Modèles, primitives et méthodes de suivi pour la segmentation vasculaire (application aux coronaires en imagerie tomodensitométrique 3D)

La segmentation des structures vasculaires dans les images médicales est une étape complexe mais fondamentale pour l aide au diagnostic et au traitement. Dans ce contexte, les techniques de traitement d images facilitent la tâche des experts médicaux en minimisant les interactions manuelles tout en réduisant la variabilité inter-opérateurs. Nous présentons tout d abord un état de l art des méthodes de segmentation vasculaire 3D organisé suivant trois axes: modèles géométriques et d apparence, primitives extraites des images et schémas d extraction. Nos travaux se focalisent sur une problématique particulièrement complexe, la segmentation des artères coronaires en imagerie tomodensitométrique 3D. Nous proposons un modèle géométrique axial, évalué dans l image grâce à une primitive fondée sur le flux de gradient à fort pouvoir discriminant et faible coût calculatoire. Nous dérivons ensuite un modèle bayésien récursif appris de façon non paramétrique sur une base de segmentations manuelles. Nous proposons enfin deux schémas d extraction. Le premier met en œuvre une procédure d optimisation discrète sur graphe fondée sur la propagation de chemins minimaux 4D (position spatiale 3D de l axe vasculaire plus rayon associé). Il exploite une nouvelle métrique cumulative dérivée de notre modèle bayésien. Notre deuxième schéma repose sur une approche de suivi stochastique par méthode de Monte-Carlo séquentielle estimant la distribution a posteriori de notre modèle bayésien. Une attention particulière est donnée à la robustesse et l efficacité calculatoire de nos algorithmes. Ceux-ci sont évalués qualitativement et quantitativement sur une base de données cliniques de grande taille.The segmentation of vascular structures is a fundamental step for diagnosis assistance and treatment. In this context, image processing techniques aim at easing and speeding up reviewing tasks by medical professionals, reducing the amount of manual interaction and lowering inter-operator variability. We first present an extensive bibliographical review of existing methods for 3D vascular segmentation following three axes of study: geometric and appearance models, image features and extraction schemes. In this work, we focus on a particularly challenging problem, the delineation of coronary arteries from 3D cardiac Computed Tomography Angiographic (CTA) data. We first detail our medial-based geometric model, which we evaluate on the image thanks to a fast, oriented, gradient flux-based medialness feature. We then formulate a recursive Bayesian model, which is learned in a non-parametric fashion from a ground-truth database of manually segmented datasets. We propose two separate extraction schemes to perform the actual segmentation. Our first strategy performs a discrete, graph-based optimization propagating minimal paths on a 4D (position+radius) graph. It exploits a new cumulative cost metric derived from our seminal Bayesian formulation. Our second strategy employs a sequential, stochastic Monte-Carlo tracking approach which successively estimates the posterior distribution of our Bayesian model through a population of random samples. For both approaches, particular attention is given to robustness and computational efficiency. Qualitative and quantitative evaluation is presented on a varied database of clinical data.PARIS-Télécom ParisTech (751132302) / SudocSudocFranceF