symbolic model of anatomy, close to linguistic descriptions. It includes the main brain structures and some of their properties.Their spatial layout is encoded as spatial relations and their appearance is represented as relations on their contrast. We use this structural model to perform the recognition : we have to obtain for each anatomical structure a region of the image that fulfils all relations and characteristics of the model. We formulate this problem as a constraint network whose variables are the sought regions represented as fuzzy sets. The constraints are derived from the model using fuzzy modeling. In particular to obtain the connectivity constraint, we propose a new definition (and the associated algorithms) for the connectivity of fuzzy sets.Then we implement a constraint propagation algorithm which iteratively reduces the solution space. Once the solution space has been reduced, we obtain a final result for some structures. We extract a minimal surface with respect to the outputs of the propagation algorithm. We apply this approach to brain internal structures of healthy subjects. Finally we propose an extension to handle cases that present brain tumors. The generic model of anatomy does not fit anymore the data to be recognized. Therefore we propose a propagation algorithm that searches simultaneously for the specific model of the patient for the anatomical structures.PARIS-Télécom ParisTech (751132302) / SudocSudocFranceF