Modèles de recalage classifiant pour l'imagerie médicale

Dans cette thèse, nous avons traité un problème rencontré en recalage d'images médicales. Il s'agit de la présence de plusieurs classes de pixels ayant des propriétés de changement de niveau de gris différentes (lorsqu'on injecte un agent de contraste par exemple). Ceci n'est pas conforme aux hypothèses sur lesquelles reposent la majorité des termes de similarité utilisés dans la littérature. Pour résoudre ce problème, nous avons proposé trois modèles. Pour recaler deux images, les deux premiers modèles reposent sur la description des variations des niveaux de gris entre les deux images par un mélange de deux distributions de probabilité, qui correspondent à deux classes de pixels. La pondération entre les deux composantes du mélange est faite à l'aide d'une carte de probabilité décrivant la localisation spatiale des pixels de la deuxième classe. Cette carte de probabilité est fixée dans le premier modèle, ce qui permet d'avoir un modèle de recalage qui tient compte de la présence de deux classes. Dans le deuxième modèle, la carte de probabilité est estimée en même temps que le recalage, conduisant ainsi à la combinaison de la détection (ou segmentation) et du recalage. Le troisième modèle concerne les séquences d'images dynamiques d'agent de contraste. Le modèle proposé se base sur une classification des pixels en fonction de leur courbes de rehaussement dynamiques et l'estimation de ces dernières pour chaque classe. Les trois modèles ont été appliqués à des images réelles et simulées.This thesis addresses a specific issue encountered in medical image registration. It concerns the presence of many classes of pixels having different properties of intensity change (when a contrast agent is injected for example). This is inconsistent with some hypotheses on which depend most similarity criteria used in the literature. To solve this problem, we developed three models. To register two images, the first two models rely on the description of intensity variation by a mixture of two probability distributions corresponding to two classes of pixels. A probability map describing spatial localization of the second class is used to weight the two components. This map is set constant in the first model to get a registration model which takes into account the presence of two classes. In the second model, the probability map is estimated together with the registration transformation, leading to a model which combines detection (or segmentation) and registration. The third model deals with Dynamic Contrast-Enhanced sequences. This last model is based upon pixel classification and contrast enhancement curve estimation in each class. Multiple applications of these models have been conducted on simulated and real images.PARIS5-BU Saints-Pères (751062109) / SudocSudocFranceF