Contribution to cerebral vascular network segmentation from MRI,Anatomical knowledge integration for guidance of mathematical morphology tools

L'analyse par les radiologues des ARM (angiographies par résonance magnétique) cérébrales est une tâche ardue en raison du volume des données à traiter et du nombre croissant d'examens réalisés.La création de méthodes de segmentation des vaisseaux cérébraux à partir de telles images constitue donc un domaine de recherche répondant à un réel besoin en imagerie médicale.Cette thèse est dédiée au développement de telles méthodes.L'effort y est notamment focalisé sur la capacité à adapter leur comportement aux images traitées et à leur valeur sémantique.Ce concept d'adaptativité est mis en oeuvre au travers de l'intégration de connaissance anatomique de haut niveau qui a pour but de guider des outils de traitement d'image.La première partie des travaux présentés consiste à proposer des solutions préalables de modélisation de cette connaissance.La notion d'atlas, déjà éprouvée avec succès sur des structures non vasculaires, y est développée.Deux types d'atlas sont proposés, chacun d'eux tirant parti de la nature multimodale (angiographique et morphologique) des images considérées pour modéliser des éléments de connaissance anatomique relative aux vaisseaux cérébraux.La seconde partie des travaux porte sur le développement de méthodes de segmentation utilisant cette connaissance pour guider des outils de morphologie mathématique.Ces méthodes, basées sur la croissance de région, la ligne de partage des eaux, la transformée en tout ou rien à niveaux de gris et la réduction homotopique, utilisent les atlas proposés pour adapter ou contraindre le comportement de ces outils aux particularités des images.Cette thèse se présente ainsi comme une introduction à une nouvelle méthodologie de segmentation des structures vasculaires qui tend à associer le potentiel des outils de traitement d'image actuels avec l'approche par apprentissage et utilisation de connaissances qui est généralement l'apanage des spécialistes humains.Analysing cerebral MRA (magnetic resonance angiography) is a hard task for radiologists, because of the large size of the data and the increasing number of exams being performed.Creation of cerebral vessel segmentation methods from such images then constitutes a research area of great importance in medical imaging.This thesis is devoted to the development of such methods.It is especially focused on their ability to adapt their behaviour to the processed images and their semantic value.This concept of adaptivity is developed by considering high level anatomical knowledge which can be used for guidance of image processing tools.The first part of the presented work consists in proposing preliminary solutions for knowledge modelling.The atlas notion, which has already been successfully used for non vascular structures, is then developed.Two kinds of atlas are proposed, each one taking advantage of multi-modality (angiographic and morphologic) properties of the considered images in order to model anatomical knowledge elements related to brain vessels.The second part of the work deals with the development of segmentation methods using this knowledge for guiding mathematical morphology tools.These methods, based on region-growing, watershed, grey-level hit-or-miss transform and homotopic thinning, use the proposed atlases to fit or constraint the behaviour of these image processing tools with respect to the image properties.This thesis can be considered as an introduction to a new methodology of vascular structure segmentation, which tends to fuse the potential of the existing image processing tools with learning and knowledge based strategies which are generally only used by human specialists