Contexte générique bi-multirésolution basé ondelettes pour l\u27optimisation d\u27algorithmes de surfaces actives

Dans le cadre de l\u27analyse de données anatomiques, la segmentation est une étape indispensable. Certaines applications (criblage par imagerie de souris transgénique, par exemple) nécessitent impérativement de réaliser cette opération de manière rapide et robuste pour respecter les contraintes de débits d\u27acquisition et d\u27automatisation de l\u27analyse. La robustesse dans la segmentation des organes anatomiques est obtenue en s\u27appuyant sur des modèles maillés déformés par des techniques de type contours actifs. Cette stratégie de segmentation, déjà ancienne (Kass et al., 1988 - Cohen, 1991) est pertinente et a fait ses preuves. Compte tenu de la taille des modèles utilisés (10^4 à 10^6 sommets), le temps de calcul pour la segmentation est très élevé. Des approches multi échelles et/ou multirésolution sur images ont déjà été utilisées avec succès pour améliorer la robustesse et la vitesse de convergence. Mais jusqu\u27ici, ce type d\u27approches n\u27avait pas été appliqué au modèle. L\u27objectif principal de la thèse est d\u27accélérer les méthodes de contours actifs / surfaces actives grâce à une décomposition multirésolution sur bases d\u27ondelettes des données et du modèle comme illustré par l\u27image précédente. Le résultat de la thèse est un environnement d\u27optimisation générique dans lequel n\u27importe quel algorithme de surface active discrète peut être plongé. Une modélisation mathématique de l\u27algorithme ainsi construit démontre un gain en complexité d\u27un facteur 3 dans le domaine d\u27utilisation envisagé. De plus, la convergence est encore accélérée par l\u27approche multirésolution, ce qui permet d\u27atteindre dans les cas réels des gains en vitesse de l\u27ordre de 100