Statistical modeling and estimation in medical imaging (automatic detection of anatomical landmarks)

Dans ce travail, nous présentons une famille de modèles statistiques à atlas déformable pour l'analyse d'images médicales et plus particulièrement pour la détection d'amers. Les modèles à atlas déformable sont couramment utilisés pour la mise en correspondance d'images en vue de leur segmentation, alignement ou classification. Nous montrons que le problème de détection d'amers peut être formulé comme un problème de mise en correspondance locale. Dans un premier temps, nous présentons deux modèles statistiques qui utilisent les variations d'intensité ou les contours de l'image pour détecter les amers. Ensuite nous introduisons un modèle statistique plus riche qui permet de segmenter une nouvelle image et de la mettre en correspondance avec un atlas pour détecter les amers. À partir de chaque modèle proposé, nous obtenons par maximum de vraisemblance un algorithme d'apprentissage et un algorithme de détection. Les algorithmes ainsi dérivés sont à la fois simples et génériques. Grâce à l'étape d'apprentissage, la méthode proposée s'adapte automatiquement à différents types d'amers. Enfin, en introduisant le concept d'objet déformable et de fond d'image, il est possible de limiter les temps de calcul, en focalisant les efforts sur les sous parties de l'image qui caracterisent la position des amers. Cette modification s'avère utile en vue de l'application des algorithmes proposés à la détection d'amers dans des images médicales en 3D. Enfin nous présentons les résultats obtenus pour la détection d'amers dans des Images à Résonance Magnétique de cerveau.LILLE1-BU (590092102) / SudocSudocFranceF