Recalage non rigide en imagerie cérébrale : méthodes et validation

This thesis is concerned with the non rigid registration of medical images, either monomodality or multimodality. In the first part, we have developed a method to estimate a $3D$ dense deformation field between the brain of two different subjects. This approach is based on the estimation of the optical flow, expressed in a robust framework. We have also proposed a minimization scheme, which is both multiresolution and multigrid. The multigrid minimization is based on an adaptive partition of the volume that is constrained with a segmentation of the brain. We have evaluated the algorithm on simulated data and on a database of $18$ subjects. We have then extended the registration method to non-rigid multimodality registration. EPI acquisition, which is commonly used for fMRI data, introduces geometrical distortions that disturb significantly the interpretation of functional data. We intend to correct the distortions by performing a non rigid registration between the fMRI acquisition and the MRI volume. Therefore, the energy-based framework and the multigrid minimization scheme have been modified with an appropriate similarity measure. We have proposed an evaluation framework for non-rigid registration of brains of different subjects. $5$ methods, among which classical and modern methods, have been tested on a database of $18$ subjects. We have designed global and local criteria to assess the quality of the registration. Finally, we have studied the cooperation between segmentation and registration. On the one hand, we showed that a segmentation process can be easily guided by a coarse registration. The segmentation becomes fully automatic, more robust, more precise and the computation time is significantly reduced. On the other hand, we investigated the introduction of sparse cortical constraints in the registration process presented in the first part. The energy based framework makes it possible to incorporate naturally the matching of cortical sulci. We showed the benefits of that cooperative approach on a database of $18$ subjects.Dans le contexte de la fusion de données en imagerie médicale, cette thèse s'intéresse aux problèmes de recalage non-rigide en imagerie cérébrale, monomodalité et multimodalité. Dans un premier temps, nous avons développé une approche originale pour estimer une transformation $3D$ dense entre deux volumes IRM de deux sujets différents. Cette méthode est basée sur une estimation du flot optique, exprimé dans un cadre statistique robuste. Nous avons également proposé un schéma de minimisation efficace, à la fois multirésolution et multigrille, s'appuyant sur des contraintes anatomiques. Nous avons validé cette méthode sur des données synthétiques, puis sur une base de donnée de 18 sujets. Dans un deuxième temps, nous nous sommes intéressés au problème du recalage non-rigide multimodalité. Les images fonctionnelles IRMf, en acquisition EPI, présentent des déformations géométriques qui gênent l'interprétation des données fonctionnelles. Nous avons proposé un algorithme de recalage non-rigide multimodalité à l'aide d'une mesure de similarité adaptée, dans un cadre de minimisation multigrille. Dans un troisième temps, nous avons proposé un cadre de validation de méthodes de recalage non-rigides. 5 méthodes différentes, parmi lesquelles des approches classiques et des approches plus récentes, ont été évaluées sur la base de critères globaux (volume moyen, corrélation des Lvv, recouvrement des tissus anatomiques) et de critères locaux (recalage des sillons corticaux). Enfin, nous avons étudié des approches coopératives utilisant les processus de segmentation et de recalage. Basée sur une méthode de type ``ensemble de niveaux'', la segmentation de structures anatomiques peut être guidée par un champ grossier de déformation. Le recalage permet d'initialiser correctement les modèles déformables, entraînant une segmentation automatique, plus robuste, plus précise et considérablement plus rapide. D'autre part, la segmentation de structures anatomiques d'intérêt comme les sillons corticaux permet de contraindre le processus de recalage présenté dans la première partie. En particulier, le cadre statistique permet d'intégrer cette contrainte locale et éparse de manière naturelle. Sur la base de 18 sujets, nous avons montré l'apport de cette contrainte anatomique